現(xiàn)在無論國內(nèi)外均出現(xiàn)了移動醫(yī)療熱，所有的創(chuàng)業(yè)團(tuán)隊和投資公司均把商業(yè)模式指向了最后的醫(yī)療大數(shù)據(jù)分析。但是可以很負(fù)責(zé)任的說，90% 以上的人都不知道醫(yī)療大數(shù)據(jù)分析是什么東西，因此這是一篇掃盲貼，但是僅供專業(yè)人士。文中分析了醫(yī)療大數(shù)據(jù)、它的維度、方法和成本，以及需要的專業(yè)人才。本文無論是對創(chuàng)業(yè)團(tuán)隊還是投資機(jī)構(gòu)都是非常有指導(dǎo)意義的。
大數(shù)據(jù)定義及其特征
大數(shù)據(jù)顧名思義就是數(shù)量極其龐大的數(shù)據(jù)資料。從上世紀(jì) 80 年代開始，每隔 40 個月世界上儲存的人均科技信息量就會翻倍 (Hibert & Lopez, 2011)。2012 年，每天會有 2.5EB 量的數(shù)據(jù)產(chǎn)生 (Andrew & Erik, 2012)?，F(xiàn)在，2014 年，每天會有 2.3ZB 量的數(shù)據(jù)產(chǎn)生 (IBM, 2015)。這是一個什么概念? 現(xiàn)在一般我們電腦的硬盤大小都以 GB，或者 TB 為單位了。1GB 的容量可以儲存約 5.4 億的漢字，或者 170 張普通數(shù)碼相機(jī)拍攝的高精度照片，或者 300-350 首長度為 5-6 分鐘的 MP3 歌曲。 那 GB 和 TB, EB，ZB 的關(guān)系又是怎樣?
1ZB=1024EB=10242PB=10243TB=10244GB。如果你有一臺 1TB 硬盤容量的電腦，那 1ZB 就是大致等于 10 億臺電腦的容量, 遠(yuǎn)遠(yuǎn)超出了我們一般的想象。
早期，IBM 定義了大數(shù)據(jù)的特性有 3 個：大量性( Volume), 多樣性(Variety), 快速性(Velocity) (Zikopoulos, Eaton, deRooos, Deutsch, & Lapis, 2012)。后來又有學(xué)者把價值(Value)加到大數(shù)據(jù)的特性里。隨著時間的推移和人們思考的進(jìn)一步完善，又有三個大數(shù)據(jù)的特性被提出： 易變性(Variability)，準(zhǔn)確性 (Veracity) 和復(fù)雜性 (Complexity)。
作者認(rèn)為價值本質(zhì)上是數(shù)據(jù)被分析后體現(xiàn)出來的有用信息知識的程度，和其他幾個特性有根本區(qū)別。其他幾個特性可以說是數(shù)據(jù)工作者具體實踐中面臨的挑戰(zhàn)，而價值則是征服這些挑戰(zhàn)后獲得的回報。
大數(shù)據(jù)的6個特性描述如下：
大量性：一般在大數(shù)據(jù)里，單個文件大量性的級別至少為幾十，幾百 GB 以上，一調(diào)查 (Russom, 2013) 顯示相當(dāng)多的機(jī)構(gòu)擁有的數(shù)據(jù)總量在 10 到 99TB 之間。用我們傳統(tǒng)的數(shù)據(jù)庫軟件，1GB 已經(jīng)可以儲存千萬條有著幾百個變量的數(shù)據(jù)記錄了。
多樣性：泛指數(shù)據(jù)類型及其來源的多樣化 (Troester, 2012)，進(jìn)一步可以把數(shù)據(jù)結(jié)構(gòu)歸納為結(jié)構(gòu)化 (structured)，半結(jié)構(gòu)化 (semi-structured)，和非結(jié)構(gòu)化 (unstructured) (SAS, 2014) 。
