对医疗大数据的认识

重庆大学研究生文献综述

对医疗大数据的认识

姓 名：

学 号：

指导教师：

专 业：

重庆大学光电工程学院

二O一六年十一月

1 医疗大数据产生的背景

在任何一个初具规模的医院，每天接待上万的患者前来就诊，患者的基本信息、影像信息

与其他特殊诊疗信息汇集在一起是一个庞大的数据。据统计，上海市区域医疗信息平台（上海

市“医联工程”及县区卫生数据中心）已经积累了覆盖3900万人群、1400TB数据量的电子

诊疗与健康档案等医疗卫生数据（涵盖了全市38家三级医院3900万就诊人群的医疗信息，

包括患者基本信息、就诊信息、健康档案、检验及影像检查报告、医学影像图像文件、住院相

关病历、医保结算等医疗卫生数据，涉及就诊记录2.1亿条，处方记录9.1亿条）。

日积月累，这个数据量将会持续快速增长，为医院的数据存储、集成、调用等应用带来巨

大压力。除了数据规模巨大之外，医疗行业的数据类型和结构极其复杂，如PACS影像、B超、

病例分析等业务产生的非结构化数据，这些数据存储复杂，并且对传统的处理方法和技术带来

巨大挑战

【1】

。医疗大数据得到人们的关注，并渴望有一种新的技术可以从这些看似杂乱无章的

数据中得到价值。目前，为了提高人们的健康水平以及医疗水平，医疗行业在大数据环境下的

各个领域异常活跃

[2]

。

2 医疗大数据的相关概念

2.1 医疗大数据的定义

医疗数据是医生对患者诊疗和治疗过程中产生的数据，包括患者基本数据、入出转数据、

电子病历、诊疗数据、医学影像数据、医学管理、经济数据等，以患者为中心，成为医疗信息

的主要来源。

随着医疗卫生信息化建设进程的不断加快，医疗数据的类型和规模正以前所未有的速度快

1

速的增长，以至于无法利用目前主流软件工具，在合理的时间内达到撷取、管理并整合成为能

够帮助医院进行更积极目的经营决策的有用信息。规模巨大的临床实验数据、疾病诊断数据以

及居民行为健康数据等汇聚在一起形成了医疗大数据。

2.2 医疗大数据的主要来源

2.2.1 制药企业、生命科学

药物研发所产生的数据是相当密集的，对于中小型的企业也在百亿字节（TB）以上的。在

生命科学领域，随着计算能力和基因测序能力逐步增加，美国哈弗医学院个人基因组项目负责

人詹姆·鲍比就认为，到2015年，将会有5000万人拥有个人基因图谱，而一个基因组序列文

件大小约为750MB

[3]

