
看大数据如何颠覆医学:分析、大数据和临床试验
在看医生的时候,我们相信医疗专业人员的知识,他们能运用行之有效的科学方法对我们进行治疗,这种科学方法被称作“循证医学”(EBM)。这意味着他们开的处方药或着选择的治疗方法,在临床研究中已经被证实是成功的。循证医学(Evidence-Based Medicine,EBM),其概念和范畴自最早被提及,就不断在扩大、变迁和泛化。Evidence Based Medicine,重点在Evidence。解决的是什么是Evidence的问题,说的是什么样的东西可以作为临床的依据,这些依据如何确定孰高孰低?老式的,医生自身经验和对病理状况的理论推演,是Evidence的一部分,但是只是比较弱的部分。Evidence中更强的,是应用临床试验研究手段系统总结出来的东西。它们更能代表疾病和治疗客观规律,对患者和社会更加有利。
临床试验研究是通过研究疾病和症状,找出治疗疾病方法。研究者们针对不同的疾病和病人群体,探索最佳治疗方案。EBM是世界各地医疗保健供给的既定标准,但是在大数据时代,这也许将会改变。
临床试验是这样运行的:首先在小群体中测试新疗法,然后观察治疗如何奏效,同时找出任何可能的副作用。如果试验证明大有希望,那么就扩展到更多人群。为了保障参与者和提高可靠性,临床试验必须符合严格的科学标准。但这并不是说方法上的缺陷没有风险,也不是说在某一特定研究之外,临床试验总能通过极小群体推广成功——这时就需要大数据了。我们可以通过挖掘基于实践的临床数据世界,比如,实际病人记录——根据哪个病人处于什么状况以及哪些治疗有用的信息,从中可以学到很多关于病人的照顾方式。分析、大数据和临床试验(来源:Shutterstock)
一家位于加州的认知计算公司(Apixio)就坚定地把目光投向授权医疗供应商,为从实践证据中学习以便可以单独调整护理。正如Apixio 的CEO达伦·舒尔特解释的那样,“我们可以从医学实践中学到更多,并改进我们的临床护理方法。这让我们距离‘学习医疗保健系统’更近。关于什么真正有用和什么没用的思考,我们能从真实世界的数据证据中得到更新。”
一条关于病人的医疗和临床信息,80%是由非结构化数据形成而来,例如,内科医生的书写笔录、顾问的备注、放射科的注释、病理结果、医院的出院备注等。
舒尔特在被任命为CEO之前,是Apixio首席医疗官的内科医生,他说,“如果我们想学习如何更好地照顾个人和了解更多关于整个人口的健康,我们需要挖掘非结构化数据的见解。”
电子健康纪录(EHRs)已经存在了一段时间,但由于数据存储在不同的系统格式,它们在设计时分析没有被考虑进去。所以Apixio首先要做的,就是从这些不同来源中提取数据,比如GP手术、医院、政府医疗记录等。然后他们需要把信息变成计算机可以分析的形式。临床医生备注可以有许多不同的格式——有些是手写的,有些是以扫描的PDF文件格式。因此,Apixio使用OCR(光学字符识别)技术创建该信息的文本表示形式,这样一来,计算机就可以读取和理解。在这之后,数据可以在个人级别上分析,创建一个病人的大数据模型,同时为了获得关于患病率、治疗方式等更多的见解,它也可以聚合更多其他人口的信息。
舒尔特解释道,“我们创建了一个‘病人对象’,基本上是使用文本处理和挖掘文本以及编码医疗保健数据派生的数据,来组装配置文件。通过创建此单个配置文件和在组合类似的个人配置文件在一起,在这些成为个性化医学基础的个体中,我们可以回答什么有用,什么没用。”
获得医疗保健提供商和健康保险计划的共享数据是一个挑战。为了攻克这个难题,Apixio通过保证为数据访问提供真正价值的回报。正如舒尔特说,“除非你今天解决真正关键的问题,否则这些组织不会给你访问任何真正的数据量。”因此关键要关注具体的成果和解决问题,反对添加到大数据上的所有炒作。
另一大挑战是关于数据安全问题,特别是在一些引人注目的健康数据泄露之后。有资料显示,2014年有43%的医疗记录数据被盗,医疗部门见证了自2010年以来最大增率的数据盗窃(远远超过了企业或政府部门)。舒尔特把数据安全比作“筹码”,足以说明安全问题的重要性。“为了每个新合同,我们必须证明我们系统的安全性。”也因此在Apixio,病人的数据在静止和传输过程中必须要加密,而且Apixio从未公开个人健康信息(PHI),除非Apixio工作人员必须需要数据库。
实践医学可以取代循证医学作为医疗保健的黄金标准吗?或许不能。但毋庸置疑,我们在令人兴奋的新方法边缘来理解、治疗和防止疾病。正如舒尔特所说,“基于这些数据驱动的见解,就医疗保健将要实行的方式而言,我们处于一个新的世界。”一个结合了实践医学和循证医学的未来,很可能对病人产生最好的结果,这也是所有医疗保健专业人士的殷切希望。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15