1、醫(yī)療大數(shù)據(jù)及相關(guān)技術(shù)介紹,翟運(yùn)開 博士/副教授 河南省數(shù)字醫(yī)療工程技術(shù)研究中心 副主任 數(shù)字化遠(yuǎn)程醫(yī)療服務(wù)河南省工程實(shí)驗(yàn)室 副主任 鄭州大學(xué)第一附屬醫(yī)院 河南省遠(yuǎn)程醫(yī)學(xué)中心 主任 中國衛(wèi)生信息學(xué)會(huì)遠(yuǎn)程醫(yī)療信息化專業(yè)委員會(huì) 常委/秘書長,鄭州大學(xué)碩士研究生導(dǎo)師 河南省五一勞動(dòng)獎(jiǎng)?wù)芦@得者 河南省教學(xué)標(biāo)兵、河南省技術(shù)標(biāo)兵 河南省數(shù)字醫(yī)療工程技術(shù)研究中心副主任 河南省教育系統(tǒng)教學(xué)技能競賽特等獎(jiǎng)獲得者 數(shù)字化遠(yuǎn)程醫(yī)療服務(wù)河南省工程實(shí)驗(yàn)室副主任 鄭州大學(xué)第一附屬醫(yī)院河南省遠(yuǎn)程醫(yī)學(xué)中心主任 中國衛(wèi)生信息學(xué)會(huì)遠(yuǎn)程醫(yī)療信息化專業(yè)委員會(huì)常委/秘書長,教育部科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目負(fù)責(zé)人。 河南省重大科技專項(xiàng)課題負(fù)責(zé)人

2、。 國家科技部科技惠民計(jì)劃重大專項(xiàng)課題負(fù)責(zé)人。 參加國家科技部863項(xiàng)目、國家科技支撐項(xiàng)目、國家自然科學(xué)基金項(xiàng)目等5項(xiàng)。 獲得河南省科技進(jìn)步獎(jiǎng)二等獎(jiǎng)、河南省優(yōu)秀社科成果獎(jiǎng)二等獎(jiǎng)、河南省自然科學(xué)學(xué)術(shù)獎(jiǎng)一等獎(jiǎng)等6項(xiàng)。 發(fā)表各類學(xué)術(shù)論文80余篇，出版專著1部，參編教材4部。 取得軟件知識(shí)產(chǎn)權(quán)10項(xiàng)。,醫(yī)療信息化與遠(yuǎn)程醫(yī)療、醫(yī)藥電子商務(wù)與物流管理、科技創(chuàng)新與管理等。,翟運(yùn)開 博士/副教授,目錄,大數(shù)據(jù)時(shí)代 大數(shù)據(jù)帶來的變革 大數(shù)據(jù)相關(guān)技術(shù) 醫(yī)療大數(shù)據(jù) 大數(shù)據(jù)時(shí)代反思,1、大數(shù)據(jù)時(shí)代左右未來十年的四大趨勢,1、大數(shù)據(jù)時(shí)代數(shù)據(jù)源呈現(xiàn)指數(shù)級(jí)增長,IDC（ International Data Corpora

3、tion ）預(yù)計(jì)到2020 年，全球?qū)⒖偣矒碛?5ZB 的數(shù)據(jù)量 如果把35ZB 的數(shù)據(jù)全部刻錄到容量為9GB 的光盤上，其疊加的高度將達(dá)到233 萬公里，相當(dāng)于在地球與月球之間往返三次,1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)時(shí)代到來(1),2012年月份美國奧巴馬政府發(fā)布了“大數(shù)據(jù)研究和發(fā)展倡議”（Big data research and development initiative），投資億以上美元，正式啟動(dòng)“大數(shù)據(jù)發(fā)展計(jì)劃” 美國政府認(rèn)為，大數(shù)據(jù)是“未來的新石油”,1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)時(shí)代到來(2),大數(shù)據(jù)是2012年月份的達(dá)沃斯世界經(jīng)濟(jì)論壇上的主題之一 該次會(huì)議還特別針對(duì)大數(shù)據(jù)發(fā)布了報(bào)告“Big da