。

2.2.2 临床医疗、实验室数据

临床和实验室数据整合在一起，使得医疗机构面临的数据增长非常快，一张普通CT图像

含有大约150MB的数据，一个标准的病理图则接近5GB。如果将这些数据量乘以人口数量和

平均寿命，仅一个社区医院积累的数据量就可达数万亿字节甚至数千万亿字节（PB）之多。

2.2.3 费用、医疗保险、利用率

患者在就医过程中产生的费用信息、报销信息、新农合基金使用情况等。

2.2.4 健康管理、社交网络

2

随着移动设备和移动互联网的飞速发展，便携化的生理设备正在普及，如果个人健康信息

都能连入互联网，那么由此产生的数据量将不可估量。

2.3 医疗数据的基本类型

2.3.1 医院信息系统（HIS）数据

HIS是医院的核心系统，是对医院及其所属各部门的人流、物流、财流进行综合管理的系

统，围绕着医疗活动的各个阶段产生相关数据，包括各门诊数据及病房数据两大主流数据流。

2.3.2 检验信息系统（LIS）数据

LIS是HIS的一个重要组成部分，其主要功能是将实验仪器传出的检验数据经分析后，生

成检验报告，通过网络存储在数据库中，使医生能够方便、及时的看到患者的检验结果。

2.3.3 医学影像存档和传输系统（PACS）数据

PACS数据主要是将数字化医院影像科室日常核磁、CT、超声、各种X线机、各种红外仪

等设备产生的图像存储起来。

2.3.4 电子病历（EMR）数据

EMR不同于以医疗机构为中心的门诊或者住院病历，是真正以患者为中心的诊断和其他检

验数据的“数据池”，它将患者诊断过程中生成的影像和信号，如X线检查、CT扫描等纳入电

子病历中，并以统一的形式组织起来。

3

2.4 医疗大数据的特性

2.4.1 数据规模大（volume）

例如一个CT图像含有大约150MB的数据，而一个基因组序列文件大小约为750MB，一

个标准的病理图则大得多，接近5GB。

2.4.2 数据结构多样（variety）

相对于其他行业，医学中的数据类型更加多种多样，如电子病案中关于人口学特征的数据

为纯文本型；检验科中有关患者生理、生化指标为数字型；影像科中如B超、CT、MR、X线

片等为图像资料。

医疗数据通常会包含各种结构化表、非（半）结构化文本文档（XML和叙述文本）、医疗

影像等多种多样的数据存储形式。

2.4.3 数据增长快速（velocity）

一方面，医疗信息服务中包含大量在线或实时数据分析处理，例如，临床决策支持中的诊

断和用药建议、流行病分析报表生成、健康指标预警等；另一方面，得益于信息技术的发展，

越来越多的医疗信息被数字化，因此在很长一段时间里，医疗卫生领域数据的增长速度将依然

会很快。

2.4.4 数据价值巨大（value）

4

毋庸置疑，数据是石油，是资产，是资源，医疗大数据不仅与每个人的个人生活息息相关，

对这些数据的有效利用更关系到国家乃至全球的疾病防控、新药品研发和顽疾攻克的能力。

2.4.5 多态性

医疗大数据包括纯数据（如体检、化验结果）、信号（如脑电信号、心电信号等）、图像（如

B超、X线等）、文字（如主诉、现/往病史、过敏史、检测报告等），以及用以科普、咨询的动

画、语音盒视频信息等多种形态的数据，是区别于其他领域数据的最显著特征。

2.4.6 不完整性

医疗数据的搜集和处理过程经常相互脱节，这使得医疗数据库不可能对任何疾病信息都能

全面反映。大量数据来源于人工记录，导致数据记录的偏差和残缺，许多数据的表达、记录本

身也具有不确定性，病例和病案尤为突出，这些都造成了医疗大数据的不完整性

2.4.7 时间性

患者的就诊、疾病的发生过程在时间上有一个进度，医学检测的波形、图像都是时间函数，

这些都具有一定的时序性。

2.4.8 冗余性

医学数据量大，每天都会产生大量信息，其中可能会包含重复、无关紧要甚至是互相矛盾

的记录。

5

3 医疗大数据的主要应用

根据全球管理咨询公司麦肯锡的一份最新报告显示，医疗保健领域如果能够充分有效地利

用大数据资源，医疗机构和消费者便可节省高达4500亿美元的费用

[4]

。

3.1 服务居民

居民健康指导服务系统，提供精准医疗、个性化健康保健指导，使居民能在医院、社区及

线上的服务保持持续性。例如，提供心血管、癌症、高血压、糖尿病等慢病干预、管理、健康

预警及健康宣教（保健方案订阅、推送）。

医疗机构物联网的建设，包括移动医疗、临床监控、远程患者监控等（例如，充血性心脏

的标志之一是由于保水而增加体重，通过远程监控体重发现相关疾病，提醒医生及时采取治疗

措施，防止急性状况发生），减少患者住院时间，减少急诊量，提高家庭护理比例和门诊医生

预约量。

3.2 服务医生

临床决策支持，如用药分析、药品不良反应、疾病并发症、治疗疗效相关性分析、抗生素

应用分析；或是制定个性化治疗方案。

3.3 服务科研

包括疾病诊断与预测、提高临床试验设计的统计工具和算法、临床实验数据的分析与处理

等方面，如针对重大疾病识别疾病易感染基因、极端表型人群；提供最佳治疗路径。

6

3.4 服务管理机构

规范性用药评价、管理绩效分析；流行病、急病等预防干预及措施评价；公众健康监测，

付款（或定价）、临床路径的优化等。

3.5 公众健康服务

包括危及健康因素的监控与预警、网络平台、社区服务等方面。

4 国内外医疗大数据技术应用现状

4.1 国外医疗大数据技术应用现状

美国远程医疗（telemedicine)公司研制成功了一款功能强大的医疗设备“智能心脏”

