京公网安备 11010802034615号
经营许可证编号:京B2-20210330
精准医学时代,健康医疗大数据需要标准化
近年来,“精准医学”“大数据”已成为健康医疗行业的热词,健康医疗大数据产业也孕育着大市场,带来科技进步或价值转化。21日,在BT峰会的高端对话上,围绕“健康医疗大数据发展的机遇与挑战”这一主题,中国科学院院士贺林、美国医学信息学会主席道格拉斯·弗里斯玛、美国医学信息学院院士刘宏芳、北科生物董事长胡祥、神州数码医疗科技股份有限公司总裁史文钊,共同探讨生物医学大数据产业发展中的共享和转化、数据安全、标准建设、社会伦理等热点问题,预测我国健康医疗大数据的发展趋势。专家们表示,在精准医学时代,健康医疗大数据需要加快整合和标准化,才能更好地为预防疾病做贡献。
大数据经整合挖掘才有价值
随着云计算、大数据、人工智能等信息技术与生物技术融合发展,健康医疗大数据产业正成为生物材料与信息的最好体现。去年国务院《关于促进和规范健康医疗大数据应用发展的指导意见》的出台后,健康医疗大数据受到政府、医院、科研机构和学术界越来越多的重视。
什么样的数据才是健康医疗大数据?贺林说,健康医疗大数据与交通大数据、气候大数据有根本性的区别,“一个是活的,一个是死的。”然而,目前我国的健康医疗大数据全是孤岛型的,没有联系,也没有标准化,这些孤立的、没有标准化的大数据没有价值。在他看来,健康医疗大数据的含义是把同类的或者相关的数据整合在一起后,得到一个相关网络的位点,也就是能从相关性的数据中挖掘出有价值的内容为人类服务,“比如平均温度提高2 会带来哪些健康问题等。”
道格拉斯·弗里斯玛也表达了同样的观点。她表示,健康医疗大数据首先要有量,有非常强的流动性,还要有真实性。目前,健康医疗数据多种多样,但要成为大数据就需要收集和整合,并把这些数据进行分类和描述,因为只有准确的数据才能真正帮助了解病人的状况。“将不同类型的数据整合在一起,可以降低数据种类性,同时保证数据的真实性。”道格拉斯·弗里斯玛说。而且采集和整合健康医疗大数据的最终目的不是大数据本身,而是通过大数据来帮助治疗疾病,因为每个病人身上获取的数据很多,挖掘出这些数据的价值用于临床,诊治下一个病人的成功率就越来越高。
在美国,健康医疗大数据同样也存在数据的孤岛,“在研究的过程中,数据也是研究者所拥有的,很多人不愿意把数据拿出来分享,我们希望能打破,但难度很大。”因此,在道格拉斯·弗里斯玛看来,数据的整合仍是健康医疗大数据发展面临的一大挑战。不过,她也相信随着开放性科学不断的推动,及平台的日益增加,会让研究者公开他们的数据,最终形成有效的数据池。
大数据行业亟需建立标准
健康医疗大数据时代,大量医疗数据被源源不断采集。正如胡祥所说,目前医疗健康大数据的来源、产生源很多,如医院、医药公司等机构产生的医疗数据、各种基因组学的数据。对于整个健康医疗大数据行业来说,标准的制定也非常迫切。
“生命科学不仅是医学,还是生命基础科学研究,但各个机构之间从来没有一个统一标准,都是各做各的,最后出来的数据质量也不一样。”贺林说,有的不是大数据,小数据也说成大数据。
贺林表示,健康医疗大数据最后是要进行解读,但是如何去解读也没有统一化和标准化,“数学家在用数学的方法,统计学家用统计学的方法,生物学家要用遗传咨询的方法。”不同的解读方法,最后解读出来的结果也不一样。因此,在他看来,如何建立标准是健康医疗大数据行业要考虑的问题,“谁来制定标准,怎么样制定标准,比哪一步都重要。”
胡祥也表示,临床积累的健康医疗数据需要标准化,因为每个医生描述不一样,最后做数据分析和挖掘的结果也不一样。“未来重要的数据是组学数据,这些数据包括基因组、蛋白组、微生物组,最后读出来就是机器,可以高效识别,但这些数据的标准化与人类健康相关性很强。”胡祥说。
道格拉斯·弗里斯玛认为,中国有很大机会建立标准化统一平台,“中国既能造高铁,也能造医疗上的 高铁 。”
可用大数据训练人工智能
专家们非常看好健康医疗大数据在中国的应用前景。“随着各种传感器和可穿戴设备的应用,24小时持续采集的数据越来越多,如果把标准做好,方法学找到,用高效的方法把数据资源集中起来,我们的医疗健康大数据不会输给别人。”胡祥说。其次,目前我国正在推进医改,要解决医疗行业存在的一些问题,可以通过更先进的工具和技术来解决。更重要的是,目前我国的算法和计算能力正在快速进步的时候,能把核心数据高效的整理起来,以此为起点,可以通过这些数据快速地训练人工智能,推动人工智能的发展。
胡祥认为,在大健康医疗领域,人工智能才是未来的制高点。因此,下一步抢的是AI、人工智能。“训练人工智能的前提是要有数据训练算法,现在我们就是要挖掘数据,人工智能一旦成熟以后,可能会出现各种各样的可穿戴设备,再把采集的各种数据送上去以后,这些设备性能会高很多。”胡祥说。
“医疗健康大数据在国内很有发展前景。”刘宏芳表示,“大数据的发展要以人为本,通过大数据帮助普通老百姓分诊、预防疾病,目前中国有大量的人才,政府重视,企业不断创新,资本也不断投入。”她建议,未来中国健康医疗数据的收集要全方位,这也可以避免走很多弯路。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12