虽然医疗大数据一直是各方关注的重点，但是，数据难以融合以及机构数据本身难以获取的问题，中国一直缺乏针对临床数据的有效分析和应用，比如讲临床治疗办法、用药、检查以及各项健康指标和病人后续恢复情况数据做成逻辑相关联的数据库，并给予数据库进行分析，可以提示多项重要事项，比如诊疗上的各个节点是否符合逻辑，用药和检查在某类病种情况下是否合理，以及根据病人的健康状况，未来病情危重的概率有多大，根据其风险，需要进行怎样的干预。

　　这类数据分析对支付方、服务方和产品方都有很高的意义。对于支付方来说，大数据分析可以帮助其建立控制费用模型，因为大数据涵盖的方面超过了DRG（针对住院）和合理用药系统（针对用药），包含了病史、个人健康数据、诊疗数据，因此对有助于建立起整体诊疗费用控制的体系，从各个诊疗数据节点上来推断是否有浪费或不合理应用。

　　对于服务方来说，在未来面对支付方严控的形势下，未来将逼迫其转型。过去服务方本身没有太大的数据分析需求，因为他们的首要目标是增加服务量，但未来随着支付方的强势，服务方将把重心从做大量向做好服务且更合理地使用费用上转变。大数据分析首先有利于医生更全面地了解各类疾病和各种情况下的疾病风险，对医生积累经验，获取案例是有帮助的。同时，大数据分析形成的数据库对跨学科的治疗以及培训意义很大。中国医疗教育的一大问题是过于细分，治疗的时候专科分得过窄导致医生无法基于病人的整体健康状况给出方案，跨领域合作也不够紧密。大数据形成的数据库有助于医生在多个领域内进行整体临床方案的协作，对未来从过窄专科向全方位治疗发展是很有利的。

　　对于产品方来说，未来面对支付方严格控制药价的压力，将必须将更多精力放在药效和用药教育上。产品方有动力去对其产品的临床应用、病人和医生反馈以及副作用进行数据收集和分析，这将帮助他们更好地进行产品研发、推广和医患教育。

　　因此，从这三方来看，大数据都会有很大的意义。不过，大数据在操作上面临的三个环节都会遇到挑战，主要包括数据获取、数据清理以及分析办法。

　　从获取渠道上来看，真正对分析有意义的数据必须是来自医疗机构的临床数据，过去几年市场上概念炒作得极热的来自C端，由用户上传的数据并不具备临床科学研究价值，其他商业化机构如检验中心和体检中心的数据因为过于片面，不涉及治疗或者不全面不连贯等问题，也不是合适的大数据获取渠道。有意义的临床数据只能来源于医疗机构。这也是大数据获取的困难点，未来比较有可能的获取手段是由支付方推动，在控制费用、片区医疗机构数据整合的大环境下，进行数据获取。基于这些有意义的临床数据所进行的分析才能对支付方、服务方和产品方真正有意义。

　　获取之后，大数据的清理和分析模型建立也极为关键。因为中国的B端机构数据融合程度低，数据格式不统一，而且数据不跟随个人走，连贯性缺失。因此数据清理的成本非常高，需要较长时间的投入和建立数据统一标准，这是大数据能够植根中国医疗的必经之路，非一朝一夕可以达成。

　　在数据清理统一之后，建立符合中国市场需求的数据分析模块将是这一数据分析链条上最后一环。数据分析模型的建立需要满足两个条件，一是能够为市场所用，未来最有动力的将是支付方，最迫切希望看到控制费用的效果，也是最直接的利益关联者。数据在提示费用控制、风险预警的时候必须能够直接被市场运用 ，而不是仅仅做出提示。第二个条件也是基于第一个条件之上的，就是数据模型在实际执行中必须能够做到和干预结合，通过实时干预的办法节省费用是支付方最愿意看到的应用效果，比如根据病人的风险等级匹配相应所需的措施，或联通服务方进行警示。

　　来源公众号：Latitude Health（村夫日记）