4、ta, big impact: New possibilities for international development”,1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)時(shí)代到來(3),聯(lián)合國一個(gè)名為“Global Pulse”的倡議項(xiàng)目在2012年月發(fā)布報(bào)告 Big Data for Development: Challenges & Opportunities 該報(bào)告主要闡述大數(shù)據(jù)時(shí)代各國特別是發(fā)展中國家在面臨數(shù)據(jù)洪流（data deluge）的情況下所遇到的機(jī)遇與挑戰(zhàn),1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)時(shí)代到來(4),產(chǎn)業(yè)結(jié)構(gòu)調(diào)整要依靠改革，進(jìn)退并舉設(shè)立新興產(chǎn)業(yè)創(chuàng)業(yè)創(chuàng)新平臺(tái)，在新一代移動(dòng)通信、集成電路、大數(shù)據(jù)、先進(jìn)制造、

5、新能源、新材料等方面趕超先進(jìn)，引領(lǐng)未來產(chǎn)業(yè)發(fā)展。 -李克強(qiáng)政府工作報(bào)告2014年3月5日,1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)定義,大數(shù)據(jù)至今尚無確切、統(tǒng)一的定義 麥肯錫（McKinsey）的定義：大數(shù)據(jù)是指無法在一定時(shí)間內(nèi)用傳統(tǒng)數(shù)據(jù)庫軟件工具對(duì)其內(nèi)容進(jìn)行采集、存儲(chǔ)、管理和分析的數(shù)據(jù)集合 IDC 的定義：大數(shù)據(jù)一般會(huì)涉及2 種或2 種以上數(shù)據(jù)形式。它要收集超過100TB 的數(shù)據(jù)，并且是高速、實(shí)時(shí)數(shù)據(jù)流,1、大數(shù)據(jù)時(shí)代大數(shù)據(jù)特點(diǎn)4V,Volume 海量的數(shù)據(jù)規(guī)模,Variety 多樣的數(shù)據(jù)類型,Value,Velocity 快速的數(shù)據(jù)流轉(zhuǎn),巨大的數(shù)據(jù)價(jià)值,目錄,大數(shù)據(jù)時(shí)代 大數(shù)據(jù)帶來的變革 大數(shù)據(jù)相關(guān)技術(shù) 醫(yī)療

6、大數(shù)據(jù) 大數(shù)據(jù)時(shí)代反思,2、大數(shù)據(jù)帶來的變革,信息技術(shù)革命的小周期,2、大數(shù)據(jù)帶來的變革新思維,個(gè)體數(shù)據(jù)的精確性不再重要,數(shù)據(jù)就是貨幣,數(shù)據(jù)隨時(shí)間迅速折舊,數(shù)據(jù)是資產(chǎn),改變“數(shù)據(jù)是稀缺資源”的世界觀,數(shù)據(jù)是原材料,信息是原油,2、大數(shù)據(jù)帶來的變革新方法學(xué),多數(shù)據(jù)源的整合,描述性分析預(yù)測性和處方性分析,大數(shù)據(jù)+小算法+上下文+知識(shí)積累,數(shù)據(jù)民主化和開放數(shù)據(jù),數(shù)據(jù)資產(chǎn)、數(shù)據(jù)產(chǎn)品和社會(huì)化分析服務(wù)的貨幣化,數(shù)據(jù)極大豐富前提下的新分析思維和技術(shù),數(shù)據(jù)市場和數(shù)據(jù)定價(jià),社會(huì)化分析服務(wù),實(shí)時(shí)性大于絕對(duì)的精確性,2、大數(shù)據(jù)帶來的變革實(shí)時(shí)精準(zhǔn)營銷,利用大數(shù)據(jù)能力可以幫助企業(yè)獲得突破性回報(bào),2、大數(shù)據(jù)帶來的變革實(shí)時(shí)

