2.1 医疗大数据的采集

通常和医疗行为相关的数据才被称为医疗大数据，但是现在这一概念已经扩展到健康人群的健康数据，以及和医疗健康相关的行为、物资数据。所以，医疗大数据按类型可以分为两种，个人医疗健康数据和物资数据，如图2-1所示。

2.1.1 医疗大数据的来源

医疗大数据主要来源于以下几个方面。

第一，患者就医过程中产生的信息。从患者进入医院开始，挂号环节便将个人姓名、年龄、住址、电话等信息输入完全了；随后在医生就医环节，患者的身体状况、医疗影像等信息也将被录入数据库；看病结束以后，患者缴费结算的过程中，又将费用信息、报销信息、医保使用情况等信息添加到医院的大数据库里面。这将形成医疗大数据最基础，却也是最庞大的原始资源。

第二，临床医疗研究和实验室数据。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，一张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，仅一个社区医院累积的数据量就可达数万亿字节甚至数千万亿字节（PB）之多。

第三，医疗大数据是因健康活动而产生的数据，从出生、免疫、体检、门诊、住院和其他活动中产生。从数据来源上看，可以将数据划分为三类，分别为全员人口数据库、电子健康档案数据库和电子病历数据库。

全员人口数据库：主要包含人口信息，数据来源于各大部门（卫计委、公安、民政、统计、人力社保、教育等）交互共享。

电子健康档案数据库：主要包含定期或不定期的健康体检记录、卫生服务过程中的各种服务记录、专题健康或疾病调查记录。数据来源于体检机构、医院和基层卫生机构。

电子病历数据库：主要包含医院诊断治疗全过程原始记录，数据来源于医院，其商业化价值最高。

除了以上的三个传统来源之外，医疗大数据还包含通过“物联网”所收集的数据—医疗器械收集的健康数据、APP、远程监控、传感器提供的连续临床数据。云端的临床数据让医生可以方便地获得远在100公里外的患者的信息，也可以和其他医生进行远程互助。

医院是医疗大数据的主要来源，而医院的基础数据可以分为以下三个类别：

（1）临床基础数据。包括疾病、临床路径、用药等。

（2）医院的资源数据。包括销售成本、治疗费用等人、财、物的资源数据。

（3）患者院内、院外数据。包括用户的行为数据、饮食数据、运动数据等相对零散的数据。

医疗大数据按场景分为院内数据和院外数据，如图2-2所示。

院内数据是在医院所产生的数据。医院的信息化程度日趋成熟，医院信息系统（HIS）、电子病历系统（EMR）、影像采集与传输系统（PACS）、实验室检查信息系统（LIS）、病理系统（PS）、医疗器械等信息化系统和设备所记录下来的疾病、体征数据都属院内数据。还包括医院物资管理、医院运营系统所产生的数据。

院外数据主要是人们在日常生活中所产生的数据。比如，通过体检机构、智能穿戴设备获取的人体体征数据。还包括医药流通数据、移动问诊等行为数据。物联网和互联网的发展，也让和医、药相关的行为数据量大大提升。

基因数据的产生环境可能在院内，也可能在院外，根据其产生的目的，用于疾病的诊断、预测，或者判定健康人群的个体特征。

国内医疗系统相对较为封闭，公立医院的医疗数据单独存储在院内，数据存储单元之间互不流通、不开放。大量优质的患者健康数据封闭在医院的围墙之内，难以有效利用。这固然有对患者健康信息安全性进行考虑的因素，但大量数据躺在医院，也造成了数据的浪费。

针对医院的资源数据，通过HRP系统^[2]进行管理。而针对患者行为数据，则可以通过各种移动终端或采集设备，进行数据的收集。比如，医生要关注某一疾病消耗了多少社会资源，国家应该在保险支付体系为它报销多少比例，这就涉及HRP系统的数据。

利用互通互联的信息系统获取病种相关的临床与财务数据，根据临床路径对病种进行精准的成本测算，再将医院病种成本与医保支付标准进行比对，就能得出疾病的报销比例。如果医生关注的是临床的诊疗行为，想要提高糖尿病的治疗效果和临床疗效，那么更应该关注疾病的诊断、治疗、药物以及诊后随访的数据。这就需要EMR等系统的支撑，利用病种成本分析，优化医院科室服务，为医院科室发展提供量化建议，为医院病种绩效管理提供参考指标。

总之，针对不同的应用场景，医疗信息化（Healthcare Information Technology，HIT）企业收集的数据内容与医疗研究者的研究内容都是不同的。数据的价值大小，既取决于它的使用者，又取决于具体的应用场景。当数据积累到一定规模后，大数据产品可以被商业化，应用到医疗健康服务产业，最终提升医疗行业效率和医疗服务的精准度。

