某智慧医疗项目建设
解
决
方
案
目录
总体方案思路是： 基于目 前医疗服务机构及相关机构已有的 HLI、NHLI、 HIS 等有关系统形成并积累的医药医疗健康云平台和信息， 采用最新的云平台技术、 云计算技术、 BI 和数据挖掘技术， 形成对医疗行业具有新视角、 全方位、 智能性、 预测性、 可视性的深层次展示分析效果（Insight）， 揭示医疗行业整体规律和内在发展趋势， 揭示患者个体的独有特质并形成个性医疗， 将医疗行业的宏观大势与每个患者的微观个体定性定量描述有机结合， 达到支撑和形成医疗行业新应用场景和新服务模式。“医药医疗健康云平台” 是具有更强的决策力、 洞察发现力和流程优化能力的海量、 高增长率和多样化的信息资产， 但需要新计算处理模式。
背景介绍
是选出有用的信息， 然后通过各种手段将信息转化为洞察力，从而做出正确决策， 并最终推动业务发展。 通过一系列分析处理， 云平台可以帮助企业制定明智且切实可行的战略， 获取前所未有的客户洞察， 支持客户 购买行为， 并构建新的业务模式， 进而赢得竞争优势。
我国居民脑血栓， 糖尿病， 高血压等慢性病病例数达到 2. 6 亿，占全国总人数的 20%， 其中高血压病人对自身疾病的知晓率只有 30%，同时这些病人中的治疗率只有 25%， 控制率仅为 6%， 糖尿病病人中，能坚持做到规范治疗的也只有 33%。 由此我们可以看出， 建立科学、规范、 高质量的慢性病管理策略， 实现对人体慢性病的监护具有重大的意义。 通过慢性病的早期诊断和监护， 不仅能提前预防和控制各种疾病， 还能帮助他们合理用药， 减少医药开支。 另一方面， 我国公共医疗卫生资源紧缺， 城乡 医疗卫生资源的差距比较大， 城市人口 平均拥有的医疗卫生资源是农村人口 的 2. 5 倍以上， 比如， 占全国总人口近 70%的农村拥有全国医疗卫生资源的 30%， 而占全国总人口 30%的城市却占有全国医疗卫生资源的 70%， 优质的医疗卫生资源集中分布在城市， 尤其是大城市。 因此， 实现城乡 之间的医疗卫生资源共享成为丞待解决的重要问题。
同时， 随着国家积极倡导“3521” 医疗系统建设， 我国医疗领域信息化程度得到了 很大的提高， 预计在全国会出现上百个医疗数据中心， 每个数据中心都将承载近 1000 万人口 的医疗数据， 数量多、 更新快且类型繁杂， 使医院数据库的信息容量不断膨胀， 这就产生了 医疗健康云平台。 医疗健康云平台通常具有以下特征:
(1) 数据巨量化: 区域医疗数据通常是来自 于拥有上百万人口和上百家医疗机构的区域， 并且数据呈持续增长的趋势。 依照医疗行业的相关规定， 患者的数据通常至少需要保留 50 年。
(2) 服务实时性: 医疗信息服务中会存在大量在线或实时数据分析处理的需求。 例如: 临床中的诊断和用药建议、 健康指标预警等。
(3) 存储形式多样化: 医疗数据的存储形式多种多样， 例如各种结构化数据表、 非( 半) 结构化文本文档、 医疗影像等。
(4) 高价值性: 医疗数据对国家乃至全球的疾病防控、 新药研发和顽疾攻克都有着巨大的作用。
因此， 如何在海量的医疗健康云平台中提取信息的能力正快速成为战略性发展的方向， 通过云平台分析挖掘出有价值的信息， 将对疾病的管理、 控制和医疗研究都有着非常高的价值。
目 前， 云平台、 云计算是已经普及并成为 IT 行业的主流技术。国内外都已经进入了 云平台、 云计算的研究热潮， 同时云平台、 云计算技术也逐渐成熟， 大规模区域医疗信息系统和大型数据中心的建立也在同时进行。 而云计算是云平台成长的驱动力， 与此同时， 由于医药医疗健康云平台越来越多， 对云计算的需求日益增长， 所以二者是相辅相成的。 随着医疗数据的急剧增长， 如何充分利用这些数据， 运用云平台、 云计算技术， 搭建合理先进的数据云服务平台， 为广大患者、 医务人员、 科研人员提供服务和协助， 必将成为未来信息化工作的重要方向。
“云平台时代” 已经降临， “云平台” 正在对每个领域都造成影响。 在商业、 经济及其他领域中， 决策行为将日益基于数据和分析的结果， 而非基于经验和直觉； 而在公共卫生、 经济发展和经济预测等领域中， “云平台” 的预见能力也已经崭露头角。 根据我国居民第三次死因调查报告显示， 脑血管病已成为居民的第一死因。 脑卒中发病率正以每年 8. 7%的速率上升， 我国每年用于治疗脑血管病的费用约在 100 亿元以上。 2014 年， GE 医疗中国联合国家卫生计生委脑卒中防治工程委员会(脑防委) 启动了 “脑卒中行动” 合作战略。 GE 医疗“脑卒中行动” 的法宝之一就是云平台。 尤其是 GE 构建的三级筛查网络， 对双侧内膜增厚的高危人群检出率提升了 近 10%。 GE 搭建的脑卒中信息管理系统可以与医院 Lis 和 His 系统全面对接， 记录患者的基本信息、 初筛信息、 复筛信息、 用药信息、 实验室检查、 体格检查信息及其随访信息等， 全面跟踪患者的诊治流程。 还可以与 PACS 系统对接， 全面记录患者的影像学信息， 实现患者影像信息的共享。 同时， 可对患者全流程疾病影像信息回顾， 减少患者重复检查的负担，协助医生对患者疾病信息的全面判断。
在上述这些大背景下， 本公司提出并计划研发“医疗健康云平台分析应用平台”（以下简称“方案”） 产品， 以期为我国医疗卫生实现数字医疗、 智慧医疗、 健康医疗发挥重要作用。 从而达到： 服务模式（以患者为中心， 形成居民健康全过程服务）， 从被动到主动； 医疗模式（以预防为主， 人人享有基本医疗卫生服务， 将医疗卫生工作重点由后治前移到预防保健）， 从治病到防病； 诊疗模式（避免各自为政， 实行上下联合， 专业分工）， 从排斥到联动； 数据模式（从业务系统数据向整体数据转变， 改变过去的数据不统一、 不互通、 不共享），从隔离到整体； 技术模式（采用各种新技术手段， 包括云平台、 云计算、 物联网、 移动互联等， 形成技术合力）， 从简单到综合的转变。
方案愿景
形成充分发挥云平台技术的， 针对医疗医药行业的， 能充分适应医疗卫生信息特征的云平台分析应用支撑平台， 通过云平台分析， 达到发现知识、 发现规律、 预测未来， 将医疗卫生行业推进进入云平台时代提供技术可行性。
方案定位
方案以医疗卫生行业的整体数据架构（数据模型、 数据构成、 数据关系） 为基础和标准， 以对应的医疗卫生业务数据为输入， 通过云平台技术， 形成针对医疗卫生行业中不同机构、 角色和业务活动的智能化应用， 因此方案不是代替已有医疗卫生信息化系统， 而是在多个方面强化已有医疗卫生信息化系统， 包括任意查询、 即兴分析、 业务增强、 规则约束、 预测未来、 发现知识， 并提供互动性、 及时性、 预知性、 洞察性， 从而达到实现智慧医疗的目 标。
3.1解决的问题
当前医疗卫生信息化建设的主要问题是各个区域内不同医疗机构中患者的基础信息和各种临床信息资源分散、 重复、 孤立， 导致有效信息闲置、 信息重复或不一致， 很难得到有效利用。
通过方案实现国家医疗卫生信息化规划中“4631-2” 的三大基础数据库， 即电子健康档案数据库、 电子病历数据库和全员人口 个案数据库的应用落地；