7、風(fēng)險(xiǎn)控制,利用大數(shù)據(jù)能力可以幫助企業(yè)進(jìn)行實(shí)時(shí)風(fēng)險(xiǎn)控制，如，銀行業(yè),2、大數(shù)據(jù)帶來的變革安全檢測,將安全檢測與大數(shù)據(jù)融合,2、大數(shù)據(jù)帶來的變革醫(yī)療大數(shù)據(jù),目錄,大數(shù)據(jù)時(shí)代 大數(shù)據(jù)帶來的變革 大數(shù)據(jù)相關(guān)技術(shù) 醫(yī)療大數(shù)據(jù) 大數(shù)據(jù)時(shí)代反思,成本可承受（economically）的情況下 通過非?？焖伲╲elocity）的采集、發(fā)現(xiàn)和分析； 在大量化（volumes）、 多類別（variety）的數(shù)據(jù)中提取價(jià)值（value）,分析的數(shù)據(jù)越全面，分析的結(jié)果就越接近于真實(shí) 能夠從這些數(shù)據(jù)中獲取新的洞察力，并將其與已知業(yè)務(wù)的各個(gè)環(huán)節(jié)相融合,3、大數(shù)據(jù)相關(guān)技術(shù),3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)帶來的技術(shù)變革,3、大數(shù)據(jù)

8、相關(guān)技術(shù)大數(shù)據(jù)系統(tǒng),當(dāng)前大數(shù)據(jù)系統(tǒng)主要包括：存儲(chǔ)、計(jì)算、分析等。,3、大數(shù)據(jù)相關(guān)技術(shù)分布式文件系統(tǒng),分布式文件系統(tǒng)（Distributed File System）是指文件系統(tǒng)管理的物理存儲(chǔ)資源不一定直接連接在本地節(jié)點(diǎn)上，而是通過計(jì)算機(jī)網(wǎng)絡(luò)與節(jié)點(diǎn)相連。分布式文件系統(tǒng)的設(shè)計(jì)基于客戶機(jī)/服務(wù)器模式。 大數(shù)據(jù)系統(tǒng)中常用的分布式文件系統(tǒng)為HDFS。,3、大數(shù)據(jù)相關(guān)技術(shù)并行計(jì)算,傳統(tǒng)并行計(jì)算。擁有多個(gè)CPU，計(jì)算資源與存儲(chǔ)資源分離，數(shù)據(jù)統(tǒng)一存放、統(tǒng)一讀取。對(duì)于數(shù)據(jù)密集型處理，I/O將成為整個(gè)系統(tǒng)瓶頸。 MapReduce。由普通PC組成，考慮數(shù)據(jù)局部性原理，將數(shù)據(jù)分布至各個(gè)節(jié)點(diǎn)，處理時(shí)，就近讀取數(shù)據(jù)。,

9、X86 服務(wù)器,X86 服務(wù)器,3、大數(shù)據(jù)相關(guān)技術(shù)實(shí)時(shí)流式計(jì)算,實(shí)時(shí)計(jì)算一般都是針對(duì)海量數(shù)據(jù)進(jìn)行，除了像非實(shí)時(shí)計(jì)算的需求（如計(jì)算結(jié)果準(zhǔn)確）以外，實(shí)時(shí)計(jì)算最重要的一個(gè)需求是能夠?qū)崟r(shí)響應(yīng)計(jì)算結(jié)果，一般要求為秒級(jí)。,3、大數(shù)據(jù)相關(guān)技術(shù)數(shù)據(jù)分析流程,確定業(yè)務(wù)對(duì)象,數(shù)據(jù)準(zhǔn)備,數(shù)據(jù)挖掘,結(jié)果分析,知識(shí)的同化,濫用縮寫詞 數(shù)據(jù)輸入錯(cuò)誤 數(shù)據(jù)中的內(nèi)嵌控制信息 不同的慣用語 重復(fù)記錄 丟失值 拼寫變化 不同的計(jì)量單位 過時(shí)的編碼 含有各種噪聲,數(shù)據(jù)污染,格式標(biāo)準(zhǔn)化 異常數(shù)據(jù)清除 錯(cuò)誤糾正 重復(fù)數(shù)據(jù)的清除,數(shù)據(jù)處理,大數(shù)據(jù)預(yù)處理技術(shù)主要完成對(duì)已接收數(shù)據(jù)的辨析、抽取、清洗等操作 目的是將數(shù)據(jù)按統(tǒng)一的格式提取出來，然