2.1.2 医疗大数据采集来源

1.电子病历数据

这是患者就医过程中产生的数据，包括患者基本信息、疾病主诉、检验数据、影像数据、诊断数据、治疗数据等，这类数据一般产生及存储在医疗机构的电子病历中，这也是医疗数据最主要的产生地。电子化的医疗病历方便了病历的存储和传输，但是并未达到进行数据分析的要求。大约80%的医疗数据是自由文本构成的非结构化数据，其中不仅包括大段的文字描述，也包括包含非统一文字的表格字段。通过医学自然语言理解技术，将非结构化医疗数据转化为适合计算机分析的结构化形式，是医疗大数据分析的基础。

电子病历中所采集的数据是数据量最多、最有价值的医疗数据。通过和临床信息系统的整合，内容涵盖了医院内的方方面面的临床数据集。在电子病历的互通互联上，出于各自的利益（限制患者转诊），各大电子病历企业也不愿意使数据互通互联。根据美国政府相关报告显示，其电子病历共享比例也仅为30%左右。

案例

联众电子病历系统

联众电子病历系统集成各种临床医疗系统的数据，以最终建立完整、共享的临床数据中心（CDR）为软件的核心思想。系统以患者为中心，全面整合HIS、LIS、PACS、RIS、病理、超声、内镜、病案、输血、手麻、院感、医保、体检、合理用药等系统，实现医院业务数据的共享，消除医院内部信息孤岛。联众电子病历涵盖患者在诊疗过程中的图片、文字、表格、语言等多媒体信息的实时采集、传输、存储、处理、整合和利用。

2.检验数据

医院检验机构产生了大量患者的诊断、检测数据，也大量存在第三方医学检验中心产生的数据。检验数据是医疗临床子系统中的一个细分小类，但是可以通过检验数据直接了解患者的疾病发展和变化。目前临床检验设备得到迅速发展，通过LIS系统对检验数据进行收集，可以对疾病的早发现、早诊断，以及正确诊断做出贡献。

案例

东软LIS系统

东软LIS系统由检验工作站系统、报告查询系统、采血系统、质量控制系统、微生物系统、试剂管理系统组成。以“服务临床”为核心，实现了基于TAT检验样本全流程管理，具备了智能化的临床支持和精细化的检验科室管理能力。东软LIS系统拥有电子病历、LIS、EMR等齐全的医疗信息化系统，并在其基础上组建了东软医疗大数据科研分析平台。借助这个平台，整合全院来自不同医疗业务系统的各类临床数据，借助大数据平台的海量数据并发处理能力，为科研医生提供一个集数据获取、探索、处理、分析、挖掘于一体的自助式分析平台，支持PB级医疗数据的存储管理、查询分析，特别适合大型三甲医院的科研用户使用。

3.影像数据

随着数据库技术和计算机通信技术的发展，数字化影像传输和电子胶片应运而生。医疗影像数据是通过影像成像设备和影像信息化系统产生的，医院影像科和第三方独立影像中心存储了大量的数字化影像数据。医学影像大数据是由DR、CT、MR等医学影像设备所产生，并存储在PACS系统内的大规模、高增速、多结构、高价值和真实准确的影像数据集合。与检验信息系统（LIS）大数据和电子病历（EMR）等同属于医疗大数据的核心范畴。

医学影像数据量非常庞大，增速快，标准化程度高。影像数据和临床其他数据比较起来，它的标准化、格式化、统一性是最好的，价值开发也最早。案例

锐珂医疗

锐珂医疗的前身是美国柯达医疗集团。锐珂医疗推出了全新的云网信息化解决方案Carestream Vue Solution，涵盖了全面的专业影像处理和流程管理应用，为医院的所有医技临床科室提供“一站式”的全Web工作平台。锐珂医疗从2011年开始，就从传统PACS逐渐转型到影像云。迄今为止，锐珂在全球已经建设了14个影像云数据中心，管理的数据高达3亿人次，而且数据量每天都在飞速增加。

4.费用数据

包括医院门诊费用、住院费用、单病种费用、医保费用、检查和化验收入、卫生材料收入、诊疗费用、管理费用率、资产负债率等和经济相关的数据。除了医疗服务的收入费用之外，还包含医院所提供医疗服务的成本数据，包含药品、器械、卫生人员工资等成本数据。在DRGs按疾病诊断相关组付费模式中，需要详细的成本数据核算。通过大样本量的测算，建立病种标准成本，加强病种成本核算和精细化成本管理。

案例

东软望海

东软望海作为1 600余家医院HRP与成本核算软件和服务的提供商，获得了CN-DRG官方授权，通过DRG智能管理平台帮助中国医疗在支付方式上进行改革。东软望海DRG平台可以灵活支持全国各地不同编码类型的病案数据进行分组，为医疗机构、支付方和卫生部门提供成本监管、绩效评估、审核等功能。DRGs医院绩效评价通过目标管理、绩效方案、绩效考核和绩效分析等模块，可灵活设置绩效方案及其评价指标，促使医院提高医疗工作效率和整体医疗技术水平；DRGs医院控费则依托大数据，建立病组医疗费用和成本的动态分析模型，提供区域、机构及病组有效控费指标及参考值；而DRGs财政补偿可以精准测算医院补偿金额和政策性亏损，有效防止重复补偿，提高补偿资金使用效率和投放准确性；DRGs智能审核与支付可以实现从患者入院到出院的全程信息跟踪，可帮助社保和商保提升其基金使用的有效性，同时，其对基金使用情况进行实时监控，可针对异常病历进行深入挖掘分析和反馈。