通过方案实现智慧医疗的核心部分， 即医疗卫生服务体系的智能化， 使医疗卫生的各种应用提升水平；
通过方案为“看病难、 看病贵” 的解决提供科学定量判断依据、对比分析依据和方案效果评价依据；
3.2达到的效果
方案预期部署到云平台上运行， 采用 SOA 的理念进行架构开发，通过分层将公共云平台算法模型封装为服务， 对业务应用提供服务，同时平台业务应用也是服务的形式存在， 即应用单位不再需要购买部署自己的服务器硬软件环境， 只需要开通相应服务就可以了 。 各个应用单位根据自己的业务需要定制服务， 平台支持“开通即用” 服务模式， 为实现业务应用集成， 方案将对外支持 Web Service 方式的接口服务。
方案希望将医疗卫生的智慧功能应用 普及到业务角 色和过程的方方面面， 包括医生（包括专科医生、 全科医生、 保健医生等）、 患者（包括慢性病患者、 潜在患者等）、 管理者（包括医疗管理者、 医疗保险管理者、 医药监管管理者、 公共卫生管理者等）、 医药经营者（药品研发、 药品生产、 药品物流、 药品零售等） 以及商业医疗保险经营者（健康险、 大病险、 医疗意外险等）。
方案理念
医疗卫生、 健康保健、 医药器械形成的海量数据就象一座待开发的金矿， 利用云平台技术、 云计算技术、 物联网技术和便携设备技术的最新成果， 将给医疗卫生事业带来全新革命性的改变， 明显解决看病难和看病贵的问题， 达到医疗卫生资源配置分布合理、 大病小病治疗各司其职、 疾病预防治疗有机结合、 公民健康保健全过程覆盖。
总体思路
通过建立医疗卫生云平台的统一标准和规范， 形成可被相关业务应用所利用的医疗卫生云平台源和交互机制， 在此基础上， 首先形成专题云平台应用， 这些应用具有跨部门和组织机构的通用性， 并具有良好的稳定性， 因为这些应用是面向医疗卫生专题的； 基于专题云平台应用， 根据医疗卫生相关部门和组织机构的业务要求， 可开发形成各种业务云平台应用， 并且随着平台的推广， 积累的医疗卫生业务云平台应用的实例将会越来越多， 并最终形成不同方向的最佳应用样例。
5.1对接数据源， 获取医疗卫生云平台
医疗卫生云平台中心为方案进行医疗卫生云平台分析提供数据源， 但不在方案范围内， 并平台只是开发提供一套与该数据中心的数据读取接口 ， 并具有监控数据读取情况汇总统计和异常提示功能。
该数据中心的定位： 整合区域内不同医疗机构中患者/健康人群的各种临床诊疗数据、 健康数据， 在相对集中的逻辑/物理环境中，构建一个以存储和处理患者/健康人群诊疗信息为核心， 覆盖多学科、多专业的面向区域内主要卫生行政主管部门、 临床医疗机构和社会公众的医学（医药、 医疗、 健康） 信息资源共享机制—-区域性医学数据中心。
区域性医学数据中心的建设以行政业务处理、 医疗、 预防、 保健、康复为服务主线， 以健康人群和患者的医疗活动需求为基础。 区域卫生数据中心通过制定标准的数据接口 ， 建立基于广域网的信息交换、数据采集和传输机制， 对区域内医疗卫生信息数据进行采集、 传输、清洗和汇总， 将医院、 社区、 医药企业以及公共卫生机构的各类数据、系统有机地整合起来， 生成区域的卫生云平台。
5.2对获取的医疗卫生云平台预处理机制
医疗卫生云平台预处理主要完成对已接收数据的辨析、 抽取、 清洗等操作， 目 的是将数据按统一的格式提取出来， 然后再转化， 集成，载入数据仓库的工具 （ETL） 包括： 抽取： 因获取的数据可能具有多种结构和类型， 数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型， 以达到快速分析处理的目 的； 清洗：对于云平台， 并不全是有价值的， 有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项。 因此要对数据通过过滤“去噪” 从而提取出有效数据。
5.3建立医疗卫生云平台的存储机制
虽然关系型数据库系统(RDBMS) 在安装和使用上仍然占有主要地位， 但毋庸置疑， 非关系型数据库 NoSQL 技术已经成为今天发展最快的数据库技术。 NoSQL 是对数据库系统的总称， 在某种程度上， 它的性能和用途可能完全不同。
目 前除了 关系型数据库外， 还主要存在有以下四种 NoSQL 数据管理系统：
键值数据库： 当数据以键的形式访问时， 比如通过国际标准书号ISBN 找一本书， 键值数据库是最理想的。 在这里， ISBN 是键， 书籍的其他信息就是值。 必须知道键才能查询， 不过值是一堆无意义的数据， 读取之后必须经过翻译。
文档数据库： 该数据库以文档的形式管理和存储数据。 有点类似于键值数据库， 但文档数据库中的数据有结构。 与键值数据库中值是一堆无意义的数据不同， 文档数据库中数据以文档的结构被描述， 典型的是 JavaScript Object Notation (JSON) 或 XML。 文档存储数据库中的数据可以通过定义的任何模式进行查询， 但键值数据库只能通过它的键进行查询。
列式数据库： 也被称为列式存储或宽列存储， 一改之前行式存储的方式， 对数据进行列式存储。 在传统关系型数据库中， 数据经常以行来访问。 以列式管理记录的 NoSQL 数据库可以管理大规模的动态列。
因为没有固定的模式， 所以列名和键可以变换。 列式数据库适用于不经常写的情况， 要满足 ACID（原子性、 一致性、 隔离性和持久性）的要求并不难， 而且模式是变化的。
图型数据库： 图型数据库关注值与值之间的关系， 用图型的数学概念存储数据。 图型数据库用带有点、 边缘和属性的图的结构表示和存储数据。 在图型数据库中， 每一个元素都包含一个直接的指向它毗邻元素的点， 所以也就不需要索引查找。
每个种类的 NoSQL 数据库都有适用的不同类型的应用程序和用例， 这就涉及到一个 NoSQL 社区常用的一个话题， 即多样持久性， 或者说根据数据库处理应用程序需求的不同， 使用不同的数据库系统，用于不同的应用程序和用例。
5.4 医疗卫生云平台的处理和分析算法分类和形成
技术分类方法
根据挖掘任务： 分为分类或预测模型发现、 数据总结、 聚类、 关联规则发现、 序列模式发现、 依赖关系或依赖模型发现、 异常和趋势发现等等；
根据挖掘对象： 可分为关系数据库、 面向对象数据库、 空间数据库、 时态数据库、 文本数据源、 多媒体数据库、 异质数据库、遗产数据库以及环球网 Web；
根据挖掘方法： 可分为: 机器学习方法、 统计方法、 神经网络方法和数据库方法。
主要处理和分析技术
预言处理： 用历史预测未来；
挖掘规律处理： 了 解数据中潜在的规律；
关联分析： 查找存在于项目 集合或对象集合之间的频繁模式、 关联、 相关性、 或因果结构；
序列模式处理： 给定一个由不同序列组成的集合， 其中， 每个序列由不同的元素按顺序有序排列， 每个元素由不同项目 组成，同时给定一个用户 指定的最小支持度阈值， 序列模式挖掘就是找出所有的频繁子序列， 即该子序列在序列集中的出现频率不低于用户 指定的最小支持度阈值；
分类（预言） 分析： 预测分类标号（或离散值）， 根据训练数据集和类标号属性， 构建模型来分类现有数据， 并用来分类新数据。 建立连续函数值模型， 比如预测空缺值；
