发帖
雷达卡
近年来，我国65岁人口占比不断攀升，人口老龄化问题日益凸显，随着人们生活水平的提高，对健康的重视程度也在逐步增加，加上近年来的新医改政策提供的医疗补贴使得人们看病支付能力提升。这些现象不断推动着我国医疗需求的增长，使得医疗服务行业得以蓬勃发展，但同时也带来了很多亟待解决的问题。
随着电子信息化以及互联网在医疗服务工作中的普及应用，我们看到近几年医疗行业大数据呈现出了爆发式增长态势，这种现象使得大数据分析技术在医疗服务行业得以应用。
二、大数据分析在医疗服务行业的应用：1. 可穿戴设备应用于患慢性病老年人群体。伴随老龄化而来的，是诸如心脏病、糖尿病等慢性疾病发病率的上升，而现如今很多家庭的老人处于独居状态，此外医院以及养老院床位数量难以满足膨胀增长的老年人医护需求，许多患有此类慢性病老年患者难以得到及时的治疗和看护。可穿戴设备的使用是可以解决这一问题的有效方法之一，这类设备通过传感、识别等技术对个体生理指标进行检查，监测，并且与指定医院之间有互联网连接。通过设备发出的信号，患者日常的吃药、打针、休息，一旦设备发出预警，医院方面可向最近的社区医院发出指令，将医护人员及时派到患者家中进行治疗、看护。这种技术的应用一方面可减少长期住院患者人数，有效地缓解医院床位紧张问题，另一方面可以使医院即使获得更多、更好的数据，这些数据对于治疗此类慢性病研究工作也是有很大帮助的。
2. DNA分析技术应用于肿瘤诊疗。同样是老龄化带来的问题，肿瘤发病率近年来也在不断上升。传统的肿瘤诊疗一般是将肿瘤从体内切除，然而很多老年患者身体素质难以承受手术所带来的损伤，保守治疗、对症下药为更佳选择。随着DNA解码成本不断降低，对人体全部DNA进行分析进行可能，找出个体DNA序列异常点，便可对症治疗。现阶段解码人体全部DNA仍然需要高昂的费用，医院可将此项目设为高端医疗服务，对有能力支付费用的家庭提供此项治疗方案。
3. 大数据分析技术应用于临床事故监测。医院病患人数大幅增加，而医护人员数量却不会立即大幅增长。医护人员精力有限，医院中大量增加的病患人数使得临床事故发生率也会随之发生。临床事故引发的医患纠纷极大得降低了医院的医疗效率。根据以往发生过的临床事故数据，找到最易引发临床事故的情况进行重点分析，在此基础上构建一个临床监测系统，可在事故发生前发出预警，这样在一定程度上能够减少医患纠纷。
4. 建立医疗信息平台帮助合理分配医疗资源。在医院中常常会出现这样一种现象，有些科室门诊挂号人数很多，另外一些门诊科室挂号人数则偏少。这样医院中病患人数过多的科室会导致病人无法得到及时的治疗，而病患人数较少科室的医疗资源却不能得到充分利用。应用用大数据分析技术构建一个医疗信息平台能够合理的分配医疗资源，患者可在信息平台中根据自己需要选择关键词，系统根据关键词为患者推荐相应的若干家医院，患者可在系统推荐的医院中选择一家排队等待人数较少的医院看病，这样的平台能够在一定上缓解医疗资源使用不均的问题。
5. 大数据在民营医院的使用。由于公立医院的资金投入主要依靠国家补贴，其医疗资源供给的增长难以满足庞大的医疗需求，民营医院便迅速发展起来。与公立医院不同，大部分的民营医院以盈利为主要目的。民营医院采用大数据分析找到最易创收且较容易进入的专科，成立专科医院，并加大在该专科项目上的投资力度，引入高端医疗人才和先进技术，患者会逐渐摒除不信任民营医院的传统观念，患者进入民营医院的人数增多，民营医院收入会大幅增加，同时也分担了公立医院的病患压力。
三、案例：谷歌利用大数据预测流感近些年，一些大规模的传播疾病一直没有间断，从非典到H7N9，病毒性流感一波又一波袭扰人类，流感病毒不断变异并传播开来，令药物和疫苗要么准备不及，要么无法预防。但是如果能提早发现流感的发病趋势，不仅能为抗病毒药物的准备争取宝贵的时间，而且还有助于疫苗研发机构能尽早采取措施。
