先進分析技術和機器學習如何改變醫療保健行業
醫療保健領域中的大數據在改善患者護理以及最終實現合理成本方面具有巨大的潛力。
醫療保健支出正在被不斷削減，人們關注的重點是如何既減少開支又不影響醫療護理的質量。這種變化迫使醫療機構向以科技為基礎、無需進行高昂支出的解決方案打開大門。此外我們可以看到，市場對精準醫療和循證醫學以及患者個體化要求的需求日益增長。因此，作為滿足這些需求的解決方案的核心，先進分析技術和機器學習的價值定位引人注目。
如今醫療以及制藥行業的一個主要局限是我們對疾病的生物學認識。在針對疾病成因（從脫氧核糖核酸[DNA]、蛋白質和代謝產物到細胞、組織、器官、生物體和生態系統）依據多重標準匯聚更多信息方面，大數據開始發揮作用。因此，醫療保健領域中的大數據正被用于預測流行病、治療疾病以及避免可預防性死亡。隨著世界人口不斷增長以及老齡化，新的需求應運而生，新的診斷與治療模式背后的許多決策都是在數據的驅動下做出的。眾所周知，如果能在早期發現重大疾病的警示信號，其治療過程會比更晚發現簡單得多（而且費用也比較便宜）。據易安信（EMC）報告，35％的醫療機構正在利用大數據改善患者護理，31％利用大數據降低護理成本，28％用來改善醫療結果，22％用來提高早期發現的幾率。
例如，北弗吉尼亞非營利醫療系統艾諾瓦（Inova）如今正在進行各種數據項目，其中之一是對艾諾瓦醫院新生兒重癥監護病房收治的可能有先天性異常的嬰兒運用基因測序技術。他們會對嬰兒及其父母或者他們認為與此項分析相關的任何其他人進行基因測序，在先進的模型中運行測序結果，然后把結果反饋給嬰兒家人。據艾諾瓦信息學主任阿倫·布萊克（Aaron Black）稱，艾諾瓦的醫生已經能夠診斷出60％的病例，是大型學術醫院的診斷率（約為30％）的兩倍。
機器學習對于癌癥研究而言并不新鮮。神經網絡（ANNs）和決策樹（DTS）應用于癌癥檢測與診斷已近20年。癌癥研究人員只是最近才試嘗試將機器學習運用于癌癥預測和預后。事實上，癌癥預后通常需要來自不同專科的多位醫生，利用不同的生物標志物子集以及多個臨床因素，包括患者的年齡和一般健康狀況、癌癥的位置和類型以及腫瘤的分級和大小、家族病史、年齡、飲食、體重（肥胖）、高風險習慣（吸煙）以及接觸環境致癌物的情況。隨著基因組學（oncotype診斷性檢測）、蛋白質組學（免疫組織學）、成像技術（功能性磁共振成像[fMRI]，正電子發射型計算機斷層顯像[PET]、微計算機斷層掃描[micro-CT scan]、數字化乳腺攝影）以及核醫學（前哨淋巴結定位）技術的迅速發展，這種有關患者或腫瘤的極為詳盡的信息現在很容易獲得。除了測量參數的數量不斷增加之外，應用規則和算法也愈加復雜，且呈現動態增加。
電腦（以及機器學習）在疾病預測和預后中的運用是朝著個人化、預測性醫療發展這個日漸盛行的趨勢的一部分。這種發展很重要，無論是對于患者生活質量方面的決策、醫生的治療方案決策，還是對于付款人或政策規劃者實施大規模預防或治療政策而言莫不如此。另外，由于患者數據采集過程將基于可穿戴傳感設備（如蘋果iWatch智能手表和ResourceKit），以被動的形式持續進行，個人不必每天主動檢測自身健康狀況，可以擁有正常的生活方式，這應該會大大提高患者的監護參與度。
醫療機構在這方面的準備情況
分析技術的有效運用并不是你可以從供應商那里買到的。這是必須經過發展階段并達到成熟的組織價值和文化價值。真正復雜、需要全力以赴的是，要從事后報告轉變為事先預測。然而，生命科學在信息技術管理和完善方面落后于其他行業。
此外，不同性質的技術基本構件太多、相關的管理方式變化以及人員技能的局限，這些也在一定程度上造成了與先進分析技術和機器學習相關的復雜狀況。
讓我們簡單談談每個組成部分。
從非常高的角度來看，整個大數據框架是一個組合而成的結構，包括Hadoop分布式計算框架、機器學習方法引擎、事件流及處理引擎、用于結構化數據的商業智能和數據倉庫（BI / DW）基礎設施、各種移動設備、傳感設備和監控協議（Wi-Fi、RFID[射頻識別]、Beacon、低功耗藍牙等）、存儲基礎設施、云計算等等。所有這一切意味著需要獲得或購買太多專門技術。不管通過何種途徑，一家機構獲得所有這些專門技術都需要時間。
傳統上，數據可視化（事后報告）的開發是基于瀑布型的方法，通常由一位專家在較為早期的階段提出要求，并且至多驗證最終結果，這就完了。在大數據中，敏捷方法更加適當，在這種方法中，多位專家和多個信息技術（IT）團隊必須在及時、明確的迭代工作任務中共同建立解決方案。在任何迭代階段，專家們在了解情況后都擁有更大的權力，可以進行需要的調整，但他們需要更多地參與和投入到項目中。