（smartheart），把手机变成了一款功能齐全的医疗工具，用来监测用户可能存在的心脏病问

题。智能心脏与智能手机相连，在安装运行了相应的程序后，手机拥有“医疗级”的心脏监测

功能，并能够在30s内在手机屏幕上显示用户的心电图。医生可随时对患者的心脏进行监测和

分析，提前做好预防措施。智能心脏解决了心脏病预防方面最关键的问题—时间。这在心脏病

预防领域是一项重大的突破性技术。目前，“智能心脏”设备已经开始在网上销售。

意大利电信近期推出了Nuvola It Home Docto 系统，可让在都灵Molinette 医院的慢

性病患者通过手机在家中监测自己的生理参数，相关数据将自动的通过手机发送到医疗平台，

也可以通过ADSL、WiFi 和卫星网络得到应用。医生通过网页接入这个平台，及时获取数据并

调整治疗方案。

7

4.2 国内医疗大数据技术应用现状

ＩＢＭ在上海的部分医院推出了ＢＹＯＤ系统，即员工自费终端，用来提高医生和护士在

医院的移动性。通过和开发商合作，推出移动护理应用，将医生和护士的各种移动终端连在同

一网络下，便于医生和护士了解患者在医院的位置和健康状况，也提高了医生和护士的移动性。

在上海，医联工程横向覆盖全市三级医院，纵向连通各区属医疗机构，已覆盖3900万患

者，建成国内最大的患者诊疗档案库，拥有8.2亿条医嘱、1.8亿个病案、8100万份检验检查

报告和107太字节医学影像数据；医联工程在服务医改、支撑资源整合、分布式影像网络会诊、

三级医院诊疗信息社区调阅等方面，大幅度提升了区域卫生服务水平。

医联工程建成以来，对于患者，就医更方便，“一院办卡，跨院就医”“就医一站式付费”，

共发放1300余万张医联卡，每月提供70万专家预约号源，人均节约就诊时间60min、排队

时间45min；对于医生，服务看诊、提高医疗质量，支持每日5000人次实时诊疗档案调阅、

1.25万人次重复医疗智能提醒，节约大量医疗费用；对于管理者，实现精细化管理，建成集医

疗管理、绩效考核和统计分析为一体的整合平台，为医院管理提供决策支持。

5 医疗大数据安全

5.1 人的安全

医疗大数据安全中“人”的安全，涉及的是数据隐私保护问题。在医疗过程中，患者的个

人隐私主要有：在体检、诊断、治疗、疾病控制、医学研究过程中涉及的个人肌体特征、健康

状况、人际接触、遗传基因、病史病历等

[5]

。这些内容还能被分为显性与隐性，显性一般是医

嘱、诊断书、X线片、检查结果、报告单、病历、病案、住院患者床头卡等数据；隐性则是指

8

蕴藏在这些数据历的信息，如患者血液组织所蕴含着的基因信息，患者罹患疾病所反应出的生

活方式或者折射出的家族遗传历史等。

5.2 数据安全

一是易成为网络攻击的显著目标，在网络空间中，医疗大数据的关注高，其中含有的敏感

数据会吸引潜在的攻击者；二是对现有存储或者安全防范措施提出挑战，特别是数据大集中后

复杂多样的数据存放在一起，常规的安全扫描手段无法满足安全要求。这些问题将表现在数据

资源共享、数据资产界定和盘活，以及数据真实性判断等各个方面。

6 医疗大数据的未来展望

6.1 社会化医学

曾任美国克利夫兰医学中心（Cleveland Clinic）心血管科主任的美国心脏病学家埃里克·托

普（Eric Topol），新近出版了一本名为《颠覆医疗》

[6]

的书，在此书中他认为：互联网的沉浸

式和参与式文化培育了消费者，“每10个美国人中就有超过8位在网络上查询与健康相关的问

题”，甚至有的“患者会自带着一系列摘自网络的医学问题”去访问医生，对自身病情、疾病

和药物的知悉程度较过去高出很多，与此同时，医生的权威性大幅度降低。由此可见，这就是

未来的趋势—社会化医学。

6.2 个性化医学

个性化医疗，是指以个人基因组数据位基础，结合蛋白质组和代谢组等相关内环境数据，

考察遗传变异、对特定疾病的易感性和对特殊药物的反应的关系，为患者量身设计出最佳治疗

9

方案，以期达到治疗效果最大化和副作用最小化的定制医疗模式。实施个性化医疗，首先针对

特定疾病亚群进行分类，然后根据这些亚群的特异性发病机制进行药物开发，最终对这些亚群

患者进行针对性治疗。这些涉及医学、生物、环境、社会和心理等诸多因素，传统的数据分析

技术会遭遇瓶颈，很难以开展针对性研究，故而引发了大数据技术的介入。在现有研究中，通

过对医疗大数据的分析和利用，可以完善个性化医疗。较著名的是德国默克公司正与

Regenstrief研究院一起实施的个性化医疗项目。考察遗传变异、对特定疾病的易感染性和对

特殊药物的反应三者之间的关系，然后在药物研发和用药过程中考虑个人的遗传变异因素。针

对不同的患者采取不同的治疗方案，或者根据患者的实际情况调整药物剂量，可以减少副作用。

7 总结

根据国际数据公司（International Data Corporation， IDC）的预测，中国的大数据市

场在2012~2016年将增长5倍，其中最多份额将集中在政府、银行、医疗卫生、电信等四大

行业

【7】

。医疗行业的数据已进入大数据时代，使用大数据库作为工具，将会辅助产生更有效、

更加经济的医疗政策，更好的产品和服务

[8]

医疗大数据为我国带来了机遇的同时也带来了挑战，

虽然只是刚刚起步，但是前景还是值得期待的。

10

参考文献

[1]（于广军 杨佳泓主编 医疗大数据 上海科学技术出版社P14）

[2]（Kayyali B，Knott D， Van Kuilen S. The big-data revolution in US health care:

Accelerating value and innovation[J]. Mc Kinsey & Company，2013)

[3]（David Marco，John Wiley. Building and managing the meta data repository: a

full lifecycle guide[M]. New York: John Wiley & Sons Inc,2000）

[4]（Kayyali B，Knott D， Van Kuilen S. The big-data revolution in US health care:

Accelerating value and innovation[J]. Mc Kinsey & Company，2013）

[5]（汤啸天.个人健康医疗信息和隐私权保护[J].同济大学学报：社会科学版，2006,17（3）：

117-123）

[6]（/h/2562/）

[7]（Inmon W. Building the data warehouse[M]. 3rd ed. New York: John Wiley &

Sons Inc，2002）

[8]（郭晓科主编 《大数据》 清华大学出版社 p22）

11