10、后再轉(zhuǎn)化，集成，載入數(shù)據(jù)倉庫的工具 （ETL） 抽?。阂颢@取的數(shù)據(jù)可能具有多種結(jié)構(gòu)和類型，數(shù)據(jù)抽取過程可以幫助我們將這些復(fù)雜的數(shù)據(jù)轉(zhuǎn)化為單一的或者便于處理的構(gòu)型，以達(dá)到快速分析處理的目的。 清洗：對(duì)于大數(shù)據(jù)，并不全是有價(jià)值的，有些數(shù)據(jù)并不是我們所關(guān)心的內(nèi)容，而另一些數(shù)據(jù)則是完全錯(cuò)誤的干擾項(xiàng)。 因此要對(duì)數(shù)據(jù)通過過濾“去噪”從而提取出有效數(shù)據(jù),3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)預(yù)處理技術(shù),3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘,技術(shù)方法分類 根據(jù)挖掘任務(wù)：分為分類或預(yù)測模型發(fā)現(xiàn)、數(shù)據(jù)總結(jié)、聚類、關(guān)聯(lián)規(guī)則發(fā)現(xiàn)、序列模式發(fā)現(xiàn)、依賴關(guān)系或依賴模型發(fā)現(xiàn)、異常和趨勢發(fā)現(xiàn)等等 根據(jù)挖掘?qū)ο螅嚎煞譃殛P(guān)系數(shù)據(jù)庫、面向?qū)ο髷?shù)據(jù)庫、

11、空間數(shù)據(jù)庫、時(shí)態(tài)數(shù)據(jù)庫、文本數(shù)據(jù)源、多媒體數(shù)據(jù)庫、異質(zhì)數(shù)據(jù)庫、遺產(chǎn)數(shù)據(jù)庫以及環(huán)球網(wǎng)Web 根據(jù)挖掘方法：可分為機(jī)器學(xué)習(xí)方法、統(tǒng)計(jì)方法、神經(jīng)網(wǎng)絡(luò)方法和數(shù)據(jù)庫方法。 重點(diǎn)技術(shù) 數(shù)據(jù)挖掘算法。分割、集群、孤立點(diǎn)分析還有各種算法讓我們精煉數(shù)據(jù)，挖掘價(jià)值。這些算法要能夠應(yīng)付大數(shù)據(jù)的量，同時(shí)還具有很高的處理速度。 預(yù)測性分析。預(yù)測性分析可以讓分析師根據(jù)圖像化分析和數(shù)據(jù)挖掘的結(jié)果做出一些前瞻性判斷。 語義引擎。人工智能從數(shù)據(jù)中主動(dòng)地提取信息。包括機(jī)器翻譯、情感分析、輿情分析、智能輸入、問答系統(tǒng)等。 數(shù)據(jù)質(zhì)量和數(shù)據(jù)管理。透過標(biāo)準(zhǔn)化流程和機(jī)器對(duì)數(shù)據(jù)進(jìn)行處理可以確保獲得一個(gè)預(yù)設(shè)質(zhì)量的分析結(jié)果。,顧名思義，數(shù)據(jù)挖掘

12、就是從大量的數(shù)據(jù)中挖掘出有用的信息 數(shù)據(jù)挖掘技術(shù)投入商用的三種基礎(chǔ)技術(shù)已發(fā)展成熟 海量數(shù)據(jù)搜集 強(qiáng)大的分布式并行處理技術(shù) 數(shù)據(jù)挖掘算法 知識(shí)發(fā)現(xiàn)（KDD）：從源數(shù)據(jù)中發(fā)掘模式或聯(lián)系的方法 KDD被用來描述整個(gè)數(shù)據(jù)發(fā)掘的過程， 包括最開始的制定業(yè)務(wù)目標(biāo)到最終的結(jié)果分析，而用數(shù)據(jù)挖掘（DM， Data Mining）來描述使用挖掘算法進(jìn)行數(shù)據(jù)挖掘的子過程。 數(shù)據(jù)挖掘所發(fā)現(xiàn)的知識(shí)有以下四類： 廣義知識(shí)： 指類別特征的概括性描述知識(shí) 關(guān)聯(lián)知識(shí)：反應(yīng)一個(gè)事件和其他事件之間依賴或關(guān)聯(lián)的知識(shí) 分類知識(shí)：反應(yīng)同類事物共同性質(zhì)的特征性知識(shí)和不同事物之間的差異性特征知識(shí) 預(yù)測性知識(shí)：根據(jù)時(shí)間序列型數(shù)據(jù)，由歷史的和