聚类分析： 聚类是一种无监督分类法: 没有预先指定的类别。 在同一个类中， 对象之间具有相似性； 不同类的对象之间是相异度分析； 把一个给定的数据对象集合分成不同的簇。 将物理或抽象对象的集合分组成为由类似的对象组成的多个类； 聚类在不同的应用领域， 用作描述数据， 衡量不同数据源间的相似性，以及把数据源分类到不同的簇中； 聚类是将数据分类到不同的类或者簇这样的一个过程， 所以同一个簇中的对象有很大的相似性， 而不同簇间的对象有很大的相异性； 聚类与分类不同，聚类所要求划分的类是未知的；
异常检测分析： 异常检测是数据挖掘中一个重要方面， 用来发现”小的模式” (相对于聚类) ， 即数据集中间显著不同于其它数据的对象；
可视化分析： 数据可视化可以让数据自己说话， 让用户 直观的感受到结果；
数据挖掘算法： 分割、 集群、 孤立点分析还有各种算法让我们精炼数据， 挖掘价值。 这些算法要能够应付云平台的量， 同时还具有很高的处理速度；
语义引擎： 人工智能从数据中主动地提取信息。 包括机器翻译、情感分析、 舆情分析、 智能输入、 问答系统等；
数据质量和数据管理： 透过标准化流程和机器对数据进行处理可以确保获得一个预设质量的分析结果。
5.5开发专题云平台分析， 形成专题云平台应用
面向医疗卫生专业所特有的专题， 开发形成一系列的专题云平台应用。 在充分调研和分析医疗卫生行业的业务特性基础上， 研发形成具有我国医疗卫生行业特征的分类专题云平台分析， 并根据专题组成和业务功能要求形成满足该业务专题的云平台应用， 如心脏病专题的云平台应用， 包括其成因的云平台分析、 其日常行为对病情影响的云平台分析等， 为有关机构进行心脏病的有关活动（预测、 预防、 治疗、恢复） 提供支撑。
5.6开发机构云平台分析， 建立机构云平台应用
面向不同的医疗卫生机构和部门及其相关企业机构， 开发形成针对不同机构和部门业务的机构云平台应用， 如医疗卫生机构应用、 医疗卫生管理机构应用等。 在上述专题云平台应用基础上， 结合所承担的相关医疗卫生及其相关机构项目 ， 进行机构云平台应用定制开发。
5.7建立平台应用实施推广组织机制
在方案开发和部署基础上， 逐步形成基于方案开发应用项目 的实施推广组织机制， 包括市场宣传、 营销推广、 实施维护和售后服务等。
5.8建立平台产品优化升级服务组织机制
方案作为公司的主打产品系列， 要建立严格的版本控制， 并根据市场反馈和内部技术发展， 进行有计划的平台版本升级， 并将新版本升级信息和文档， 按规定通知已有用户 ， 并及时进行升级维护服务。
6医疗卫生信息的云平台建模描述和分析
伴随着中国医疗卫生服务的信息化进程推进， 将产生大量的数据。这些数据主要来源于医疗业务活动、 健康体检、 公共卫生等 9 项医疗卫生服务。 数据内容包括来自医院的大量电子病历、 区域卫生信息平台采集的居民健康档案等。 其中大量充斥着非结构化/半结构化的数据， 包括图像， office 文档， 以及 XML 结构文档等。 医疗健康云平台的应用， 关键是整合所有可能得到的这些数据， 为机构和政策制定者来找到如何刺激经济并降低共享数据的技术门槛。
6.1我们给出的相关数据模型
我国医疗卫生行业涉及的数据实体对象种类非常众多， 包括医疗机构－科室－医生（门诊、 住院）、 大众群体－患者、 医疗管理部门－卫生局－疾控中心－医保中心－发改委－中医药管理局、 医药管理部门－药监局、 医药研发－医药生产－医药经营－药品（处方药、 ODC药）、 医疗器械研发－医疗器械生产－医疗器械经营－医疗器械、 商业医疗保险公司、 体检中心－体检医生、 APP 服务等。
6.2卫计委给出的相关数据模型
2010 年底， 原卫生部完成了 “十二五” 卫生信息化建设工程规划编制工作， 初步确定了 我国卫生信息化建设路线图， 简称“3521-2工程”， 即建设国家级、 省级和地市级 3 级卫生信息平台， 加强公共卫生、 医疗服务、 新农合、 基本药物制度、 综合管理等 5 项业务应用，建设健康档案和电子病历 2 个基础数据库和 1 个专用网络建设， 进行医疗卫生信息标准化体系和安全保障体系 2 个体系建设。
2013 年 11 月 ， 卫生部和计生委合并后， 信息化建设工程规划的顶层设计规划又调整为“4631-2 工程”， 其中，“4” 代表 4 级卫生信息平台， 分别是： 国家级人口 健康管理平台， 省级人口 健康信息平台、地市级人口 健康区域信息平台及区县级人口 健康区域信息平台; “6”代表 6 项业务应用， 分别是： 公共卫生、 医疗服务、 医疗保障、 药品管理、 计划生育、 综合管理;“3” 代表 3 个基础数据库， 分别是： 电子健康档案数据库、 电子病历数据库和全员人口 个案数据库;“1” 代表 1 个融合网络， 即人口 健康统一网络; 最后一个“2” 是人口 健康信息标准体系和信息安全防护体系。 依托中西医协同公共卫生信息系统、基层医疗卫生管理信息系统、 医疗健康公共服务系统打造全方位、 立体化的国家卫生计生资源体系。 卫计委规划的三大基础数据库相互关系和包括的主要数据如下图所示。
电子健康档案的数据架构是以人的健康为中心， 以生命阶段、 健康和疾病问题、 卫生服务活动（或干预措施） 作为三个纬度构建的一个逻辑架构， 用于全面、 有效、 多视角地描述健康档案的组成结构以及复杂信息间的内在联系。 通过一定的时序性、 层次性和逻辑性， 将人一生中面临的健康和疾病问题、 针对性的卫生服务活动（或干预措施） 以及所记录的相关信息有机地关联起来， 并对所记录的海量信息进行科学分类和抽象描述， 使之系统化、 条理化和结构化。
个人健康档案的三维概念模型， 可以清晰地反映出每个个人不同生命阶段、 主要疾病和健康问题、 主要卫生服务活动三者之间的相互联系。 同时， 坐标轴上的三维坐标连线交叉所圈定的空间位置（域），表示了 人在特定生命时期、 因特定健康问题而发生的特定卫生服务活动所需记录的特定记录项集。 由于三维空间中的任意一个空间位置都对应着某个特定的健康记录， 从而构成了 一个完整、 立体的健康记录，这些健康记录全面地反映了 个人健康档案内容的全貌。
第一维（X 轴）： 生命阶段
按照不同生理年龄可将人的整个生命进程划分为连续的若干生命阶段， 如： 婴儿期（0～1 岁）、 幼儿期（1～3 岁）、 学龄前期（3～6 岁）、 学龄期（6～12 岁）、 青春期（12～20 岁）、 青年期（21～45岁）、 中年期（46～60 岁）、 老年期（60 岁以上） 等八个生命阶段。也可以根据基层实际工作的需要， 将人群化分为： 儿童、 青少年、 育龄妇女、 中年和老年人。
第二维（Y 轴）： 健康和疾病问题
每一个人在不同生命阶段所面临的健康和疾病问题不尽相同。 确定不同生命阶段的主要健康和疾病问题及其优先领域， 是客观反映居民卫生服务需求、 进行健康管理的重要环节。
第三维（Z 轴）： 卫生服务活动（或干预措施）
针对特定的健康和疾病问题， 医疗卫生机构开展一系列预防、 医疗、 保健、 康复、 健康教育等卫生服务活动（或干预措施）， 这些活动反映了 居民健康需求的满足程度和卫生服务利用情况。
6.3相关数据特征对比分析
