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。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24