大数据能否在医疗领域实践自身承诺？

随着电子健康记录系统、成像系统、电子处方软件、医疗索赔、公共健康报告以及相关应用与移动医疗设备的不断兴起，医疗服务行业已经成为最具分析发展潜力的首要大数据受益方。来自病人、记录乃至相关机构的海量数据正等待大数据分析工具的深入发掘。

数据分析对医疗行业的发展做出众多美好承诺：削减成本、改进执行效率并带来更出色的护理体验。除了少数将大数据工具打理到炉火纯青的业界佼佼者，大部分医疗机构仍然很难从专有系统中以繁的方式获取各类数据。

数据就是数据，与来源无关

总体来说，大多数医疗服务机构的数据仍然来自临床、财务或者业务类应用程序。就本身而言，每种类型的数据都具备特定用途。根据健康技术转化协会(简称iHT2)在题为《分析：IT医疗的神经系统》的报告，临床数据能够改善护理质量并简化人口健康管理工作;财务数据能帮助医院方面从基础层面进行成本分析，检查基础设施运营数据并管理资源利用率。

将各种因素汇总在一起，机构就可以开始着手评估宏观问题，例如迎合职工需求、提升工作效率以及护理质量等。Lancet Software公司商务智能拥护者兼医疗服务先驱Laura Madsen因此认为，大家没有必要将不同类型的数据源进行硬性划分。“数据就是数据，”她指出。“在一天工作结束时，数据就是比特与字节……作为优秀的数据专家，我们应该把临床数据与业务数据整合在一起。”

政府规划与委托一方面给医疗服务行业带来压力，另一方面却也敦促后者开始以认真、严谨的态度审视分析工作。理想的使用计划会通过经济杠杆推动管理者选择电子病历系统，责任制护理机构(简称ACO)模式需要协调病人护理工作，以病人为中心的家庭病床将对护理质量的重视程度推向极致——而这一切都需要以更加复杂的医疗服务数据分析功能为基础。

大量非结构化数据令分析工作举步维艰

当然，各医疗机构必须先完成数据收集工作才能着手进行数据分析。在医疗服务领域，iHT2为我们总结出以下几大实施难点。首先，高达八成的医疗数据属于非结构化类型，其中包括纸张格等其它非电子类自由形式，需要技术人员手动进行汇总。另外，即使是结构化数据(例如来自健康信息交换(简称HIE)流程的信息)往往也不足以支持分析工作。该报告归纳称，医疗服务供应方往往需要从保险公司的理赔数据中对自身进行宏观评估。

在医疗商务智能领域，数据量的规模非常重要，Madsen再三强调了这一点。作为全球最大的医疗服务供应方，这个名为Intermountain Healthcare and Kaiser Permanente的机构在这方面已经进行过长时间的努力，但对于小型供应方来说，理想与现实间的差距依然“巨大”。大多数机构已经明确意识到商务智能的价值，Madsen补充称，但他们暂时还没有为以下问题找到明确答案——“我们应该怎么做?”

大多数方案出于监管报告的需要而将关注重点放在商务智能方面。这样的做法可以理解，因为每家医院每年需要向政府机关提交上千份报告。不过虽然报告在数量与种类方面令人叹为观止，但医疗服务机构往往难以通过其中的数据指导运营、提高效率或者对其它方面做出改进，Madsen解释称。

幸运的是，iHT2在报告中提出了一系列建议。首先，服务机构可以评估某个病患群体的医护需求，这一方面能够帮助机构方面制定适当的服务交付方式，另外也能确定不同个体在护理需要间的细微差异、甚至预测哪些患者有可能发展为重症病人。另外，机构需评估自身资源储备，从而推动服务质量提升并查明护理水准发生波动的原因。

另外，我还要为大家敲响警钟，列举一些听似合理但却有害无益的做法。医疗保险共享储蓄计划以及ACO模式的宗旨意在降低医疗成本、最终实现支出节约，而根据iHT2的调查这会导致营收周期管理工具无法奏效。另外，如今的成本计算系统往往无法准确评估机构的总体护理成本。要做到这一点，系统需要从宏观、长远角度考虑问题，把前期院方设施欠缺所节约下来的资金同未来由此引发的营收损失进行冲抵。根据iHT2的评述，要找到一套合理的总成本汇总机制，大家需要“以营收因果为脉络采取一套精密且以实际情况为出发点的计算体系”。

医疗服务与数据分析——无论何时何地，相逢即会生效

并不是所有医疗服务业的分析系统都必须十分复杂。位于阿拉巴马州莫比尔的斯普林希尔纪念医院最近刚刚引进了名为“Pandora Clinicals”的自动化用药配药系统，这套分析工具集的加入大大降低了药品在医院内传递时所耗费的时间。