从医药医疗健康云平台分析应用角度， 方案需要一个尽可能全和细的数据集合， 所以理想状态是结合上两部分数据内容形成的超集集合， 甚至包括一些非医疗健康数据， 如考察研究某种药对某种疾病的医疗效果时， 如果能获得当地的气象天气信息， 可能分析出的结果将明显不同。 另外可以看出目 前所给数据都是结构化数据， 如果从云平台分析应用角度， 理想的数据还应该包括图像、 图形、 文本等半结构和非结构数据， 以及非关系数据（多维数据）， 才能构成满足医药医
疗健康云平台分析应用的需求。
2000 年以来， 我国的医疗数据的生成和采集主要局限于各大医院。 近几年， 随着社区系统、 新农合系统、 村卫生室系统等基层医疗卫生信息系统逐步上线， 医疗卫生数据源头也越来越多， 数据量越来越大。 从卫生服务的类型看， 区域卫生信息的类型主要有： 医疗服务类、 公共卫生服务类、 社区卫生服务类、 卫生业务类、 卫生管理服务类数据。 根据估算， 中国一个中等城市（1 千万人口 规模） 50 年所积累的医疗卫生数据量就会达到 10PB 级。 随着各地区域卫生信息平台的建设， 存储于各医疗卫生机构的数据将逐步通过各种方式实现整合与共享。
多维数据由于医疗数据是多种数据源数据的汇总， 数据之间的关系非常复杂。 如下图所示： 以患者为中心的服务需要把一个患者的全周期数据按照时间轴排列， 并分析诊断、 用药和患者生命体征、 检验检测值之间的关联； 以医生为中心的服务又需要把与医生相关的患者数据挑拣出来， 并进行分类； 以科室为中心的服务可能需要既从科室所属医生的角度， 又要从在该科室就诊患者的角度进行分析； 针对社区的服务可能需要统计整个社区居民某项指标（比如血压、 血糖） 的达标率。 医疗数据的多维度、 多粒度为各种信息服务的多角度、 多层次分析提供了 可能， 但同时也为云平台分析带来了 挑战。 因为不可能为每一种信息服务存储一份特定的优化模式的数据， 况且也无法枚举出所有可能的信息服务需求。 这就需要医疗数据的存储模型能够适应灵活多变的多维统计分析需求。
7云平台分析应用平台支持的业务主题场景
方案支持的业务主题应用场景将尽量以国务院发布的《全国医疗卫生服务体系规划纲要（2015~2020 年）》 内容和目 标为依据， 即“优化医疗卫生资源配置， 构建与国民经济和社会发展水平相适应、 与居民健康需求相匹配、 体系完整、 分工明确、 功能互补、 密切协作的整合型医疗卫生服务体系， 为实现 2020 年基本建立覆盖城乡 居民的基本医疗卫生制度和人民健康水平持续提升奠定坚实的医疗卫生资源基础。” 最终形成我国医疗卫生服务体系的总体布局， 如下图。
方案将以患者个人生命全周期、 个人疾病全周期、 医疗卫生服务、医药供应链所产生的云平台源为主， 以支持个人、 医疗卫生服务机构、医药生产经营企业、 医疗卫生管理机构、 医疗保险机构、 公共卫生服务机构、 医药监管机构等的业务云平台应用为主要应用场景。
以个人为中心全生命周期的阶段划分， 如下图：
医疗卫生服务也从局限于医院内部的检查、 诊断和治疗， 扩展到未病、 病前和病后的全过程医疗卫生活动。 这些活动如下图：
7.1医疗卫生服务机构应用
医疗卫生服务机构要实现业务信息智慧洞察的目 标， 必须使用适当的技术架构平台来支持业务数据分析系统。 方法包括应用 云平台、数据仓库和商业智能技术， 集成医院各类数据资源， 实现医疗服务机构各类管理指标的预警监控， 并提供多维综合分析平台。 从而应用云平台处理和商业智能技术， 分析挖掘医院运营各个方面的信息数据，通过预警监控、 多维联机分析等技术手段， 能够有效地提升医院的医疗质量， 提高医院科学管理水平， 辅助管理层决策。
7.1.1各级医院自身应用
医院核心业务每天产生大量的医疗数据， 具有丰富的价值， 通过数据挖掘等手段的分析， 构成指导决策的数据， 这对医院的发展 决策非常重要。“现在的一个医生， 最多能管理 30 个糖尿病患者， 但是云平台研究一做出来， 一个医生能管理 200 个糖尿病患者， 光这一个应用， 我们就可以增加七倍的生产力。”
通过全面分析患者特征数据和疗效数据， 然后比较多种干预措施的有效性， 可以找到针对特定患者的最佳治疗途径。 通过对在患者档案方面的云平台分析， 可以确定哪些人是某类疾病的易感人群， 使他们尽早接受预防性干预。 这些方法也可以帮助患者选择恰当的治疗方案。
临床决策支持分析： 云平台分析将使临床决策支持系统更智能，这得益于对非结构化数据分析能力的日益加强. 例如: 可以使用图像分析和识别技术， 识别医疗影像数据， 或者挖掘医疗文献数据建立医疗专家数据库， 从而给医生提出诊疗建议”此外， 临床决策支持系统还可以使医疗流程中大部分的工作流向护理人员和助理医生， 使医生从耗时过长的简单咨询工作中解脱出来， 从而提高诊疗效率。
就诊人数及走势分析， 使医院管理人员及时准确地了 解各科室的工作量， 有效地指导计划、 人员计划及药品材料计划，大大增进对未来工作量的把握度；
药品材料消耗及供应商分析， 指导医院的采购行为；
医疗能力分析： 医院各级领导及时准确地了 解各科室的医疗能力情况， 治愈率和好转率；
医疗效率分析， 分析人均住院时间、 人均治疗时间等， 对各科室的效率进行分析；
库存分析， 用于了 解西药、 中药、 材料的库存情况， 指导资源使用；
医疗质量分析， 包括对门诊质量、 住院质量、 检验质量等的分析。
医疗数据可视化分析： 根据医疗服务提供方设置的操作和绩效数据集， 可以进行数据分析并创建可视化的流程图和仪表盘， 促进信息透明”流程图的目 标是识别和分析临床变异和医疗废物的来源， 然后优化流程。 仅仅发布成本! 质量和绩效数据， 即使没有与之相应的物质奖励， 往往也可以促进绩效的提高， 使医疗服务机构提供更好的服务， 从而更有竞争力。 公开发布医疗质量和绩效数据还可以帮助病人做出更明智的健康护理决定， 这也将帮助医疗服务提供方提高总体绩效， 从而更具竞争力。
医学图像挖掘分析： 医学图像(如CT， ! MRI， PET等) 是利用人体内不同器官和组织对X 射线! 超声波! 光线等的散射、 透射、 反射和吸收的不同特性而形成的”它为对人体骨骼、 内脏器官疾病和损伤进行诊断! 定位提供了 有效的手段” 医学领域中越来越多地使用图像作为疾病诊断的工具。
DNA分析： 随着人类基因组计划的开展产生了 巨量的基因组信息，区分DNA序列上的外显子和内含子成为基因工程中对基因进行识别和鉴定的关键环节之一。 使用有效的数据挖掘方法从大量的生物数据中挖掘有价值的知识， 提供决策支持” 目 前已有大量研究者努力对DNA数据分析进行定量研究， 从已经存在的基因数据库中得到导致各种疾病的特定基因序列模式。 一些DNA分析研究的成果已经得到许多疾病和残疾基因， 以及新药物! 新方法的发现。
合理用药应用分析： 为临床医药卫生技术人员提供了 一个有效掌握、 方便查询、 可利用价值高的权威信息源， 为临床医药卫生技术人员节省大量时间、 实现医疗专业人员对临床药物信息的有效掌握和利用、 提高临床人员的合理用药专业水平、 减少用药差错，避免医疗纠纷。
