医疗领域大数据应用31

国家心血管病中心中国医学科学院阜外医院赵韡医疗领域大数据应用1.大数据在Gartner技术曲线中的变化2013大数据开始由过热期转向低谷期，大数据的核心问题还是取决于数据挖掘背后所能产生的价值。在经历了一段热潮之后，大数据的概念可能转向低谷期，开始实实在在的为企业解决问题。1.大数据在Gartner技术曲线中的变化2014虽然对大数据的兴趣依然不减，但它已经离开高峰期，因为该市场已经安定下来，有了一整套合理的方法。2015年度Gartner曲线医疗大数据相关技术机器学习可穿戴自然语言物联网平民数据科学数字安全2015年已经看不到大数据了，这可能意味着大数据已不再是“新兴”技术，而是成为了“主流”技术了。2011-2014年的美国互联网医疗风险投资大数据分析——3.93亿美元医疗消费者参与——3.23亿美元数字化医疗设备——3.12亿美元远程医疗——2.85亿美元个性化医药——2.68亿美元人口健康管理——2.25亿美元投资额同比增长率在2013年短暂放缓为30%之后2014年猛增到125%，2011—2014年的复合年增长率达到了45%，2014年的4个季度还分别创造了互联网医疗投资的单季度最大投资额，其中第2季度的单季度投资额甚至就超过了2012年的总和。HIMSS分析应用与评估模型2015年9月24日，HIMSSC&BICommunity阶段描述阶段7，个性化医学&规范性分析利用健康管理、身体和行为的功能性保健等多种分析来实现大规模的定制诊疗；实现文本的自然语言处理（NLP）和临床现场的规范性分析，改善患者预后；全部生物特征数据、健康数据和基因组数据阶段6，临床干预风险&预测分析数据管理从诊疗过程扩展至全部利益相关者，高级分析需支持推广、教育、人口健康、分流、转介、行政回避及再住院等阶段5，管理金融风险的同时，实行三重目标&建议分析在实际临床活动中具备分析能力，使个体患者医疗质量最优、同时满足人口管理及诊疗成本的要求；对面向结果的付费提供成本风险分析；数据范围扩展为包括床旁设备、家庭监控数据、外部药房数据等。阶段4，临床效果&人口健康企业数据仓库（EDW）标准化/基于临床证据，支持医疗团队的活动，专注于提高患者群体的健康，最大程度的减少浪费及减少可变性阶段3，自动运行、计划和绩效管理报告具备企业数据仓库（EDW），以模型方式管理全部经营、质量相关数据；支持医院全部级别人员绩效分析；数据通过标准的政策和程序进行发布、对外发布数据全部进行审核/批准阶段2，核心数据关联具备集中管理数据的企业库，通过主数据管理（MDM）方法管理就诊患者、临床和财务等数据阶段1，基础建设数据集中管理，建立可搜索的元数据存储库，具备针对源系统的数据质量管理阶段0,分散解决方案具备数据分析能力，但处于分散的状态，内容未管理，同时存在多个版本，分析报告需要大量的人力参与2.医疗领域大数据的应用及趋势随着大数据的退烧，应用趋于理性2.1.助力公共卫生检测2009年，Google比美国疾病控制与预防中心提前1~2周预测到了甲型H1N1流感爆发，此事件震惊了医学界和计算机领域的科学家。谷歌流感趋势的启示：大数据分析中的陷阱2012-2014，该系统一直高估与流感相关的就医量，在这类数据最有用的流感季节高峰期尤其预测不准确。在2012/2013流感季节，它预测的就医量是美国疾控中心（CDC）最终记录结果的两倍；最大差异时段恢复正常水平谷歌流感趋势的启示：大数据分析中的陷阱流感预测中的巨大误差在很大程度上是可以避免的，这为大数据的应用提供了经验教训。大数据的正确性风险依赖于网站的大数据收集常常把一些用不同方法、有不同目的数据整合起来，有时候这会产生负面的影响。从这样的数据样本得出结论是需要冒风险的算法动力学的影响（算法持续改进）算法动力学是指算法的各种变化，这些变化一方面源自工程师为了改进商业服务而修改算法，另一方面源自用户使用服务过程中行为的改变。大数据工作不是一劳永逸的，必须根据情况的变化不断修正2.2.利用社交网络发现药品副作用波士顿大学(BostonUniversity)、FDA、哈佛医学院(HarvardMedicalSchool)及其他机构的研究人员，在7个月的时间里分析了Twitter的690万条发帖，研究“不良事件”。研究发现，有关肠胃问题或者精神影响等特殊类型症状的投诉占比与FDA的数据基本吻合。证明了社交媒体研究不良反应的可行性2.3.临床数据分析——疾病预防不通过昂贵的诊断技术就能诊断早期疾病，借助大数据做到这一点。例如充血性心脏衰竭的治疗费用非常高昂，通过数据分析，Seton的一个团队发现颈静脉曲张是导致充血性心脏衰竭的高危因素。(而颈静脉曲张的诊断几乎没有什么成本)2.4.临床数据分析——疾病预测冠状动脉介入治疗后续费用预测克利夫兰诊所，利用大数据方法对患者费用进行预测，以应对将要进行的冠状动脉介入治疗捆绑付费；该模型可以利用前期数据（例如急诊治疗）预测患者整体费用支出；72%患者可利用急诊诊疗数据进行准确的分类预测（高、中、低）；利用该框架，能够在早期治疗阶段识别出高成本（resource-intensive）患者，从而通过积极的治疗计划，降低整体成本；2.4.