医疗大数据的商业运作模式

医疗服务业五大领域：

临床操作付款定价药品研发社区商模公众健康中国在“十二五规划”中提出，将350多亿元RMB划拨为生物医药研究资金，作为加强医药研发的目标。但同其他发展中国家一样，中国可用于医药研发的数据十分有限。现阶段能开展医学大数据的应用和同步实施美国总统奥巴马今年一月提出的精准医疗，中国急需克服一系列障碍，其中最主要的是多医学机构的数据整合和管理。

根据多篇中英文报道综述，并通过对医学大数据的分析和如何运用商业模，翻译摘录以下要点，供医学管理人员和药企决策人参考。

1. 临床操作。美国每年节省165亿美元的开支。

1.1. 比较效果研究：（Comparative Effectiveness Research，CER）

原理：通过比较病人特征和各种治疗方案的疗效，找到特定病人的最佳治疗方案。

实践：英国，德国，加拿大等国医疗和药品检查机构，开始CER项目，并取得应用成果。2009美国通过“复苏与再投资法案”，拨款4亿美金，展开相关研究。

挑战：1. 医学电子病历（EMR ）缺乏标准和互补操作性，导致数据集难以整合。2. 对病人隐私的保护，对采集足够详细的数据，造成困扰。3. 美国法律禁止医疗服务支付方，使用成本/效益比例来制定报销决策。

1.2. 临床决策支持系统：（Clinical Decision Support System，CDSS）

原理：分析医生输入的条目，与医疗指南不贴切的地方，从而提醒医生防止潜在的错误。譬如药物不良反应等，从而降低医疗事故率和索赔金额，并且把部份由医生承担的工作，转交给医生助理或护理人员负责。

实践：美国Metropolitan儿科重症病房的研究中，使用CDSS两个月，削减了40%的药品不良反应事件。

挑战：1.非结构化数据的分析，2.图像分析和识别技术，3.医疗文献挖掘，及时更新权威性医疗指南。

1.3. 数据透明度：

原理：根据医疗服务方设置的操作和绩效数据集，进行数据分析，创建可视化流程图和仪表盘图解，从而促进信息透明。流程图的目的是：识别和分析临床变异和医疗废物的来源，以便优化流程，改善绩效。仪表盘图解可显示成本、质量、和绩效数据，并可以与物质奖励挂钩。

挑战：美国医疗保险和医疗补助服务中心，以及美国疾病控制和预防中心（CDC）正在测试仪表盘，倡议建设主动、透明、开放、协作型的政府。

1.4. 远程病人监控：

原理：对慢性病人的远程监控，收集数据，并把分析结果反馈给监控设备，以便查看病人是否遵从医嘱，从而确定用药和调整治疗方案。

实践：2010年，美国有1.5亿慢性病患者，如糖尿病、心衰、高血压等等，他们的医疗费用占整个医疗成本的 80%。远程监控可以提醒医生，对慢性病人采取及时治疗，防止紧急情况的发生，减少急诊数及住院时间，提高家庭护理和门诊医生预约量。

挑战：远程监控设备的安装和数据记录的完整性。

1.5. 发现易感人群：

原理：确定哪些人是特异性疾病的易感人群，尽早接受预防性保健方案，或者推荐最佳治疗方案。

挑战：需具有分析大规模EMR数据的人员。

2. 付款定价。美国每年创造500亿美元的价值。

2.1. 检测医保欺诈：

原理：设计算法，检测索赔准确性。欺诈检测可以是追溯性的，也可以是实时的。

实践：每年有2%-4%医疗索赔涉嫌欺诈或者金额不合理。

挑战：医疗机构和患者的诚信度。

2.2. 基于疗效，制订药价：

原理：基于疗效制订定价策略，并且让药厂参与定价过程，分摊治疗风险。对医保的好处：省钱；对患者的好处：可负担新药费用；对药企的好处：药品与疗效挂钩，获得高投入快研发，高收益。

实践：欧洲正在实施基于疗效的药品定价试点。

挑战：医疗机构，药企和政府的合作。

3. 药品研发。美国每年1000亿美元的价值。

3.1. 预测疗效：

原理：基于药物临床试验前及早期临床试验的数据，预测临床结果，评价药物的安全性、有效性、潜在的副作用。暂缓次优药物的研制，停止次优药品的昂贵的临床试验，降低研发成本。同时，发现潜在的高回报的市场，以及有针对性的药物研发。

实践：新药的研制，从研发到推向市场大约需13 年时间，使用预测模型可以帮助药企提早3-5年，增加投入的早期回报。

挑战：时间/效率比。

3.2. 招募试验患者：

原理：通过分析病人的EMR，评估招募患者是否符合试验条件，从而加快临床试验进程。

挑战：道德伦理。

3.3. 发现其它适应症及副作用：

原理：对临床试验数据进行分析，对药物重新定位，发现其它适应症，同时，收集不良反应，促进药物警戒。

实践：2004年止痛药Vioxx撤市，给默克公司造成70亿美元损失，股价跌33%挑战：药物上市后的监测及后期分析。

3.4. 个性化治疗：

原理：对于病人的个体差异和遗传变异，即便诊疗方案相同，疗效却不一样。针对不同病人，根据基因组序来调整药物及剂量，减少试验性的治疗时间和药物副作用。

挑战：个体化治疗成功率。

3.5. 疾病流行模式分析：

原理：通过大规模人群健康数据分析，预测疾病的发展模式，确定药品研发战略。

挑战：数据收集的时速和规模。

4. 社区商模。美国已开展了此项商业模式

4.1. 数据交易市场：

原理：医疗服务提供方、费用支付方、医药企业，交易数据，互利互惠。

挑战：企业间商务合作。

4.2. 网络社区：

实践： PatientsLikeMe.com，病人分享治疗经验。 Sermon.com，医生分享治疗案例。 ParticipatoryMedicine.org， 鼓励病人积极治疗。

挑战：医学专业术语的普通化。

5. 公众健康。美国政府已开展长期的公共健康服务

原理：疫情监测、信息发布，快速响应，全民预防。

挑战：政府和企业的合作。

来源：生物医学互助平台   作者：郭旭光博士