医药药品分析： 分析医院用药情况， 包括税金占比、 处方用药、大处方（500元-1000元的处方、 1000元以上的处方）、 抗生素使用、医嘱用药等详尽的分析， 可以具体查到每个医生每张处方的用药情况， 以及医院的药品使用排名、 医生的用药排名信息。 为医院的合理用药、 抗生素滥用管理、 药商促销控制等提供直接有效的管理数据。
医疗质量/效率分析： 分析全院医疗质量、 医疗效率的完成情况。包括各项指标的同比、 环比、 差异值等完成情况及趋势情况的对比分析， 通过智能下钻分析， 可以详细查看每个科室、 每个员工各项指标的同比、 环比、 差异率、 增长率等完成情况。 让院领导了 解每个科室、 每个员工的工作完成情况， 加强管理， 推动医疗质量与医疗安全工作的稳步提升， 为患者提供优质、 满意的医疗服务。
不同病种分析： 分析医院某个病种治疗的各项指标信息， 包括治疗人次、 治疗人次占比、 总费用、 药品费用、 人均费用、 药占比、平均住院天数等信息。 为医院学科研究、 临床路径优化等提供详细的数据。
临床路径优化分析： 利用云平台分析手段对医院自身的临床路径进行优化分析， 对医院常见的疾病建立一套标准化治疗模式与治疗程序， 对疾病治疗、 检验检査项目 、 顺序和时限等进行规范。
简单来说就是同一种诊断相关分类病人均按同样的标准付费， 这不仅能够给患者提供最新的治疗手段与最优化的治疗方案， 同时又能保证治疗的精细化、 标准化、 程序化， 减少治疗过程的随意化， 规范医疗行为、 服务； 避免过度医疗， 降低医疗费用。
7.1.2基层医疗机构自 身应用
目 前社区医疗服务中心的一个医生， 最多能管理 30 个糖尿病患者， 但是云平台研究一做出来， 一个医生能管理 200 个糖尿病患者，光这一个应用， 就可以增加七倍的生产力。
通过全面分析患者特征数据和疗效数据， 然后比较多种干预措施的有效性， 可以找到针对特定患者的最佳治疗途径。 通过对在患者档案方面的云平台分析， 可以确定哪些人是某类疾病的易感人群， 使他们尽早接受预防性干预。 这些方法也可以帮助患者选择恰当的治疗方案。 电子病历系统以电子化方式记录患者就诊的信息， 包括病程记录、检查检验结果、 医嘱、 手术记录、 护理记录等， 可以将患者历次在医院诊疗过程的信息全部记录下来。 当数百万、 千万的病历汇集在一起，利用云平台进行挖掘后， 其应用前景十分惊人。
7.1.3区域卫生医疗联合体应用
对于医疗卫生行业， 医疗卫生的改革与创新将进入深水区， 一方面是由于社会的发展， 另一方面来自民众的新需求， 再有一个， 疾病谱的改变也迫使我们必须做出改革和调整。 过去医院和医生看的病都是疾病， 是以烈性传染病为主， 而现在的疾病谱则以慢性疾病为主，其特点是终身疾病， 一辈子都需要治疗。 一辈子都需要治疗的病人，谁不希望找一个自己信任、 并且熟悉自己病情的医生， 一辈子老找他（她）。 慢性疾病又叫生活方式疾病， 治疗糖尿病这样的病， 光吃药是治不好的， 必须干预病人的生活方式。 慢性疾病是基因把子弹推上膛， 生活方式控制扳机， 所以慢性疾病的治疗首先应由管理生活方式开始， 这就要求我们的医生不仅能够开药物处方， 还要学会开饮食处方、 运动处方， 减压助眠心理调试综合治疗， 才能把慢性病控制好，才能完成时代赋予我们的这种新使命， 即狙击不良生活方式， 这也是世界卫生组织向全球发出的号召， 世界卫生组织明确指出， 世界正经历从急性疾病向慢性健康问题转型的时代， 而我们的医护人员还依赖20 世纪初的模式， 把精力集中在急性疾病的诊断和治疗上。
云平台助力区域医疗联合体服务模式创新， 一方面要把信息技术用于慢性病人的跟踪管理服务， 另一方面要利用信息技术对疾病预防提供有效的帮助， 对疾病管理与健康管理提供丰富的手段和方法。 把先进的理念， 先进的理论模式和先进的技术手段方法三位一体地融合，帮助国民不生病、 少生病、 晚生病。 在目 前的医学条件下大多数疾病都是可防可控的， 完全可以通过医疗技术手段避免或减缓糖尿病、 高血压、 肿瘤这些疾病。 区域医疗联合体的健康管理和疾病管理应该涵盖人类生命周期从生到死无缝隙的健康， 大医院只做疾病诊断治疗是不够的， 必须进行医疗服务模式创新。
区 域医 疗联合体是实 现《 全国 医 疗卫生服务体系 规划 纲 要（2015-2020 年）》（以下简称《规划纲要》 ) 中建立分级诊疗模式的重要形式， 医联体是指区域医疗联合体， 是将同一区域内的医疗资源整合在一起， 通常由一个区域内的三级医院与二级医院、 社区医院、村医院组成的一个医疗联合体。 目 的是小病在一二级医院解决， 大病能够及时转往三级医院。
建立区域统一的医疗卫生资源： 信息化的医疗模式以病患为中心，使不同层级医院、 医疗管理部门以及患者之间能够在信息资源共享的条件下， 实现跨组织、 高效率的网络交流和协调配合。 通过统一的信息化平台， 消费者、 医疗服务提供者和政府管理机构可以逐步建立起相互信赖的关系， 进而降低成本， 优化医疗服务资源配置。
实现区域信息协作与多方共赢： 通过信息服务平台， 各卫生机构可以更加便利地进行信息共享和分工协作。 对医疗机构而言， 方便了 医生诊疗， 有利于提高医疗质量； 对科研机构而言， 对医学科学专题研究等提供了 有效的信息获取来源； 对于卫生管理机构而言， 在降低市民医疗支出的同时也减少了 大型检查设备重复投资造成的浪费； 对公共卫生应急保障机构， 由于系统能及时监控到异常及突发病历情况， 使得卫生管理机构能对类似情况进行预防与管理。
减少重复投资和建设成本： 通过区域医疗信息共享打破了 传统的条块分割， 为医疗卫生资源共享开辟一条新路。 经过授权的各医院及卫生机构可以从统一的平台提取、 更新、 保存信息。 这种以“区域政府主导、 第三方平台共享式” 的医疗协同模式的好处是以区域为中心， 直接共享， 影响范围大， 减少了 重复投资和建设成本。
提高医疗机构的服务质量： 区域医疗信息信息化的深入人心， 必将医疗机构业务流程信息化、 医疗机构业务管理信息化、 患者服务信息化三条线满足医疗机构业务的发展需求。 第一， 提升医疗机构业务的整体形； 第二， 开源节流， 查漏补缺， 实现人、 财、物规范化管理； 第三， 提供辅助决策支持， 降低管理成本； 第四，医疗行为得到规范， 在加速培养高水平医务人员上起到了 极大的作用； 第五， 使业务更加透明化， 从而杜绝许多管理中的“猫腻”现象， 减少了 医疗纠纷。
解决区域内看病难和贵： 远程会诊、 远程预约挂号、 远程代理检验、 远程查询、 远程医疗咨询等可为百姓就医大大提供方便， 从而缓解“难” 的问题； 对市民来说， 可以对自己的健康档案进行管理与利用， 为市民自我保健提供了 强有力的支持， 可有效避免重复检查治疗， 从而有效缓解“贵” 的问题； 双向转诊、 信息共享给患者带来更多的便利和实惠， 把医护人员更多的时间还给了病人。
云平台解决方案在区域医疗平台中主要的定位在于对健康档案的管理和服务， 它将伴随着区域医疗平台的建设而实施。 一方面采集来自基层的医疗相关数据， 另一方面又为基层医疗机构提供全局的数据服务， 这些服务的内容经过整合到医生， 管理人员及病患的业务系统的界面中， 使得用户 在日常操作中平滑的获得数据服务。
