京公网安备 11010802034615号
经营许可证编号:京B2-20210330
医疗大数据,遥不可及的贝贝
在“云计算”、“大数据”概念此起彼伏的年代,人人都窥私着“医疗大数据”- 这块最后的盛宴。
卫生行政部门希望获得医院的运行状况数据,以便对医院进行有效的监管和考评;医疗IT开发商希望摆脱恶性竞争,从卖“IT人力”进入到“卖服务”;互联网服务提供商们曾经想找医院们合作,结果一个个都吃了闭门羹,只能忍气吞声给C端(消费者)提供非常初级的咨询、评价服务。至于消费者,似乎从来不知道“自己的医疗数据”在哪里。
09年底,曾有一篇《信息生态学与国家医疗卫生信息共享》的文章,里面第一次引入“生态”的视角。如同有人要建立电子商务的生态,有人要建立移动APP开发的生态一样,只要存在一个由大量的互相联系的不同角色组成的系统,一般都可以应用“生态学”理论。该文章通过对中国医疗信息生态环境的分析,发现这里的“关键物种”就是医院。核心是医院共享数据的“驱动力”及“意愿”不足的问题!
笔者分析有以下原因:
1、医疗服务分布严重畸形
在社区医生临床服务水平不高的今天,看病就去大医院的理念不可能短期改变。一些大城市的三甲医院的年门诊量可以达到几百万的数量级。医院从上到下,忙于应付医疗纠纷、提高病床周转率,把病人当做“客户”的意识缺乏。所以大多数医院都没有“CRM”(客户关系管理)的理念,既然连自己的出院病人都无法建立日常联系,谈何跨医院数据共享?
2、多重管理体系
不同医院,有不同的“婆家”,垂直管理体系林立。大的就有军队系列、当地政府系列、大学附属系列、部属系列等。卫生行政部门对医院的管理力度,大大弱于银行等其他行业。
3、技术壁障和责任风险
目前各医院都有信息中心,但配备的人员力量以及年度信息化经费预算还是有限。导致两个结果:信息中心只求平安,不求发展,很多被HIT厂商变相控制;部分医院内部的数据都还处于无法互联共享阶段。另一个重要原因是,目前大多数医院都是本地局域网模式运行,内外网的瓶颈问题不解决,医患之间、院院之间的数据流动就无从谈起。
4、环境问题
政策滞后,例如:检验结果互认、双向转诊等的机制规范确认;HIT标准制定、认证及执行的方法学落后等。
话虽如此,笔者相信医院的数据隔离墙终有被推倒一时。来自以下几个变数:
1、HIT厂商的洗牌
几年前的一个数据,中国还没有一个HIT厂商的市场占有率超过 5%。随着产业竞争、收购兼并上市,终会最后剩下几个大玩家。有些已经从低价竞争,进入到为医院提供IT外包服务的模式;有些在某个区域具有垄断地位的厂商,会率先和当地政府联合打破医院的壁垒,提供面向个人服务的尝试。
2、医院管理者的洗牌
随着年轻一代医院CIO或院长的上任,对IT重视程度必然会提升。尤其是一些新医院,一开始的网络设计就支持院外访问。
3、数据挖掘的推动
目前,大多数医院,无法做到数据的永久保存(一般就几年)。这些经年累月的病患数据具有极其珍贵的研究价值。医院数据的第三方云存储是必然趋势,从而为数据的再次利用和流动创造条件。
4、民营医院的崛起
真正高端、高质量的民营医院浪潮正在涌动。他们对患者的服务意识从起始阶段就十分重视,天然就不存在“医院数据围墙”这一说,而且会成为数据共享的积极参与者。
5、医生的流动
多点执业虽然试用两年效果一般般,但随着年轻医生的成长,医生流动的加剧是必然的。近期协和医生到深圳办诊所,部分医生通过网络积累口碑,从公立进入私立的比比皆是。此时,很多病人会跟着医生走,进一步促使患者EMR信息的共享需求。
6、商业医疗保险
目前各大商业保险公司,都在努力研究新的健康与医疗保险,结合高端健康管理服务,商业保险也许是撬动医院的重要支点。
7、个人的力量
全球“量化自身”运动的热潮,让“个人健康云”在医院外逐步开花。大众对于其去医院看完病之后,获得自己的电子医疗数据的呼声,亦会逐渐增高。我们看到,部分医院已经开始实践给患者提供移动APP,方便患者从手机取化验报告等服务的尝试。另外,随着一些患者社区或患者组织的壮大,个人群体对于医院的说话权会进一步增大。
8、开放开源与NGO
在产业格局复杂,政府推动缓慢,个人无所适从的当前阶段,一些NGO组织推动的医疗健康产业开放联盟值得关注。结合医疗信息开源的趋势,这是一股自底向上,与政府自上而下遥相呼应的力量!
医疗大数据,就是这么一个看起来很美,但又似乎遥不可及的贝贝。而其中的“关键物种”- 医院,在各方势力的努力下,终有开启数据之门之时。届时,各类医疗APP 才能真正落地,为老百姓提供丰富多彩的在线服务。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09