快速性：反映在數(shù)據(jù)的快速產(chǎn)生及數(shù)據(jù)變更的頻率上。比如一份哈佛商學(xué)院的研究報告稱在 2012 年時，谷歌每天就需要要處理 20PB 的數(shù)據(jù) (Harvard Business Review, 2012)。
易變性：伴隨數(shù)據(jù)快速性的特征，數(shù)據(jù)流還呈現(xiàn)一種波動的特征。不穩(wěn)定的數(shù)據(jù)流會隨著日，季節(jié)，特定事件的觸發(fā)出現(xiàn)周期性峰值 (Troester, 2012)。
準(zhǔn)確性：又稱為數(shù)據(jù)保證 (data assurance)。不同方式，渠道收集到的數(shù)據(jù)在質(zhì)量上會有很大差異。數(shù)據(jù)分析和輸出結(jié)果的錯誤程度和可信度在很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低 (W.Raghupathi & Raghupathi, 2014)。所謂“垃圾進(jìn)，垃圾出”。沒有數(shù)據(jù)保證，大數(shù)據(jù)分析就毫無意義。
復(fù)雜性：復(fù)雜性體現(xiàn)在數(shù)據(jù)的管理和操作上。IT 時代，隨著數(shù)據(jù)來源及數(shù)據(jù)量的爆發(fā)，各種不同渠道數(shù)據(jù)的大量涌現(xiàn)，數(shù)據(jù)的管理和操作已經(jīng)變得原來越復(fù)雜。如何抽取，轉(zhuǎn)換，加載，連接，關(guān)聯(lián)以把握數(shù)據(jù)內(nèi)蘊(yùn)的有用信息已經(jīng)變得越來越有挑戰(zhàn)性。
醫(yī)療大數(shù)據(jù)的爆發(fā)
早期，大部分醫(yī)療相關(guān)數(shù)據(jù)是紙張化的形式存在，而非電子數(shù)據(jù)化存儲， 比如官方的醫(yī)藥記錄，收費記錄，護(hù)士醫(yī)生手寫的病例記錄，處方藥記錄，X 光片記錄，磁共振成像(MRI)記錄，CT 影像記錄等等。
隨著強(qiáng)大的數(shù)據(jù)存儲，計算平臺，及移動互聯(lián)網(wǎng)的發(fā)展，現(xiàn)在的趨勢是醫(yī)療數(shù)據(jù)的大量爆發(fā)及快速的電子數(shù)字化。以上提到的醫(yī)療數(shù)據(jù)都在不同程度上向數(shù)字化轉(zhuǎn)化。
有報告顯示，2011 年，單單美國的醫(yī)療健康系統(tǒng)數(shù)據(jù)量就達(dá)到了 150EB。照目前的增長速度， ZB(約 1021GB)和 YB(約 1021GB) 的級別也會很快達(dá)到 (IHTT, 2013)。Kaiser Permanente，一個在加州發(fā)展起來的醫(yī)療健康網(wǎng)絡(luò)系統(tǒng), 就有 9 百萬的會員，被認(rèn)為擁有 26.5 到 44PB 的電子健康記錄 (IHTT, 2013)。
IT 時代涌現(xiàn)的還有各種網(wǎng)絡(luò)社交媒體數(shù)據(jù)，比如曾經(jīng) Google 用來預(yù)測流感的數(shù)據(jù)?；驍?shù)據(jù)也是非常龐大的存在，一次全面的基因測序，產(chǎn)生的個人數(shù)據(jù)則達(dá)到 300GB (Leah, 2014)。公開發(fā)布的基因 DNA 微陣列達(dá)到 50 萬之多，每一陣列包含數(shù)萬的分子表達(dá)值。在生物醫(yī)藥方面，功能性磁共振影像的數(shù)據(jù)量也達(dá)到了數(shù)萬 TB 級別，每一幅影像包含有 5 萬像素值 (Fan, Han, & Liu, 2014)。