雖然醫(yī)療大數據一直是各方關注的重點，但是，數據難以融合以及機構數據本身難以獲取的問題，中國一直缺乏針對臨床數據的有效分析和應用，比如講臨床治療辦法、用藥、檢查以及各項健康指標和病人后續(xù)恢復情況數據做成邏輯相關聯的數據庫，并給予數據庫進行分析，可以提示多項重要事項，比如診療上的各個節(jié)點是否符合邏輯，用藥和檢查在某類病種情況下是否合理，以及根據病人的健康狀況，未來病情危重的概率有多大，根據其風險，需要進行怎樣的干預。
這類數據分析對支付方、服務方和產品方都有很高的意義。對于支付方來說，大數據分析可以幫助其建立控制費用模型，因為大數據涵蓋的方面超過了DRG（針對住院）和合理用藥系統（針對用藥），包含了病史、個人健康數據、診療數據，因此對有助于建立起整體診療費用控制的體系，從各個診療數據節(jié)點上來推斷是否有浪費或不合理應用。
對于服務方來說，在未來面對支付方嚴控的形勢下，未來將逼迫其轉型。過去服務方本身沒有太大的數據分析需求，因為他們的首要目標是增加服務量，但未來隨著支付方的強勢，服務方將把重心從做大量向做好服務且更合理地使用費用上轉變。大數據分析首先有利于醫(yī)生更全面地了解各類疾病和各種情況下的疾病風險，對醫(yī)生積累經驗，獲取案例是有幫助的。同時，大數據分析形成的數據庫對跨學科的治療以及培訓意義很大。中國醫(yī)療教育的一大問題是過于細分，治療的時候?？品值眠^窄導致醫(yī)生無法基于病人的整體健康狀況給出方案，跨領域合作也不夠緊密。大數據形成的數據庫有助于醫(yī)生在多個領域內進行整體臨床方案的協作，對未來從過窄?？葡蛉轿恢委煱l(fā)展是很有利的。
對于產品方來說，未來面對支付方嚴格控制藥價的壓力，將必須將更多精力放在藥效和用藥教育上。產品方有動力去對其產品的臨床應用、病人和醫(yī)生反饋以及副作用進行數據收集和分析，這將幫助他們更好地進行產品研發(fā)、推廣和醫(yī)患教育。
因此，從這三方來看，大數據都會有很大的意義。不過，大數據在操作上面臨的三個環(huán)節(jié)都會遇到挑戰(zhàn)，主要包括數據獲取、數據清理以及分析辦法。
從獲取渠道上來看，真正對分析有意義的數據必須是來自醫(yī)療機構的臨床數據，過去幾年市場上概念炒作得極熱的來自C端，由用戶上傳的數據并不具備臨床科學研究價值，其他商業(yè)化機構如檢驗中心和體檢中心的數據因為過于片面，不涉及治療或者不全面不連貫等問題，也不是合適的大數據獲取渠道。有意義的臨床數據只能來源于醫(yī)療機構。這也是大數據獲取的困難點，未來比較有可能的獲取手段是由支付方推動，在控制費用、片區(qū)醫(yī)療機構數據整合的大環(huán)境下，進行數據獲取?；谶@些有意義的臨床數據所進行的分析才能對支付方、服務方和產品方真正有意義。
獲取之后，大數據的清理和分析模型建立也極為關鍵。因為中國的B端機構數據融合程度低，數據格式不統一，而且數據不跟隨個人走，連貫性缺失。因此數據清理的成本非常高，需要較長時間的投入和建立數據統一標準，這是大數據能夠植根中國醫(yī)療的必經之路，非一朝一夕可以達成。
在數據清理統一之后，建立符合中國市場需求的數據分析模塊將是這一數據分析鏈條上最后一環(huán)。數據分析模型的建立需要滿足兩個條件，一是能夠為市場所用，未來最有動力的將是支付方，最迫切希望看到控制費用的效果，也是最直接的利益關聯者。數據在提示費用控制、風險預警的時候必須能夠直接被市場運用 ，而不是僅僅做出提示。第二個條件也是基于第一個條件之上的，就是數據模型在實際執(zhí)行中必須能夠做到和干預結合，通過實時干預的辦法節(jié)省費用是支付方最愿意看到的應用效果，比如根據病人的風險等級匹配相應所需的措施，或聯通服務方進行警示。
天坦動態(tài)