在中國(guó)，醫(yī)療數(shù)據(jù)的傳統(tǒng)來源主要是醫(yī)院診所等醫(yī)療機(jī)構(gòu)。醫(yī)療信息化在中國(guó)已經(jīng)熱鬧了十余年，眾多醫(yī)療機(jī)構(gòu)都配置了醫(yī)院管理信息系統(tǒng)（HMIS：Hospital Management Information System，）和臨床信息系統(tǒng)（CIS：Clinical Information System，）。HMIS和CIS的各個(gè)模塊中都沉淀了大量醫(yī)療數(shù)據(jù)。診療數(shù)據(jù)、用藥數(shù)據(jù)、醫(yī)學(xué)檢驗(yàn)結(jié)果數(shù)據(jù)以及費(fèi)用數(shù)據(jù)都已比較常見。隨著技術(shù)進(jìn)步，新的數(shù)據(jù)源也不斷出現(xiàn)，比如基因檢測(cè)數(shù)據(jù)。

雖然醫(yī)療數(shù)據(jù)源越來越豐富了，但目前有價(jià)值的應(yīng)用仍然很有限。這當(dāng)中最主要的原因或許是公立醫(yī)院的數(shù)據(jù)基本不開放不兼容，而大多數(shù)醫(yī)療服務(wù)類創(chuàng)業(yè)企業(yè)只能積累一些非核心醫(yī)療數(shù)據(jù)。

對(duì)公立醫(yī)院來說，雖然醫(yī)保處和績(jī)效處會(huì)有一些數(shù)據(jù)分析，但總的說來不大重視挖掘醫(yī)療數(shù)據(jù)；而對(duì)于醫(yī)療服務(wù)類創(chuàng)業(yè)企業(yè)來說，雖然幾乎家家談起其商業(yè)模式時(shí)，都少不了“對(duì)大數(shù)據(jù)的挖掘和應(yīng)用”這條，可是實(shí)際上所謂數(shù)據(jù)挖掘和應(yīng)用往往還停留在簡(jiǎn)單分析心率／血壓／血糖等指標(biāo)或統(tǒng)計(jì)一下鍛煉頻次／強(qiáng)度，離提升醫(yī)療質(zhì)量和效率這一目標(biāo)還比較遠(yuǎn)。不過，近年來資本大舉進(jìn)入醫(yī)療服務(wù)行業(yè)，一批創(chuàng)業(yè)企業(yè)開始直接辦診所開醫(yī)院，SaaS 模式的診所管理系統(tǒng)也開始流行。期待這些變化能有力促進(jìn)醫(yī)療數(shù)據(jù)的深度應(yīng)用。

與中國(guó)醫(yī)療服務(wù)機(jī)構(gòu)形成鮮明對(duì)比的是，許多美國(guó)醫(yī)療服務(wù)機(jī)構(gòu)都設(shè)有龐大的數(shù)據(jù)部門。這背后最大的動(dòng)力是美國(guó)正在進(jìn)行的支付方式改革：從傳統(tǒng)的按量付費(fèi)轉(zhuǎn)變?yōu)榘磧r(jià)值付費(fèi)，即基于醫(yī)療服務(wù)為患者和社會(huì)創(chuàng)造的價(jià)值來付費(fèi)。一方面，價(jià)值需要用所服務(wù)人群的詳盡數(shù)據(jù)來證明；另一方面，按價(jià)值付費(fèi)這種模式對(duì)醫(yī)療服務(wù)機(jī)構(gòu)的精細(xì)化管理水平也提出了更高的要求。正因如此，醫(yī)療數(shù)據(jù)的挖掘和分析幾乎已經(jīng)成了美國(guó)醫(yī)療服務(wù)機(jī)構(gòu)的必修課。

美國(guó)醫(yī)療服務(wù)機(jī)構(gòu)常用的數(shù)據(jù)分析方法有如下三種。

描述分析（Descriptive Analytics）：是醫(yī)療服務(wù)行業(yè)中最常用的數(shù)據(jù)分析方法，主要用于反映和剖析已經(jīng)發(fā)生的事實(shí)。比如說，分析某些患者使用的藥物以及治療的效果。

預(yù)測(cè)分析（Predictive Analytics）：根據(jù)歷史數(shù)據(jù)判斷出模式，并預(yù)測(cè)未來的結(jié)果和趨勢(shì)。比如說，如何判斷出哪些患者是高風(fēng)險(xiǎn)患者并相應(yīng)進(jìn)行預(yù)防和干預(yù)。

指導(dǎo)分析（Prescriptive Analytics）：基于已有數(shù)據(jù)，總結(jié)及建議一種或多種決定或行動(dòng)方案，并提供每種決定或行動(dòng)方案可能的結(jié)果。在醫(yī)療服務(wù)行業(yè)中，指導(dǎo)分析常常用于臨床決策支持。