云平台解决方案在区域医疗中的功能包括基本服务， 数据分析及依从性管理三个层次。 基本服务内容包括提供基本的存储， 查询， 浏览。 分析服务将针对主题， 对临床数据， 公共卫生管理数据， 绩效考核数据以及农合付费管理等不同领域进行分析， 在海量的不同结构的数据中找到可能的趋势和风险。 依从性管理应该是云平台服务的高级阶段， 它利用业务系统中的业务活动， 触发数据服务请求， 数据服务经过对云平台集的调阅， 分析给出特定性结果。 从而控制和导引业务操作的路径。
建立并完善分级诊疗模式， 建立不同级别医院之间， 医院与基层医疗卫生机构、 接续性医疗机构之间的分工协作机制， 健全网络化城乡 基层医疗卫生服务运行机制， 逐步实现基层首诊、 双向转诊、 上下联动、 急慢分治。 以形成分级诊疗秩序为目 标， 积极探索科学有效的医联体和远程医疗等多种方式。
智慧分级诊疗作为智慧医疗的重要组成， 将充分利用信息化手段，促进优质医疗资源纵向流动， 建立医院与基层医疗卫生机构之间共享诊疗信息、 开展远程医疗服务和教学培训的信息渠道。 为支持支撑分级诊疗模式， 即以信息新技术为基础， 以全科医生辅助决策系统为支持， 结合云平台分析、 远程医疗和可穿戴设备监测， 打通“院前预防” 、“院内临床路径” 与“社区康复路径” ， 实现“以患者为中心” 的社区、 医院间互联互通， 形成医患主动参与疾病诊疗与健康管理的全新
型分级诊疗模式。
7.1.4医疗卫生机构的合规应用
在现今医疗保障仍为政府医保为主导的环境下， 商业保险对医疗机构的话语权不大， 对医疗机构的管控仍以政府医保为主。 人社部于2012 年出台的《关于开展基本医疗保险付费总额控制的意见》， 将“逐步建立以保证质量、 控制成本、 规范诊疗为核心的医疗服务评价体系与监管体系” 作为任务目 标。 但实际操作中， 由于缺乏有力的临床分析能力， 政府医保对医疗机构的管理仍停留在粗放型， 力度欠缺且效果欠佳。 总额控制的支付方式使医保将超出预算的财务风险全部或者部分转移给医疗机构， 在收入既定的情况下， 医疗机构有可能通过减少必要服务， 尤其是拒绝成本消耗较高的患者或者项目 来降低医疗成本， 从而出现推诿重病人、 增加自费费用等问题， 与原本“保障质量、规范诊疗” 的目 标背道而驰。 而且， 总额控制支付方式下的总额基数和调整系数的确定在很大程度上参考历史数据和变化趋势， 也就是在往年的额度基础上简单地加上增长空间， 超值分担、 结余分享的比例和调节过于依赖经验而非科学测算， 导致医疗机构对于总额控制的认可度不高。
云平台精细化分析可以应用于科学合理的评估医疗费用及质量，从而为包括总额控制在内的多种支付方式提供支持。
医疗费用评估的一大难点在于医疗服务缺乏标准化。 以心脏支架手术为例， 确诊需要什么样的检查化验， 手术过程中需要什么样的麻醉方式， 需要使用什么样的支架及放置的数量， 术后康复期需要住院多久， 出院后复诊需要做些什么等， 在不同患者间差异巨大， 所以仅比较单一的诊疗项目 或药品费用与总费用并无相关性， 意义不大。 所以， 技术上的难点在于将解决同一问题的所有相关诊疗项目 及将用药情况链接起来， 这就涉及专业的分组方法， 如用于住院费用的 DRG 分组， 或用于门诊费用的 ETG 事件系列等， 以此作为费用比较的单位。
医疗费用分析中另一重要概念为“危重风险调整”。 患者个体的差异， 包括年龄、 性别、 并发症等， 会对费用有很大的影响。 举例来说， 医疗机构收治糖尿病患者， 三级医院的人均医疗费用往往比一级医院的高很多， 但是据此得出结论说明三级医院的费用指标比一级医院差是不合适的， 因为这里没有考虑到患者的危重情况。 事实上， 三级医院由于医疗水平高， 收治的危重患者较多， 导致治疗同一疾病的费用比一二级医院偏高的现象是正常的。 那么在这种情况下， 应该如何比较不同级别医院的费用？ 又如何比较同级别的不同医院的费用？这就需要引入“危重风险调整” ， 即根据年龄、 性别、 合并症等诸多因素评估患者的危重程度， 然后根据危重风险因子对医疗费用进行调整， 经过危重风险调整后得到的医疗费用才有可比性。
费用评估对医疗保险机构而言固然重要， 但单一的费用指标本身不能作为衡量医疗机构的唯一标准。 与费用评估相辅相成的是医疗质量的评估， 高质量的医疗服务除了 对患者疾病管理及健康维护至关重要外， 在从根本上控制今后长期的医疗费用上也是缺之不可的。 健康人群医疗费用低是众所皆知的常识。
医疗质量的衡量可以包括两大方面： 一是对医疗过程的评估， 需要庞大的临床规则知识库， 准确判定在不同疾病管理中该做什么， 不该做什么， 用药合理性分析中的药物间相互反应的监测、 用药剂量及用药相关检查的指标也可以归为医疗过程评估这一大类； 二是对医疗结果的评价， 比如手术不良事件发生率， 及可避免再住院率等。
有了 科学合理的评估医疗费用与质量的手段 , 使得政府医保机构与商业保险公司能有效对医疗机构进行综合管理 , 同时支持包括总额控制、 单病种付费、 按绩效付费等各类支付方式改革的实施 , 真正达到在保证质量的基础上控制费用的目 的 . 这也正是医疗保险在产品服务缺乏标准化 , 信息高度不对称的医疗领域中的重要价值之
一。
7.2患者医疗治疗应用
患者在医疗治疗过程中， 既是一个按照医生医嘱要求按时吃药换药并注意有关事项的活动集合， 同时也是一个与医生主动配合、 积极参与和和同病患者信息交流的过程， 另外患者也特别关心自己的治疗过程、 治疗效果和常规恢复时间， 有关应用包括以下方面。
7.2.1患者就医过程提示服务
患者可以得到治疗过程中全部治疗活动内容、 时间、 地点和注意事项， 并及时通知提示有关内容， 如果加入天气、 交通情况等信息，还可以提示就医过程穿衣指数、 交通工具等信息。
7.2.2患者服药提示服务
患者在治疗过程中， 根据医生处方和药品服用方法可以按时、 按量得到服药提示， 并可以对药品不足情况进行提示以便提前到医院或药店购买， 也可以主动送药上门， 另外对服药过程中自我身体不适反应情况及时与家庭医生进行沟通， 在医嘱指导下增减药品服用。
7.2.3患者饮食、 运动、 习惯注意事项服务
患者在治疗过程中， 根据云平台分析得出的最佳饮食、 运动、 习惯内容， 对患者进行注意事项提示， 也可以根据患者身体体征数据，形成具有针对患者个体的饮食、 运动方案， 并及时调整有关内容， 以期达到最佳恢复效果。
7.2.4患者体征和治疗效果服务
患者在治疗过程中， 非常关系自己的身体体征和治疗效果， 通过与自己过去的数据对比， 标准规范数据对比以及与其他同类患者数据对比， 是患者对自己的病情治疗情况及时掌握。
7.2.5患者交流交往服务
患者在治疗过程中， 具有与同类疾病患者交流信息和经验的需要，甚至希望形成特定患者群进行活动交流， 通过病类、 喜好、 地区、 年龄、 性别等分析比对， 可以形成患者交流交往社交圈。
7.3个性化医疗服务应用
利用医疗健康云平台形成个性化医疗服务和治疗， 即基于基因科学的医疗模式、 个体特征和身体情况， 通过对居民健康影响因素进行分析， 对患者健康信息进行整合， 为疾病的诊断和治疗提供更好的数据证据， 进行居民健康知识库的积累， 从而改进居民健康。 在基因测序、 个性化药物及个人健康管理等医疗个性化服务方面的方案思路如下。