13、當(dāng)前的數(shù)據(jù)去推測未來的數(shù)據(jù)。,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之?dāng)?shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn),關(guān)聯(lián)規(guī)則挖掘： 在交易數(shù)據(jù)、關(guān)系數(shù)據(jù)或其他信息載體中，查找存在于項(xiàng)目集合或?qū)ο蠹现g的頻繁模式、關(guān)聯(lián)、相關(guān)性、或因果結(jié)構(gòu)。 應(yīng)用： 購物籃分析、交叉銷售、產(chǎn)品目錄設(shè)計(jì)、 loss-leader analysis、聚集、分類等。,買尿布的客戶,二者都買的客戶,買啤酒的客戶,結(jié)論： 買啤酒和尿布的客戶，占50% 在買啤酒的客戶中，67%會(huì)買尿布,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之關(guān)聯(lián)分析,序列模式定義：給定一個(gè)由不同序列組成的集合，其中，每個(gè)序列由不同的元素按順序有序排列，每個(gè)元素由不同項(xiàng)目組成，同時(shí)給定一個(gè)用戶

14、指定的最小支持度閾值，序列模式挖掘就是找出所有的頻繁子序列，即該子序列在序列集中的出現(xiàn)頻率不低于用戶指定的最小支持度閾值 應(yīng)用領(lǐng)域： 客戶購買行為模式預(yù)測 Web訪問模式預(yù)測 疾病診斷 自然災(zāi)害預(yù)測 DNA序列分析 工業(yè)控制,關(guān)聯(lián)解決了大量數(shù)據(jù)中的“關(guān)聯(lián)”關(guān)系問題 數(shù)據(jù)價(jià)值中還有非常重要的“順序”問題，需要依靠序列,目前應(yīng)用最多的是基于“時(shí)間”關(guān)系的序列,訪問XX論壇15分鐘后，不低于X%的用戶會(huì)訪問XX購物,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之序列模式,典型應(yīng)用 信譽(yù)證實(shí) 目標(biāo)市場 醫(yī)療診斷 性能預(yù)測,預(yù)測分類標(biāo)號(hào)（或離散值） 根據(jù)訓(xùn)練數(shù)據(jù)集和類標(biāo)號(hào)屬性，構(gòu)建模型來分類現(xiàn)有數(shù)據(jù)，并用來分類新數(shù)

15、據(jù),建立連續(xù)函數(shù)值模型，比如預(yù)測空缺值,分類,預(yù)測,比如將客戶采用分類方法來判斷信用卡發(fā)放的目標(biāo)對(duì)象： 分類為：關(guān)注、不關(guān)注 經(jīng)過不斷干預(yù)訓(xùn)練，得到分類規(guī)則： -【年齡(2540)、職業(yè)(x,y)、收入(500010000)】-關(guān)注 由此如果獲取到新的“客戶信息”，即可判定其屬于哪類。,此處：指預(yù)測算法；而不是廣義的預(yù)測活動(dòng),已有10萬人的（年齡，性別，血壓）數(shù)據(jù)，建立一個(gè)函數(shù)來擬合這些數(shù)據(jù)。 預(yù)測：一位新來的病人(男，50歲)，預(yù)測其血壓應(yīng)為X,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之分類、預(yù)測,將物理或抽象對(duì)象的集合分組成為由類似的對(duì)象組成的多個(gè)類 同一個(gè)簇中的對(duì)象有很大的相似性，而不同簇間的對(duì)