通過以上的這些數(shù)據(jù)分析方法，醫(yī)療服務(wù)機(jī)構(gòu)能夠監(jiān)控、記錄、衡量、分析和管理醫(yī)療服務(wù)的流程和結(jié)果。比如，比較不同醫(yī)療機(jī)構(gòu)的服務(wù)質(zhì)量、對(duì)患者進(jìn)行分型管理、設(shè)計(jì)和調(diào)整診療路徑等等。

來自Allina Health的真實(shí)案例：運(yùn)用預(yù)測(cè)分析工具降低再入院率

為了更好的了解美國(guó)醫(yī)療服務(wù)機(jī)構(gòu)如何通過醫(yī)療數(shù)據(jù)分析創(chuàng)造價(jià)值，我們來看一個(gè)實(shí)例，位于明尼蘇達(dá)州（Minnesota）雙子城（Twin Cities）的Allina Health。

AllinaHealth是雙子城地區(qū)最大的醫(yī)療集團(tuán)，擁有11家醫(yī)院，60家診所，15家社區(qū)藥房，4家門診中心，年收入超過30億美元。

AllinaHealth的醫(yī)療數(shù)據(jù)挖掘之路始于其2004年的醫(yī)療信息化建設(shè)。這一年，Allina Health為其下屬的全部醫(yī)療機(jī)構(gòu)配置了先進(jìn)的醫(yī)療信息系統(tǒng)，給每一位患者建立了電子病歷。到了2008年，Allina Health已建立起由近20名數(shù)據(jù)架構(gòu)師、數(shù)據(jù)分析師組成的數(shù)據(jù)部門，并擁有持續(xù)更新的企業(yè)數(shù)據(jù)倉(cāng)庫(kù)（EDW：Enterprise Data Warehouse）。EDW中存儲(chǔ)的數(shù)據(jù)均為已清洗數(shù)據(jù)。

由于患者短期（1至3個(gè)月）內(nèi)反復(fù)再住院會(huì)導(dǎo)致醫(yī)療費(fèi)用的顯著增加，而這種再住院很可能是可以避免的，在美國(guó)，考核醫(yī)療機(jī)構(gòu)的關(guān)鍵指標(biāo)是再住院率。

2012年開始，美國(guó)醫(yī)療保險(xiǎn)和醫(yī)療補(bǔ)助服務(wù)中心（CMS： Centers forMedicare and Medicaid Services）設(shè)置了專門的降低再住院率項(xiàng)目 （HRRP：Readmissions Reduction Program），將各家醫(yī)療機(jī)構(gòu)的再住院率與全國(guó)平均值進(jìn)行比對(duì)。再住院率過高的醫(yī)療機(jī)構(gòu)將面臨包括降低醫(yī)保報(bào)銷額在內(nèi)的一系列懲罰。為了降低再住院率，Allina Health的數(shù)據(jù)部門制定了名為Tackling Readmissions的項(xiàng)目計(jì)劃（下稱TR項(xiàng)目）。

TR項(xiàng)目主要分為兩部分。

1．識(shí)別再住院風(fēng)險(xiǎn)高的患者

通過運(yùn)用預(yù)測(cè)分析方法挖掘過去兩年積累的約18萬(wàn)名住院患者的數(shù)據(jù)，TR項(xiàng)目建立了可自動(dòng)為每位患者計(jì)算再住院風(fēng)險(xiǎn)分值（Readmission Risk Score）的再住院預(yù)測(cè)模型（ReadmissionPredictive Model）。該模型包括了個(gè)人數(shù)據(jù)和臨床數(shù)據(jù)這兩大類變量，數(shù)據(jù)維度高達(dá)數(shù)百項(xiàng)。每位住院患者的電子病歷里都包含了其再住院風(fēng)險(xiǎn)分值。依據(jù)再住院風(fēng)險(xiǎn)分值的高低，Allina Health從本年度的15萬(wàn)名住院患者中識(shí)別出約8000名再住院風(fēng)險(xiǎn)高的患者。

2．為高風(fēng)險(xiǎn)患者提供更多支持從而降低其再入院的風(fēng)險(xiǎn)

AllinaHealth為再住院風(fēng)險(xiǎn)高的患者分批安排了交接會(huì)議（Transition Conference），希望通過優(yōu)化協(xié)調(diào)院內(nèi)治療與出院后的隨訪和康復(fù)來降低其再入院的風(fēng)險(xiǎn)。

交接會(huì)議是由醫(yī)護(hù)人員與患者及其家屬進(jìn)行的特別會(huì)議，主要內(nèi)容有：梳理患者下一階段的隨訪和康復(fù)所需資源、組織協(xié)調(diào)下一階段的隨訪及康復(fù)安排、培訓(xùn)患者及其家屬。對(duì)有需要的患者，Allina Health還會(huì)提供監(jiān)控設(shè)備、上門隨訪等資源支持。

通過挖掘自身醫(yī)療信息系統(tǒng)積累的數(shù)據(jù)，Allina Health得以把有限的醫(yī)療資源分配給更能產(chǎn)生價(jià)值的患者身上。TR項(xiàng)目的成果非常可喜：第一批獲得交接會(huì)議支持的患者有800名，他們的再入院率平均降低了約15％。