云计算和大数据助力医疗协同

云计算和大数据的概念刚出来时，有人曾认为是云山雾罩、不知所云，但如今，云计算与大数据正拨开层层浮云，显示出其难以阻挡的发展势头，落地到各项行业应用中，助力企业发展、提升人民生活，医疗行业就是其典型应用。

云模式实现医疗信息互联互通

“看病难”一直是中国老百姓最为头疼的难题之一，而“看病难”归根结底是由于医疗资源的相对不足，要解决此问题就需要增加医疗资源的供给，而除了医疗配套设施等的增加外，提高医院的工作效率也是重要措施。云计算和大数据恰好就可以解决该问题。

黑龙江省哈尔滨市方正县作为一个26万人口县市，拥有乡镇卫生院8家，村卫生室128家。各医疗卫生机构的信息化建设资源分布不均、水平参差不齐：一部分为信息化建设有一定基础、部分功能尚需提升完善的医疗卫生机构，但受客观条件的限制，诸如LIS、PACS等检验影像系统、合理用药、电子病历等系统还未建设，；一部分为信息化建设基础较差、整体需要全面提升改造的医疗卫生机构，如城市社区卫生服务中心还在建设当中，城区居民的电子健康档案还没有建立，乡镇卫生院和村卫生室信息化程度薄弱等。

由于信息系统各自孤立，无法实现全县区域内卫生信息资源的共享和信息的互联互通。乐辰科技对此现状提出了其智慧医疗方案产品“乐辰区域卫生信息管理平台”，该平台以云计算为基础设计构建区域卫生信息管理综合系统，核心内容包括：基层医疗卫生管理信息系统、区域卫生信息管理平台、数字化医院解决方案、新农合市级管理平台、远程诊疗管理系统，以及云计算数据中心等。

通过该平台，患者可以实现网络预约、异地就诊、医疗保险信息即时结算；医疗机构之间能够实现的同级检查结果互认，节省医疗资源，减少患者重复检查和检验的负担。这不仅实现了各种医疗信息的互联互通，提高了医疗效率，也使得医疗机构的硬件设备成本及相应的维护投入大幅降低。

医疗大数据蕴含价值与挑战

医疗行业的大数据不仅量大且繁杂，其中蕴含的信息价值也是丰富且多样。据了解，医疗大数据的来源主要包括四类：一是制药企业和生命科学；二是临床决策支持和其他临床应用，包括诊断相关的影像信息等；三是费用报销、利用率和欺诈监督；四是患者行为、社交网络。相应的，这些大数据均蕴含相当的价值。

虽然对其进行有效的存储、处理、查询和分析，就可辅助临床医生做出更为科学和准确的诊断和用药决策，或帮助医院根据患者潜在需求开发全新个性化服务及自动服务，甚至于帮助相关研究机构突破医疗方法和药物革新，或支持地区甚至全国医疗行业主管部门优化医疗资源及服务配置。

但也有数据统计，在目前的医疗行业，寻常一张CT扫描图像，就含有约150MB的数据；一个基因组序列文件大小约为750MB；标准的病理图的数据量则大得多，要接近5GB。如果将这些数据量乘以人口数量和平均寿命的话，仅一个社区医院累积的数据量，就可达数TB甚至数PB之多，而且其中还富含图像、视频等非结构化数据，更勿论规模更大的医疗机构，甚至是地区医疗主管部门汇集的数据集。

英特尔全球医疗解决方案架构师吴闻新介绍：“到2020年，医疗数据将增至35ZB，相当于2009年数据量的44倍。其中，影像数据增长最快，其次是EMR电子病历数据。”

大数据提升业务分析效率

如何将海量、复杂的数据的存储、处理和保护成本降至最低，同时还能对此进行实时或准实时的处理、秒级的查询需求响应以及智能、深入的分析，却面临着重重挑战。其中“入门”第一关，就是大数据集的存储、处理和查询难题。

对此，英特尔协助用友医疗进行了合理的架构分析和指导，对于基于大数据分析的解决方案进行了深入的探索和研究，并且制定了基于英特尔大数据解决方案的区域卫生数据中心建设目标：第一，在海量数据情况下，数据中心必须具有文档快速检索的性能；第二，随着未来医疗系统的升级，医疗标准的版本升级，数据中心必须能够解决存储模式如何满足数据模式的更新的问题；第三，数据中心必须具备水平扩展能力和对应用程序透明的能力，要求能做到底层扩展对上层业务的隔离，通过更多的服务器成比例的透明化扩展容量和性能。

经过多次反复单业务负载测试、大数量测试和调优等多种技术相结合的手段，英特尔公司和用友医疗的解决方案在某区域卫生数据中心得以应用。与传统数据库和小型机的方案相比，该大数据解决方案具有更好的开放性和更好的经济性；集成的图形化界面提供了便捷的节点管理和横向扩展功能，大幅降低了管理成本；充分利用了现有硬件资源，降低升级成本。

如果说英特尔更多是在硬件层面对于医疗大数据进行高效地存储、处理和查询，那么IBM、甲骨文等企业则是依靠软件在大数据的分析和挖掘上更多发挥大数据的价值。

IBM 分析和数据挖掘技术以其在国内外医疗行业的实践和大数据优势为基础，帮助医院分析数据、驱动洞察、简化管理、支持决策。基于此项技术，IBM 医院智能运营系统帮助医院进行日常运营信息的整合，从医院管理目标出发对医院运营数据仓库进行规划和建模，以医院的 HIS、EMR、病案管理、医保等系统作为数据源，进行数据抽取、清洗和转换，为数据的智能化分析利用打好基础。