16、象有很大的相異性,把一個(gè)給定的數(shù)據(jù)對(duì)象集合分成不同的簇（分簇完全是自動(dòng)化的） 聚類與分類的不同：聚類是無監(jiān)督分類法，沒有預(yù)先指定的類別,疾病分析：針對(duì)1萬冠心病人x個(gè)指標(biāo)記錄，自動(dòng)進(jìn)行聚類，相似的病人可以進(jìn)行相似的治療 醫(yī)療衛(wèi)生管理：將醫(yī)院的規(guī)模、診治水平、工作效率等指標(biāo)進(jìn)行聚類分析，以提升管理水平 市場銷售: 幫助市場人員發(fā)現(xiàn)客戶中的不同群體，然后用這些知識(shí)來開展一個(gè)目標(biāo)明確的市場計(jì)劃； 地震研究: 根據(jù)地質(zhì)斷層的特點(diǎn)把已觀察到的地震中心分成不同的類,舉例,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之聚類,異常檢測是數(shù)據(jù)挖掘中一個(gè)重要方面，用來發(fā)現(xiàn)”小的模式”(相對(duì)于聚類)，即數(shù)據(jù)集中間顯著不同于其它

17、數(shù)據(jù)的對(duì)象。 異常的定義：異常是在數(shù)據(jù)集中與眾不同的數(shù)據(jù)，使人懷疑這些數(shù)據(jù)并非隨機(jī)偏差，而是產(chǎn)生于完全不同的機(jī)制。 異常探測應(yīng)用 電信和信用卡欺騙 貸款審批 藥物研究 氣象預(yù)報(bào) 客戶分類 網(wǎng)絡(luò)入侵檢測等,藥物研究：針對(duì)某種藥物，有大量動(dòng)物測試樣本，均復(fù)合正常分布。對(duì)于極少數(shù)不符合“分布”的不良反應(yīng)，卻是非常值得研究和關(guān)注的。 通過對(duì)臨床不良反應(yīng)報(bào)告系統(tǒng)中的大量數(shù)據(jù)進(jìn)行分析，找到各種藥品的不良反應(yīng)進(jìn)行研究。,舉例,3、大數(shù)據(jù)相關(guān)技術(shù)大數(shù)據(jù)分析挖掘之異常探測,3、大數(shù)據(jù)相關(guān)技術(shù)技術(shù)方案架構(gòu),應(yīng)用運(yùn)行環(huán)境,云計(jì)算管理平臺(tái) MasterOne,監(jiān)測 控制 規(guī)劃,運(yùn)營支撐系統(tǒng),云服務(wù)門戶,統(tǒng)一服務(wù)認(rèn)證,

18、SaaS 應(yīng)用層,PaaS 平臺(tái)層,IaaS(virtulization) 基礎(chǔ)架構(gòu)層（虛擬化）,海量數(shù)據(jù)分析,云數(shù)據(jù)審計(jì)和安全,云Web服務(wù)開發(fā)部署平臺(tái),IaaS(non-virtualization) 基礎(chǔ)架構(gòu)層（非虛擬化）,應(yīng)用系統(tǒng)標(biāo)準(zhǔn)規(guī)劃,云存儲(chǔ),Hadoop大數(shù)據(jù)應(yīng)用和管理,云資源運(yùn)營服務(wù),目錄,大數(shù)據(jù)時(shí)代 大數(shù)據(jù)帶來的變革 大數(shù)據(jù)相關(guān)技術(shù) 醫(yī)療大數(shù)據(jù) 大數(shù)據(jù)時(shí)代反思,4、醫(yī)療大數(shù)據(jù)5大應(yīng)用領(lǐng)域,臨床業(yè)務(wù)（臨床決策支持系統(tǒng)、遠(yuǎn)程病人監(jiān)控、病人檔案分析） 付款/定價(jià)（自動(dòng)化系統(tǒng)、基于衛(wèi)生經(jīng)濟(jì)學(xué)和療效研究的定價(jià)計(jì)劃） 公眾健康（快速檢測傳染病，全面監(jiān)測疫情） 新的商業(yè)模式（臨床記錄和醫(yī)療