7.3.1基因测序分析应用
随着云平台的飞速发展， 它已经把触角触及到很多领域。 在医疗健康领域， 美国已经开始利用云平台应用来防止流感蔓延， 而伴随科学技术的不断发展， 也让以往无比昂贵的基因测序变得不再遥不可及，基因测序的成本已经逼近 1 千美元。 目 前在美国拥有 2 千多家从事人类基因序列分析的公司， 而且未来会有更多的企业将涉足这一领域。这就意味着， 个性化医疗的时代即将来临。
利用这些基因测序数据发现基因中罕见的病变信息， 而正是这些病变信息造成了 癌症、 新生儿疾病、 镰状细胞性贫血等。 随着从基因测序解决方案中得到越来越多的遗传信息， 未来对基因组进行可扩展分析的需求显然将会越来越多。
7.3.2个性化药物应用
通过对大型数据集(例如基因组数据) 的分析发展个性化治疗。 该应用考察遗传变异、 对特定疾病的易感性和对特殊药物的反应三者之间的关系， 然后在药物研发和用药过程中考虑个人的遗传变异因素。很多情况下， 病人用同样的诊疗方案但是疗效却不一样， 部分原因是遗传变异。 针对不同的患者采取不同的诊疗方案， 或者根据患者的实际情况调整药物剂量， 可以减少副作用。
通过减少处方药量可以减少 30%～70%的医疗成本。 比如， 早期发现和治疗可以显著降低肺癌给卫生系统造成的负担， 因为早期的手术费用是后期治疗费用的一半。
7.3.3各级医院自身应用
利用云平台技术， 对个人健康进行全生命周期管理， 实现在任何时间、 任何地点都可以访问相关信息， 从而保证了 健康信息的一致性、连续性， 如谷歌的 Google Health、 微软的 Health Vault 等平台。
健康管理系统的最主要特点就是： 个人的健康状态得得到了 连续观测，健康分析人员能够有效地对个人健康状况进行分析， 以便在身体处于非健康状态时得到及时的干预。
在健康管理领域中最需要解决的问题就是及时发现身体的健康异常和重大疾病风险预警， 传统情况下我们会通过年度体检来实现这一要求， 但是体检时间跨度大， 同时地域的覆盖能力也不足够， 可穿戴式设备能够实现跨地域大人群身体异常实时发现。 通过体征数据（如心率、 脉率、 呼吸频率、 体温、 热消耗量、 血压、 血糖和血氧、激素和 BMI 指数， 体脂含量） 监测来帮助用户 管理重要的生理活动。
现阶段可以利用的体征数据传感器包括： ①体温传感器； ②热通量传感器： 用来监测热量消耗能力， 可以用于血糖辅助计算和新陈代谢能力推算； ③体重计量传感器： 用于计算 BMI 指数； ④脉搏波传感器：推算血压， 脉率等数据； ⑤生物电传感器： 可用于心电、 脑电数据采集， 也可用来推算脂肪含量等； ⑥光学传感器： 推算血氧含量， 血流速。 设备初始会将一天设定数十个检测点， 只需累积 28 个检测结果即可建立个人初级模型， 利用云平台技术对所有产生数据进行分析，汇总成一个健康风险指数， 用户 可以看到自己的健康风险指数和同龄、同性别人群的平均风险指数， 并且能明确自己的健康风险在同龄人群中的排位。 同时， 利用云平台技术， 设备会根据使用者实际情况进行调整， 一旦数据显示异常， 就会加大检测密度， 反之则会拉长检测间
隔， 进行动态调整。
这些数值交叉分析结果可以用来分析用户 现在的体质状况， 进行健康风险评估， 并可以结合数据给出几项关键生理活动： 睡眠、 饮食、
运动和服药的个性化改善建议， 让用户 保持在一个稳定的身体健康状况。
7.4慢性病预防治疗应用（疾控中心）
在中国， 慢性病高血压患者有 2. 6 亿人， 慢性病糖尿病患者则有1. 2 亿人。 大家可能觉得这个数字离自己比较远， 那我换一种说法大家可能会觉得就是和自己生活相关了 。 35 岁以上的人群， 每三个多人里面就有一个是高血压， 每七个人里面有一个人有糖尿病， 而中国最严峻的现实在于这些患有疾病的人 70%的人并不知道。
慢性疾病实际上分为两个阶段， 一个叫做功能性病变阶段， 一个叫做器质性病变阶段。 在功能性病变阶段， 人并没有特别的体征感受。而当进入器质性病变阶段的时候， 才会感受到头晕、 耳鸣等一系列症状。 而进入器质性病变之后， 慢性病的过程是不可逆的， 需要终身服药。 也就是说它是无法治愈的。 希望这 70%的人群能够提前知道， 提前医疗处置， 避免形成慢性病。
7.4.1慢性病检测、 发现、 预警服务
利用云平台分析， 通过连续性的医疗监测数据， 不仅可以对这些慢性疾病进行预警， 而且可以为用户 提供护理建议， 比如最佳的用药时机、 如何利用运动和睡眠来稳定病情等等。
利用云平台的方式结合穿戴式设备来去预警未来的疾病。 因为人的健康变化一定会带来体征波动的异常， 如果能够对体征进行持续性检测， 同时又有云平台的对比， 那么就有可能做到对疾病的提前发现。
实际上中医里面最好的医师并不是救死扶伤， 而是在疾病还没形成前就及时发现并处置， 我们通过现在的科技， 能让海量用户 去实现。 我们通过可穿戴式设备， 对人的血压、 血糖、 血氧、 呼吸、 心率、 BMI指数进行相应的持续性检测。
方案与传统检测设备相比有三个革新， 第一个革新是分析模型由单点的分析变成连续的分析， 单点分析是有助于在医院里进行诊断的。但弊病是什么？ 必须要形成病症后， 才能通过单点分析来判断你是否患病， 这是个黑白的分析。 而作为预警， 它关注的是你的体征变化是否超常， 这是个灰度性的分析， 它更多的是做预警方面的工作。 第二个部分的革新是设备， 设备必须要连续采集用户 的体征数据才能有效分析波动性的异常。 第三个部分是商业模式上的创新， 只有对身体状况进行预警， 才能使用户 从被动治疗转化成主动预防， 才能用更少的代价获得更好的治疗效果。
通过连续监测数据做出疾病预警 ， 即使是简单的数据， 如果通过连续地分析波动规律也能发现常识中得不到的信息。 任何疾病形成之前一定会有体征波动的紊乱， 怎么去捕捉到这种紊乱并进行预警是云平台分析可以解决的事情。 通过人体体征比如心电的数据、 血氧的数据、 血流速度的数据去推断出血压和血糖的数据。 虽然可能存在着误差， 但是因为数据采集更方便更容易， 数据也更加具有连续性。 我们关注的不是单点的误差， 而会关注它的波动规律， 这也能够有效地
帮助我们预警。
7.4.2慢性病诊断服务
利用后端的云平台处理能力达到降低边际成本的效果， 第一是健康普查， 能够让 70%的人群通过设备及时发现身体的异常， 并进行疾病预警； 第二是云平台分析完采集的数据之后， 可以让医生更快地进行相应的判断； 第三， 由于每个人的慢性疾病规律是不一样的， 通过连续体征的采集， 能够告诉他最佳的用药时机， 什么时候用药能够获得最大的效果， 同时会告诉他什么时候运动、 什么时候睡眠才能够帮助他稳定病情， 或者让临时出现身体异常的人及时恢复到正常状态。
7.4.3 慢性病防控治疗服务
