采集到使用：难搞的中间环节

好的，如果把数据采集的难题先放一放，我们放眼观望一下医疗数据从采集到使用的中间处理环节……似乎也不是那么乐观。如果说原始医疗数据是小麦，能使用的数据是面粉，那么我们现在还没有一个完善的磨坊。

暂时无法出现的“沃森”

2011年IBM发布了一款叫“沃森”的超级医生助手，数以千万G的医学资料被“灌”进了“沃森”的大脑，包括病人的临床表现、实验室检查、治疗方案等，能够为医生提供很好的疾病诊断及治疗决策支持。自然语言理解、找到证据、判断，是“沃森”所具备的的三大能力，这种“认知计算”能力让“沃森”在当前的大数据浪潮中大有用武之地。 “沃森”从不同的信息来源采集数据并且提炼，给医院，或者是医师、医生提供医疗采购方面的建议和咨询意见。在美国德克萨斯大学MD Anderson癌症中心，“沃森”为医生提供建议，以助于治疗复杂的疾病和癌症。

“沃森”的工作过程实际上是一个完整的大数据分析过程，是医疗健康大数据的成功应用。大数据，顾名思义就是数量极其庞大的数据资料。医疗大数据的积累非旦夕之功可达。早期，大部分医疗相关数据是以纸张化的形式存在。随着强大的数据存储、计算平台以及移动互联网的发展，医疗数据正在进行大量爆发及快速的电子数字化。

医疗领域的数据量巨大，数据类型复杂。到2020年，医疗数据将增至35ZB，相当于2009年数据量的44倍。医疗数据里包含了病人基本信息、个体化诊疗信息、预后诊断、生化检查、多种影像或病理切片检查的生物学信息等数据，类型复杂。

要想在医疗领域使用大数据技术，足够的信息是数据分析的基础。但我国的数据质量尚不足以支撑“沃森”级别的科研需求。

一方面，目前我们积累的数据数量及质量都存在较大的问题。例如，医疗数据来源方或多或少存在顾虑，比如病人担心个人隐私问题，药企因商业利益不愿共享某些敏感信息等。更为关键的是各个医院及机构的医疗信息、软件及硬件服务都各自独立，缺乏合理接口，数据标准不统一。在专家看来，目前我国医疗大数据就像一大块“蜂窝煤”，大数据收集的渠道并不畅通。我国目前还没有一个完整的医疗标准化体系，大量医疗数据沉睡在医院系统里，利用率不高。

另一方面，大数据的有效应用是一个系统性的工程，需要一系列专业技能来保证大数据分析的成功。在获得足够的信息后，需要由相关领域的专业人士与信息技术专家一起对数据进行有针对性地归纳和分析，得出由大量新兴技术（如Hadoop Map Reduce、内存数据库等）组成的高性能的专业的分析技术架构解决方案，而这种跨学科、跨领域合作能否顺利实现，是大数据技术实际应用中的重要问题。我国在发展医疗大数据的过程中，人才队伍建设也亟待加强。

数据清洗：没有合格的“清洗工”

关于数据交易的话题，讨论得已经越来越多，包括各地也在推交易所，常常能看到类似“医疗大数据公开卖啦”等新闻标题。

但是与讨论热度相反的是，交易这个词现在被提得越来越少。一方面原因是，数据拥有方和数据需求方很难对接，并不是通过物流和传递就可以产生交易。实际上有数据和需要数据的是两方，中间要经过很多才能把他们的需求对接起来，这是数据处理的一部分。 另一方面，因为医疗数据太过庞大，原始的数据集不可能直接进行交易，而且医疗数据缺乏一个统一的标准，不同的医院和不同的机构收集的数据格式也不太一样。

医疗大数据除了包含了大数5个V——Volume（大体量）、Variety（多样性）、Velocity（时效性）、Veracity（准确性）、Value（大价值）的特点之外，还有多态性、时效性、不完整性、冗余性、隐私性等特点。多态性指医师对病人的描述具有主观性而难以达到标准化；时效性指数据仅在一段时间内有用；不完整性指医疗分析对病人的状态描述有偏差和缺失；冗余性指医疗数据存在大量重复或无关的信息；隐私性指用户的医疗健康数据具有高度的隐私性，泄漏信息会造成严重后果。

因为医疗数据的这些特性，对数据进行清洗是很重要的，包括脱敏、去躁，即使已经拿到大量医院和机构的数据，甚至是国家部门的数据，还得进行去芜存菁（不少基层医院的数据大面积缺失、混乱、不实），当然，还涉及到去隐私。做医疗数据的跟做医疗的人不是同一批，拿到数据以后，首先要做数据清洗，这是很累的活就不提了，而清洗数据的人往往不懂医疗，这就不仅是累了，简直是一出活生生的天书奇谈。

互联网公司做医疗没那么简单，医院和医生做互联网的应用反而简单得多。有位院长说过，你们互联网公司把三甲公立医院的院长们吵醒了，吵明白了，他们一旦行动起来去做互联网的应用，去开互联网医院，你们的空间和机会就不大了。不过请别紧张，多数的三甲公立医院院长的心思根本不在互联网上，多数人也是吵不醒的。

“医院没这个心思”和“有心思的不专业”，导致了数据清洗的环节没有合格的清洁工。