这款软件由Omnicell公司打造，能够以药房药柜为起点追踪药品的流通情况。它会按月生成报告，帮助医院管理者精确对药物进行分类及离群配比。临床药师Joe Adkins表示，虽然在最糟糕的情况下，也许会出现医院员工将药品据为己有甚至转手销售的情况，但人积极角度来看，护士或临床医生能够在该机制的帮助下更快帮助病人根除痛苦。他告诉我们，这款软件还无法深化各岗位之间的关联性，但它已经是第一款引导并促进各岗位之间交互协作的工具。

更重要的是，Pandora Clinicals对于整体工作流程的影响并不太大，Adkins补充称。报告会按时被自动发送到员工邮箱当中，而且采用直观的条形图(而非冗长的书面说明)表述信息。简而言之，阅读报告的人员不必再通过心算寻找结果或进行对比：“不用多想，一切结论尽收眼底，这才是理想的报告形式。”

在另一方面，对于作为付款人的病患，产品的目标应该是改进客户体验、让病人轻松直观地了解情况，InsightsOne公司预测分析业务营销副总裁Bob Dutcher表示。

在2012年的试点活动中(目前仍在持续)，该公司与独立蓝十字(简称IBC)共同合作，帮助费城地区的保险公司确定哪些病人有可能对服务体验表示不满，并希望提前将严重问题消弭于未然——有时候这种提前量甚至能够达到三个月之前，Dutcher指出。(该公司同时也帮助IBC识别潜在新客户，并评估现有客户是否能从尚未使用的服务中受益。)

为了实现这一点，IBC通过其呼叫中心收集数据，旨在了解哪些病人需要进行频繁查询，并将其视为可能需要额外关注的群体。他们还收集来自医疗服务成员机构的数据，希望掌握病人普遍需要哪种后续查询、为什么个别病患需要进行额外治疗。这样的分析结论能帮助IBC迅速定位那些“产生负面结果概率很高的病人”，以此为突破口发送与预防保健(避免为了同样的症状而反复住院)或者长期家庭保健服务(如果病人即将迎来漫长的身体恢复期)相关的信息。

这种积极的做法改善了病患的整体体验，Dutcher指出，同时也帮助家属告别不必要或重复的诊断流程、变相节约了大笔资金。InsightOne将这类分析结果称为“预测情报”，他表示，其作用是指导分析人士将结论具体到单一病人的实际状况。

分析工作需要人才、数据仓储;目前二者的供应仍然紧缺

一般说来，让保险公司在高级分析方案上投入资金比较容易，敦促医疗服务机构为此投资则相对更难。不过两大原因已经开始扭转医疗机构的消极观念，IDC医疗分析部门护理责任IT战略研究主管Cynthia Burghard表示。

第一条论据在于，病患更乐于参加健身计划，而不愿按照医生的建议参与健康恢复计划(尽管后者可能更适合该病人)。

另一条论据则是上世纪九十年代的医疗改革努力由于缺乏数据支持而招致失败。“不仅可资利用的信息太过有限，医生也不具备充足的历史记录及正确的资料格式来帮助自己了解当前表现与治疗目标间的差异，”Burghard在最近一份题为《业务战略：分析能力成为医护责任的优先投资点》的报告中指出。“支付方与供应方之间的讨论乃至争议往往是由数据准确性及讨论及时性所引发。”

新兴ACO模式为医疗服务领域引入了一场革命性浪潮，即从集中化收费服务模式向分散式协调护理模式演变，而且更加强调分析功能与数据仓储技术。要达到这个目的，我们先要为患者制定一套足以使其受益的特定护理计划，从而进一步强化管理并改进病患护理效果，最终将这种护理机制融入到临床医护人员的工作流程当中，Burghard总结道。

随着ACO模式的推广以及协调护理理念的扩散，医疗服务机构将越来越多地与非结构化数据、市场情绪分析及其它数据源产生交集——其中也许还包括预测情报、临床与商务智能的结合体——从而检查病患就诊情况并通过临床表现支持运营决策，她补充称。

这样的先进分析机制会带来大量技术挑战，Burghard指出。在他看来，医疗服务供应方将“需要聘请技术水平极强的人才负责数据仓储管理，只有这样才能让自己的投资有所回报，”而那些既无法创建数据仓储体系、又不能接手管理工作的员工则将被迫合并或划归到大型综合交付网络当中。

这种对现有技术群体进行洗牌的行为无疑会给整个行业带来动荡，但归根结底，这是一场有所牺牲的重大发展。“有句俗语，叫做‘我们无法管理那些自己没能准确了解的事物’。这句话在护理责任领域同样适用，”Burghard在她的报告中写道。“在上世纪九十年代，医疗机构对于罹患慢性疾病的患者缺乏了解，不知道该如何针对其特性实施管理。但时代不同了，如今我们手中的信息更加全面，也愿意为了与付款方、医护人员以及病人更顺畅地共享数据而投入资金。”