作为全球最大的搜索引擎，每时每刻都有上百万用户在使用谷歌提供的搜索服务，其中搜索健康信息的人亦不在少数。这些用户行为提供了海量的有宝贵价值的分析数据。
可以想见，流感流行季，搜索流感症状的人会飙升，而在流感高发地带，这一比例会相应提高。这意味着流感相关关键词的搜索趋势与流感的流行趋势及严重程度存在某种程度的相关性。尽管并不是每个搜索这类关键词的人都有流感症状或患有流感，但把这些搜索结果汇总到一起时，或许可以从中建立起一个准确可靠的模型，实时监控时下的流感疫情，并对未来疫情状况进行估测。
谷歌的工程师们想到了从大数据的筛选过渡到流感的防治问题上。但是他们首先面临的任务是选择流感相关的关键词。工程师将关键词的选择权交给机器。他们挑出谷歌搜索量最
大的5000 万个关键词，分别代入到事先建好的一个模型中，而后将这一模型产生的曲线与美国疾病预防与控制中心（以下简称美国 CDC）的流感流行曲线进行拟合，进而筛选到拟合度最高 100 个关键词。再从这 100 个预测性最好的关键词中，优选出与流感有关的部分，并将其综合起来完成预测模型的建立。最终有 45 个关键词筛出。
实践是检验真理的唯一标准，预测模型好坏的最佳评价标准一定是在实战中观察其能否通过考验。在回溯验证中，谷歌工程师将美国纽约市 2003 年至 2007 年的季节性流感数据与模型计算出的数据进行了比较，发现相关系数达 0.90。对于这一模型，更有用的是“未来”验证的结果。在回溯结果的鼓励之下，谷歌工程师从 2008 年初开始，将模型导出的结果与两周后美国 CDC 公布的数据进行对照。结果依然令人振奋，相关性同样达到了 0.90。 最终，工程师们还将这一模型的建立过程撰写成论文发表在《自然》杂志上。
很快，谷歌根据这一结果推出了名为“流感指数（Google Flu Trends）”的产品，据称能够提前两周提供精确度不低于疾控中心的结果。目前这一指数已推广到全球 29 个国家，并由检测流感拓展到另一种感染性疾病登革热。
由于“流感指数”的高低在很大程度上取决于用户的搜索行为，有观察家认为，如果一些事件会影响到用户的搜索，那么指数就有可能出现假阳性或假阴性。果不其然，在谷歌流感指数运行期间，人们逐渐观察到原有模型的缺陷。
时至 2013 年，流感再一次引起了世人的广泛关注。在中国，H7N9 型禽流感引起 130 余人感染，并致使 44 人死亡，且有人传人的迹象。而在美国，流感流行状况也十分严峻。纽约州在 2013 年 1 月还特地发布“公共健康紧急状态”的通告，以警示民众。这些消息获得大众媒体的广泛报道。然而，谷歌流感指数的表现再次让人大跌眼镜：指数估值出现了假阳性，即远高于 CDC 的统计数量。尽管谷歌方面对此并未置评，但大部分关注这一指数的研究者认为，流感疫情获得媒体连篇累牍的报道，影响了谷歌用户的搜索行为，导致指数估值出现偏差。
在谷歌流感指数启发之下，很多研究者试图利用其他渠道（比如社交网站）的数据来预测流感。纽约罗切斯特大学的一个数据挖掘团队就曾利用 Twitter 的数据进行了尝试。利用团队开发的文本分析工具，研究者在一个月内收集了 60 余万人的 440 万条 Twitter 信息，挖掘其中的身体状态信息。最终的分析结果表明，研究人员可以提前 8 天预报流感对个体的侵袭状况，而且准确率高达 90%。
不过研究者也承认，这一算法并非完美，比如 Twitter 的使用者大部分是年轻人，而季节性流感的袭扰对象多为抵抗力较弱的老年人和儿童。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