19、保險(xiǎn)數(shù)據(jù)集、網(wǎng)絡(luò)平臺(tái)和社區(qū)） 研發(fā)（預(yù)測建模、臨床實(shí)驗(yàn)數(shù)據(jù)的分析、個(gè)性化治療）,4、醫(yī)療大數(shù)據(jù)健康云服務(wù)平臺(tái),個(gè)人健康數(shù)據(jù)網(wǎng)絡(luò)化服務(wù),1 個(gè)人健康信息云端服務(wù),2 醫(yī)療機(jī)構(gòu)云端病歷存儲(chǔ)服務(wù)、醫(yī)療機(jī)構(gòu)云端醫(yī)護(hù)服務(wù),3 遠(yuǎn)程醫(yī)療健康服務(wù),4 對(duì)個(gè)人健康數(shù)據(jù)進(jìn)行分析、挖掘,4、醫(yī)療大數(shù)據(jù)大數(shù)據(jù)分析應(yīng)用于疾病預(yù)防(1),疾病預(yù)防兩步走,找出高風(fēng)險(xiǎn)致病因素,預(yù)防步驟,4、醫(yī)療大數(shù)據(jù)大數(shù)據(jù)分析應(yīng)用于疾病預(yù)防(2),社會(huì)結(jié)構(gòu) (Social structure),物質(zhì)環(huán)境 (Material factors),勞動(dòng)環(huán)境 (Work),心理環(huán)境 (Psychological),社會(huì)環(huán)境 (Social env

20、ironment),健康行為 (Health behaviors),生理病態(tài)的變化 (Pathophysiological changes) 器官損害 (Organ impairment),健康 (Well-being) 罹病 (Morbidity) 死亡 (Mortality),腦 (Brain) 神經(jīng)內(nèi)分泌 與免疫系統(tǒng) 的反應(yīng) (Neuroendocrine and immune response),幼兒期環(huán)境 (Early life),遺傳因素 (Genes),文化因素 (Culture),健康與社會(huì)關(guān)聯(lián),4、醫(yī)療大數(shù)據(jù)大數(shù)據(jù)分析應(yīng)用于疾病預(yù)防(3),Secondary Use,1,分析

21、健康數(shù)據(jù)已成為世界趨勢 美國早已在20年前開放全國住院數(shù)據(jù)供研究者使用,2,分析健康數(shù)據(jù)有助于研究新的治療方式、疾病診斷、藥物副作用、疾病間的關(guān)聯(lián)性等,新的治療方式,3,若沒有完整開放健康數(shù)據(jù)將嚴(yán)重?fù)p害廣大病人之權(quán)益,病人權(quán)益,健康數(shù)據(jù)價(jià)值,4、醫(yī)療大數(shù)據(jù)大數(shù)據(jù)分析應(yīng)用于疾病預(yù)防(4),存活率追蹤,就診率追蹤,防治(疫)效益追蹤,族群健康追蹤,健康數(shù)據(jù)分析與社會(huì)的聯(lián)系 社會(huì)經(jīng)濟(jì)、勞動(dòng)條件、 幼兒期、遺傳、文化等 對(duì)健康的影響,健康數(shù)據(jù)分析與衛(wèi)生政策聯(lián)系 醫(yī)療、保健、防疫、 全民健保政策實(shí)施成效 的衡量、評(píng)估與建議,族群追蹤應(yīng)用,數(shù)據(jù)整合應(yīng)用,健康數(shù)據(jù)應(yīng)用,4、醫(yī)療大數(shù)據(jù)大數(shù)據(jù)分析應(yīng)用于疾病預(yù)防

22、(5),Data,Data Warehouse in Value-added Management and Development Center,OLTP,OLAP,labs,procedures,gender,claims,provider,age,diagnosis,department,visit date,admissions,What diseases are treated most efficiently?,How should I budget for next year?,What adjustments should be made to maximize profit?,Information Knowledge Wisdom,What departments were filing the most claims? That were paid?,使用大數(shù)據(jù)平臺(tái)提供健康信息服務(wù),4、醫(yī)療大數(shù)據(jù)健康數(shù)據(jù)應(yīng)用場景,People,Hospital,Health Examination Center,Health Management Institution,Hospital,Health Examination Cen