临床数据分析患者血栓栓塞事件的预测利用多个不同的电子病历系统中的临床数据，进行了大型回顾性队列研究。本次研究由5名研究者利用11周时间（125工作小时），分析了13年，近100万患者数据研究结论表式：肥胖、高的对象与正常身高比较，较矮者VTE发平率，女性高1.83倍，男性高1.21倍；与白人相比，西班牙裔/拉丁裔患者VTE的风险较低，女性低0.47，男低0.41；非裔美国人具有相当高的风险，女性为1.83倍，男性1.76倍；证明利用电子数据，能够利用较少的资源可以进行大规模的临床试验2.5.大数据对隐私保护带来巨大挑战信息泄露过去三年中，每年的医疗数据漏洞超过200个，被盗的医疗记录数量6倍于信用卡号被盗；信息重标识风险通过不同渠道采集的信息，能够还原一个人接近完整的信息3.心血管领域大数据应用尝试临床质量评价模型辅助临床科研模式患者诊疗干预3.1.构建医疗质量评价模型•提供实时临床质量报告，提供医疗质量客观评价。•对中心、病房、医生从费用、质量、效率等多维度进行综合评价，用数据说话。数据说话，精细管理临床质量评价3.2.利用大数据辅助临床科研实践•通过结构化电子病历，实现由电子病历数据直接形成临床试验数据，提高临床实验数据采集效率200%，大幅提高采集数据准确率实现临床数据的直接转化疾病预测分析用模型对胸痛患者进行诊断预测探讨胸痛诊断中重要影响因素，优化诊断过程、减少误诊提供第二诊断意见，为基层医疗机构提供诊断指导胸痛待诊断？支持ACS心绞痛心肌梗死不支持ACS主动脉夹层张力性气胸肺栓塞其它将清洗好的急诊数据用线性判别、最近邻法、决策树、支持向量机、贝叶斯、人工神经网络、随机森林等方法不断尝试。目前最优模型：随机森林（准确率83.1%）急诊非创伤性胸痛诊断分类预测分析大数据辅助科研评价大数据应用效果——科学评价建立了适合我国患者的SinoSCORE风险评估模型EuroSCORE高估了我国CABG的手术风险，AUC仅为0.72利用心外科注册登记数据，建立了一个更加适合中国患者的围术期风险评估模型——SinoSCORE，AUC=0.794多个单中心或多中心队列验证了SinoSCORE的适用性为更多患者进行了手术治疗3.3.患者诊疗干预出院3个月6个月1年在两个层次进行干预在临床医师绩效和坚持二级预防药物开写环节，体现了“电子健康方案”的有效性；提供了CABG患者术后管理的优化策略；诊疗改善计划3.3.患者诊疗干预针对主治医师的质量改善使用微信出院检查清单：•用药，患者教育定期反馈：•绩效考核患者诊疗干预针对患者的质量改善4.1.心血管专科，电子病历数据调研序号EMR厂商结构化专科病历专科结构化LISPACS手麻输血医嘱1√自研√√√√√√√√2√厂商A√××√√√√√3√厂商B√√×√√×√√4√厂商B√√×√√××√5√厂商C√××√√√√√6√厂商D-√×√√√√√7√×××√√√√√8√厂商E√××√√×√√9√厂商F√√×√√×√√10√厂商G√√×√√√√√11√自研√√√√√√√√12√厂商C√××√√√×√13√自研√√×√√√√√14√厂商B--×√---√15√厂商F√××√√×√√16√自研√√×√√×√√17√厂商H√√×√√×√√18√厂商H√√×√√×√√19√厂商I×××√√√√√20√厂商F√√×√√×√√21√厂商J√××√√√×√22√厂商E√√×√√√√√23√厂商E√××√√××√24√厂商K，1√√×√√×√√25√√××√√√√√调研涉及25家医院的“心血管外科”临床信息系统使用情况，全部医院为“三级甲等”我国心血管专科数据情况系统应用深度不足、数据集成不充分数据质量不佳（范围窄，数据少），可用于分析的不多决策支持系统的知识缺乏缺少数据安全和隐私保护的法律法规4.2.美国大数据广泛应用的主要障碍9%17%17%23%34%35%37%0%5%10%15%20%25%30%35%40%经费超出预期不知从何开始数据所有权不清内部缺乏技术储备不知如何利用数据数据分享的文化获取数据的能力5新的尝试以CHITA为平台，积极开展研究工作国家卫生计生委规划与信息司，卫生计生事业发展“十三五”规划前期研究重大课题——我国心血管病专科大数据应用架构的预研；国家食品安全风险评估中心，心血管病人饮食健康流行病学病历对照研究与人才培养。国内外心血管领域大数据应用模式及典型应用了解我国心血管专科信息化建设情况和数据基础完善心血管专科大数据应用数据基础形成心血管病专科大数据的应用架构尝试打通临床数据与食品数据的共享障碍，建立跨领域大数据应用模式国内外大数据应用调研国内各领域专家访谈国内专科数据情况调研专科大数据应用模式专科大数据应用情况专科数据基础跨领域应用模式专科大数据应用架构感谢您的聆听