先进分析技术和机器学习如何改变医疗保健行业

 　　原文翻译：

　　医疗保健领域中的大数据在改善患者护理以及最终实现合理成本方面具有巨大的潜力。

　　医疗保健支出正在被不断削减，人们关注的重点是如何既减少开支又不影响医疗护理的质量。这种变化迫使医疗机构向以科技为基础、无需进行高昂支出的解决方案打开大门。此外我们可以看到，市场对精准医疗和循证医学以及患者个体化要求的需求日益增长。因此，作为满足这些需求的解决方案的核心，先进分析技术和机器学习的价值定位引人注目。

　　如今医疗以及制药行业的一个主要局限是我们对疾病的生物学认识。在针对疾病成因(从脱氧核糖核酸[DNA]、蛋白质和代谢产物到细胞、组织、器官、生物体和生态系统)依据多重标准汇聚更多信息方面，大数据开始发挥作用。因此，医疗保健领域中的大数据正被用于预测流行病、治疗疾病以及避免可预防性死亡。随着世界人口不断增长以及老龄化，新的需求应运而生，新的诊断与治疗模式背后的许多决策都是在数据的驱动下做出的。众所周知，如果能在早期发现重大疾病的警示信号，其治疗过程会比更晚发现简单得多(而且费用也比较便宜)。据易安信(EMC)报告，35%的医疗机构正在利用大数据改善患者护理，31%利用大数据降低护理成本，28%用来改善医疗结果，22%用来提高早期发现的几率。

<p style="\&quot;text-align:" center;\"="">

　　例如，北弗吉尼亚非营利医疗系统艾诺瓦(Inova)如今正在进行各种数据项目，其中之一是对艾诺瓦医院新生儿重症监护病房收治的可能有先天性异常的婴儿运用基因测序技术。他们会对婴儿及其父母或者他们认为与此项分析相关的任何其他人进行基因测序，在先进的模型中运行测序结果，然后把结果反馈给婴儿家人。据艾诺瓦信息学主任阿伦·布莱克(Aaron Black)称，艾诺瓦的医生已经能够诊断出60%的病例，是大型学术医院的诊断率(约为30%)的两倍。

　　机器学习对于癌症研究而言并不新鲜。神经网络(ANNs)和决策树(DTS)应用于癌症检测与诊断已近20年。癌症研究人员只是最近才试尝试将机器学习运用于癌症预测和预后。事实上，癌症预后通常需要来自不同专科的多位医生，利用不同的生物标志物子集以及多个临床因素，包括患者的年龄和一般健康状况、癌症的位置和类型以及肿瘤的分级和大小、家族病史、年龄、饮食、体重(肥胖)、高风险习惯(吸烟)以及接触环境致癌物的情况。随着基因组学(oncotype诊断性检测)、蛋白质组学(免疫组织学)、成像技术(功能性磁共振成像[fMRI]，正电子发射型计算机断层显像[PET]、微计算机断层扫描[micro-CT scan]、数字化乳腺摄影)以及核医学(前哨淋巴结定位)技术的迅速发展，这种有关患者或肿瘤的极为详尽的信息现在很容易获得。除了测量参数的数量不断增加之外，应用规则和算法也愈加复杂，且呈现动态增加。

　　电脑(以及机器学习)在疾病预测和预后中的运用是朝着个人化、预测性医疗发展这个日渐盛行的趋势的一部分。这种发展很重要，无论是对于患者生活质量方面的决策、医生的治疗方案决策，还是对于付款人或政策规划者实施大规模预防或治疗政策而言莫不如此。另外，由于患者数据采集过程将基于可穿戴传感设备(如苹果iWatch智能手表和ResourceKit)，以被动的形式持续进行，个人不必每天主动检测自身健康状况，可以拥有正常的生活方式，这应该会大大提高患者的监护参与度。

　　医疗机构在这方面的准备情况

　　分析技术的有效运用并不是你可以从供应商那里买到的。这是必须经过发展阶段并达到成熟的组织价值和文化价值。真正复杂、需要全力以赴的是，要从事后报告转变为事先预测。然而，生命科学在信息技术管理和完善方面落后于其他行业。

　　此外，不同性质的技术基本构件太多、相关的管理方式变化以及人员技能的局限，这些也在一定程度上造成了与先进分析技术和机器学习相关的复杂状况。

　　让我们简单谈谈每个组成部分。

　　从非常高的角度来看，整个大数据框架是一个组合而成的结构，包括Hadoop分布式计算框架、机器学习方法引擎、事件流及处理引擎、用于结构化数据的商业智能和数据仓库(BI / DW)基础设施、各种移动设备、传感设备和监控协议(Wi-Fi、RFID[射频识别]、Beacon、低功耗蓝牙等)、存储基础设施、云计算等等。所有这一切意味着需要获得或购买太多专门技术。不管通过何种途径，一家机构获得所有这些专门技术都需要时间。