
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
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29