医疗大数据的主要来源

    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也在以前所未有的速度迅猛增长，甚至到了在很大程度上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的地步。而且，如此具有特殊性、复杂性的庞大的医疗大数据，其搜集如果仅靠个人甚至个别机构，那基本是不可能完成的任务。那么，这些数据到底是怎么产生的，又都来自于哪里呢？经过简单的梳理，我们大致可以把他们归档在以下4个框架里：

    （1）病人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，病患的身体状况、医疗影像等信息也将被录入数据库；看病结束以后，患者买单结算的过程中，又将有费用信息、报销信息、医保使用情况等信息被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。

    （2）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150 MB的数据，一个标准的病理图则接近5 GB。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。

    （3）制药企业和生命科学。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，美国哈佛医学院个人基因组项目负责人詹森·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。

    （4）智能穿戴设备带来的健康管理。随着移动设备和移动互联网的飞速发展，便携式的可穿戴医疗设备正在普及，个体健康信息都将可以直接连入互联网，由此将实现对个人健康数据随时随地的采集，而带来的数据信息量将更是不可估量的。

    医疗大数据的特性：大数据性+医疗性

    如此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所形成的医疗大数据，已然呈现出其作为大数据的特性，即：

    (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)数据结构多样(variety)。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。

    (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。

    (4)数据价值巨大(value)。毋庸置疑，数据是石油，是资源，是资产，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。

    而除了大数据所具有的特征(即volume，variety，value，velocity)外，医疗大数据还具有多态性、不完整性、时间性及冗余性等医疗领域特有的一些特征。

    (1)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)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。

    (3)时间性患者的就诊、疾病的发病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。

    (4)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、无关紧要甚至是相互矛盾的记录。