5.基因测序数据

基因检测技术通过基因组信息以及相关数据系统，预测个人罹患多种疾病的可能性。基因测序会产生大量的个人遗传基因数据，一次全面的基因测序，产生的个人数据达到300GB。一家基因测序企业每月产生的数据量可以达到数百TB甚至1PB。

测序技术的发展让基因数据以远超摩尔定律的速度在积累，海量的数据亟待深度解读和挖掘。基因大数据的价值非常巨大，但是现在的数据利用和解读还处在初级阶段。

案例

华大基因

资料显示，华大基因目前拥有超过200台测序仪，是世界上最大的基因测序机构。其中新生胎儿NIPT基因测序每天大约产生10 000个样本，需要与数万个正常胎儿几十TB的基因组数据进行差异统计分析，数据计算量巨大。每月产生的基因数据高达300TB～1PB，目前累计基因库数据22PB。

6.医药研发数据

制药公司在新药研发及临床过程中产生的数据。制药公司主要对临床试验数据进行系统分析，收集和解读非结构化数据，从而优化生产流程，最大限度地利用研发潜力。

案例

拜耳

拜耳公司依靠大数据分析，在2017年年底推出了既重点突出又多样化的开发战略，将50多个项目几乎同期投入临床开发，最大限度地利用了研发潜力。拜耳公司的研发重点项目在肿瘤学、心血管疾病和妇科学领域，同时在营销方面也利用大数据进行推广的辅助决策。

7.药品流通数据

指药品和疫苗的运输、流通、存储、销售、接种数据。药品运输、销售数据虽然和疾病的诊治无关，但是医药流通企业可以通过物流数据、库存数据、销售数据进行挖掘，获取药品流向、用户健康等关键信息，实现系统智能化引导，满足顾客准确选药、合理用药、健康保健的多元化服务需求。

案例

国药集团

国药集团通过大数据平台，搭建医药流通全过程的电子化追溯平台，探索实现医药产品从生产完成到销售终端机构（医院、药房、诊所等合法经营机构）之间的全程追踪、追溯与召回，有效地提高医药流通的监管水平。同时，探索基于药品流通领域追溯大数据的应用，为药品紧急调拨配送、药品流动趋势、医药储备可视化等提供数据支撑。

8.智能穿戴数据

各种智能可穿戴设备的出现，使得对血压、心率、体重、体脂、血糖、心电图等健康体征数据的监测都变成可能，患者的单一体征健康数据以及运动数据被快速上传到云端，而且数据的采集频率和分析速度大大提升。除了生命体征之外，还有其他智能设备收集的健康行为数据，比如每天的卡路里摄入量、喝水量、步行数、运动时间、睡眠时间等。

智能穿戴设备虽然在这两年遇冷，用户很难形成黏性，但是并不意味着智能穿戴设备所产生的数据没有意义。提供健康数据和服务，可能是智能穿戴厂商未来的转型之路。健康大数据的收集必须依靠硬件载体，智能穿戴设备还将会迎来自己的第二春。

9.移动问诊数据

指通过移动设备端或者PC端连接到互联网医疗机构，产生的问诊数据和行为数据。动脉网蛋壳研究院就曾经通过互联网问诊企业春雨医生的数据，分析各地医生互联网问诊的活跃度、细分疾病种的问诊行为。对这些数据的分析，对行业发展、互联网问诊企业的决策有着非常重要的帮助。

10.体检数据

体检数据是体检机构所产生的健康人群的身高、体重、检验和影像等数据。这部分数据来自医院或者第三方体检机构，大部分是健康人群的体征数据。随着亚健康人群、慢病患者的增加，越来越多的体检者除了想从体检报告中了解自己的健康状况，还想从体检结果中获得精准的健康风险评估，以及了解如何进行健康、慢病管理。

案例

美年大健康

美年大健康是中国知名的专业健康体检和医疗服务集团，全国布局400余家体检中心，2017年完成2 160万人次健康体检服务，2018年体检人次突破3 000万大关。美年大健康是中国最大的个人体检数据平台，通过建立美年大健康研究院，开展基于健康大数据的科研创新和公共卫生服务，加强在人工智能、基因检测、肿瘤早筛、智能诊断、健康服务、健康保险等核心赛道的控制力。

2018年6月，美年大健康和北大医学部共同发起成立“北京大学医学部美年公众健康研究院”，意在打造国际顶尖的公众健康与大数据研究和实践平台，通过这个数据研究平台，承担国家健康领域科研项目、开展健康大数据挖掘分析等工作。