除了所有技術與管理技能之外，數據科學家還需要在統計學以及待解問題的具體領域具有深厚的知識。
顯然，一些醫療機構還沒有做好迅速邁入大數據世界的準備。這個價值定位如此重大，醫療機構仔細審視這些趨勢之后再啟動實施大數據計劃的做法不失為明智之舉。然而，為了避免花費不必要的錢以及降低失敗風險，采取一些預防措施也是必要的。一般情況下，機構應該從小處著手，尋找速贏機會，同時確保獲得能夠解決他們試圖衡量或比較的戰略性醫療問題的數據，而不只是最容易獲得的數據。雖然這可以加快項目的進程，但其分析結果很可能價值有限，這會危及整個計劃。
在大多數情況下，大數據被各大醫院視為最不重要的能力之一，這與其他行業形成了很大的反差。與往常一樣，員工的參與是關鍵，而管理方案的調整應該支持總體實施方案。
此外，大數據的廣泛運用還存在一些障礙，比如患者記錄的隱私問題、獲得正確數據、法規變更、報銷制度變更以及數據系統的互通性。因此，一些醫療機構正在制定合作協議，以便加快實施大數據發展藍圖，分享經驗并展望未來，從而克服這些障礙。
例如，OptumLabs和美國衛生與公眾服務部（U.S. Department of Health and HumanServices）建有利用數據和先進分析技術來提高醫療服務水平的協同合作項目。OptumLabs是一家研究協作組織，擁有15家合作機構——這些合作機構已經收集了來自1億多名患者的報銷申請和3,000多萬患者的電子病歷的數據，還匯集了諸多研究人員、患者權益保護者、政策制定者、供應商、付款人以及制藥公司和生命科學公司。
新興國家也是這個轉變的一部分。
在美國醫療保健行業中，奧巴馬醫改計劃（Obamacare）即《平價醫療法案》（Affordable Care Act）的推出正在推動該行業的經濟模式與經營模式的大規模變遷。由硅谷創業者和投資者主導的數字化科技初創企業生態系統通過促成美國和全球醫療科技（HealthTech）產業的發展來對此作出回應。
例如，印度已有一些醫療科技初創公司提供許多解決方案，其中包括遠程患者監護、基于云的數據分析、技術型醫護工作者和醫生、自動化患者護理、電子病歷等。此外，印度還有一些富有革新精神的年輕初創公司，比如心臟設計實驗室（Cardiac Design Labs），這家初創公司正在生物電子學和以基因組測序為基礎的疾病鑒別領域中開發并且實施實惠而可靠的專利醫療技術解決方案。
巴西EstadualGetúlio Vargas醫院是一家收治創傷患者的主要醫院，該醫院的重癥監護病房（ICU）病床總是滿的。利用數據分析后得到的見解，這家醫療機構得以將ICU患者的住院時間縮短至略超過三天，并且將ICU患者的死亡率降低了大約21％。他們現在每個ICU床位每月可以多收治近兩位患者。這僅僅是個開始，在資金緊張情況更為普遍的欠發達國家，大數據在強化實際資源并且幫助更多患者方面具有很大的潛力。
結論
可穿戴技術是門大生意，全球一些最大的科技與創新公司目前正在致力于這個領域。可穿戴技術可能對醫療行業造成的影響是巨大的，因此也成為側重于醫療行業的初創公司要進入的最重要領域之一。在2015年，和蘋果公司一樣，MiFile網站推出了讓佩戴者能夠在線存儲自己的醫療信息、過敏信息和護理愿望的腕帶。在緊急情況下，任何人都可以通過檢查佩戴者的識別卡號（ID）并且向其主要聯系人發送短信提示來提供協助。此外，這種技術發送不間斷的健康狀況數據，其目的在于實時監控患者情況，并且為大數據應用和臨床試驗等方面提供大量數據，臨床試驗覆蓋的范圍只有數百人，而覆蓋成千上萬人的現實世界數據（RWD）成本非常高昂。
諸如谷歌、蘋果、微軟、甲骨文和IBM等科技公司依據他們在大數據和機器學習方面擁有的深厚技能，以及醫療保健領域出現的有利時機，一直在招募醫學專家，目的是提供最終的先進解決方案和服務，這些是現實中的醫療保健生態系統按照傳統方式無法提供的。
正如紐約西奈山醫療系統（Mount Sinai HealthSystem）旗下伊坎基因組學及多尺度生物學研究所（Icahn Institute forGenomics and Multiscale Biology）創始主任埃里克·夏特（Eric Schadt）所說：科技正在徹底改變我們對疾病的認識和治療方法。