慢性病的防控治疗一般都是一个长期的过程， 需要多个机构密切配合形成体系才能达到效果， 包括： （１ ） 构建慢性病防控体系， 形成由疾控机构、 基层医疗卫生机构、 医院和专业防治机构共同构筑的慢性病防治工作网络； （２ ） 实施基本公共卫生服务项目 和重大疾病防控项目 ， 将高血压、 糖尿病患者纳入基本公共卫生服务范畴， 对重点癌症高发区和农村妇女“两癌” 开展癌症的早诊早治工作； （３ ）推行健康教育， 促进防治结合， 落实综合防控策略， 开展全民健康生活方式行动， 慢性病综合防控示范区建设， 综合健康知识传播激励计划等活动； （４ ） 建立慢性病的监测和信息管理系统。 开展慢性病危险因素监测、 患病监测、 死因监测、 恶性肿瘤随访登记工作； （５ ）加强技术指导和能力建设， 组织编印形成各重点慢性病的防治技术指
南， 培训大批基层卫生工作者。
7.5居民健康保健应用（疾控中心）
居民健康保健的主要策略是达到疾病防治中心前移， 坚持预防为主， 促进健康和防治疾病的结合。 健康管理是对健康人群、 亚健康人群、 疾病人群进行全面监测、 分析、 评估、 预防和维护的全过程。
居民健康档案实现以人为核心， 以生命周期为主线， 涵盖个人全面健康信息的档案记录， 从婴儿出生、 计划免疫、 到历次体检、 门诊、住院等， 记录一个人生命周期中的重大健康时间， 形成一个完整的、动态的个人终生健康档案， 使公众可以掌握和获取自己完整的健康资料， 参与全程健康管理， 享受可及、 优质、 跨地区、 跨机构的医疗卫生服务， 让居民随时了 解自己的健康、 医疗服务等情况， 切实感受健康信息记录一生、 管理一生、 服务一生的好处。
7.5.1居民自我健康保健应用
居民可以通过身份安全认证、 授权查阅自己的健康档案。 系统、完整地了 解自己不同生命阶段的健康状况和利用卫生服务的情况， 接受医疗卫生机构的健康咨询和指导， 提高自我预防保健意识和主动识别健康危险因素的能力。
7.5.2政府卫生管理部门进行居民健康管理应用
持续积累、 动态更新的居民健康档案有助于卫生服务提供者系统地掌握服务对象的健康状况， 及时发现重要疾病或健康问题、 筛选高危人群并实施有针对性的防治措施， 从而达到预防为主和健康促进目的。 基于知情选择的健康档案共享将使居民跨机构、 跨地域的就医行为以及医疗保险转移逐步成为现实。
7.5.3政府医疗规划结构进行居民健康保健决策应用
通过完整的居民健康档案能及时、 有效地提供基于个案的各类卫生统计信息， 帮助卫生管理者客观地评价居民健康水平、 医疗费用负担以及卫生服务工作的质量和效果， 为区域卫生规划、 卫生政策制定以及突发公共卫生事件的应急指挥提供科学决策依据。
7.6医疗卫生管理机构应用（卫生局）
通过电子病历数据库进行全面的疫情监测， 更快地监测出新的传染病和疫情， 并做出快速反应。 通过分析查阅区内医疗卫生行业各种最新的分析数据， 可以加强宏观管理， 优化卫生资源的配置， 为制定区内公共卫生政策提供准确依据。 通过提供准确和及时的公众健康信息， 将会大幅提高公众健康意识， 同时也可以降低传染病感染风险。
7.7医疗保险管理机构应用（医保局）
在中国现有的医疗保险管理体制下， 基本医疗保险仍然以政府为主导， 各地分散管理。 基本医疗保险可以分为城镇职工基本医疗保险、城镇居民基本医疗保险和新农村合作医疗保险（简称新农合）， 通常由各地人社和卫计部门管理。
目 前， 商业医疗保险作为政府基本医疗保险的补充， 市场规模有限。 2013 年， ３ 种基本医疗保险的筹资总额已经超过 1 万亿元， 而商业健康险的保费收入为 1123. 5 亿元， 仅为前者的 10% 左右。 考虑到真正的赔付型医疗保险只是商业健康险的一部分， 实际上真正意义上的商业医疗保险的市场规模更小一些。 现今商业健康险中约 30%为团体业务， 主要包括面向企业的团体医疗补充保险； 另 ~70% 为个人业务， 其中一大部分为储蓄理财型。 虽然规模与政府医保相比尚小，但在市场需求和政策支持的推动下， 今年发展趋势良好， 以年均25-30% 的速度增长。
2012 年发布的《关于开展城乡 居民大病保险工作的指导意见》，试点由商业医疗保险机构通过招投标方式承办大病补充保险的运营并承担费用风险， 为商业医疗保险公司带来了 业务拓展的新方向， 也为其介入到政府医保的运营管理提供了 契机。 2013 年十八届三中全会 的《中共中央关于全面深化改革若干重大问题的决定》 和 2014年国务院发布的《关于加快发展现代保险服务业的若干意见》（又称“国十条”）， 进一步规划了 健康保险业在城乡 社会保障一体化和参与更多医疗卫生体制改革中的作用， 提出了“把商业保险建成社会保障体系的重要支柱， 充分发挥商业保险对基本养老、 医疗保险的补充作用”， 并且“按照全面开展城乡 居民大病保险的要求， 做好受托承办工作”。 这无疑对商业保险行业来说又是重大利好消息。 此外， 针对商业健康保险的个人税收优惠政策也正在研究中， 虽然优惠幅度和政策细节尚待确定， 但政策的方向已无疑问。 可以说， 随着政策的推动和市场潜在需求的释放， 商业健康险业大有商机， 将在不久的将来成为我国医疗保障系统中不可或缺的重要组成部分。 而商业保险机构自身精细化经营管理水平将是决定其市场竞争力的一大关键。 然而， 由于包括市场结构限制在内的种种历史原因， 无论是政府医疗保险机构还是商业保险公司， 整体来看在业务经营管理方面仍然比较粗放， 还没有充分实现云平台分析可以为管理和企业发展带来的价值， 主要表现在：
● 保障设计与精算定价： 产品同质化现象普遍， 缺乏对客户需求及医疗风险的准确把握； 精算定价基础薄弱， 缺乏对疾病治疗费用的深度分析数据及对参保群体医疗费用风险的科学评估。
● 精细理赔运营管理： 精细化不足， 往往仅根据保险责任条款及医保报销目 录进行理赔， 缺乏对医疗服务临床合理性的判断， 从而漏失对大部分欺诈、 不合理医疗行为的监测。 此外， 商业医疗保险机构的理赔数据往往停留在费用类别层面， 缺乏项目 费用明细， 导致理赔精细化管理的数据基础薄弱。
● 强化医疗机构的管理： 技术手段落后， 政府医保虽对定点医院有话语权， 但缺乏对医院医疗质量及费用的合理评估， 因而难以设定执行科学有效的支付方案与激励机制， 粗线条的总额控制虽能短期控制费用， 但导致一系列弊端（包括医院推诿重病人等）， 且长期控费效果欠佳。
● 洞察市场与销售拓展： 缺乏以数据为基础的客观分析。 以商业企业补充险为例， 未能对企业理赔数据进行深入挖掘， 以分析结果支持指导市场销售， 并据此为客户 量身定制相关增值产品， 导致市场竞争停留于价格上的竞争， 压低整个行业的收益回报。
通过云平台技术， 重构医保对医疗费用审核监管的全新模式， 从而达到遏制“过度诊疗” 行为、 控制医疗费用不合理上涨， 规范诊疗行为目 的， 并为将来医保谈判购买性价比高的医疗服务奠定技术和提供数据支撑。
具体应用包括将住院医疗费支付标准、 药品说明书、“三目 ”（即三大目 录， 药品目 录、 诊疗目 录和耗材目 录） 限定症、 人社、 卫生行政主管部门有关规章制度、 药品应用时限等约束条件从纸介质文件制成计算机可识别和运行的规范化程序， 将医疗费纳入智能审核系统，对不符合限定条件的费用明细， 系统予以自动拒付， 对可疑费用明细做标识， 提示审核人员做重点审核。
7.7.1基本医疗保险的决策支持分析
在以政府主导的基本医疗保险的战略决策支持上， 云平台应用同样有着举足轻重的作用。 除了 平衡风险之外， 医疗保险的最重要的核心价值在于保证医疗质量的前提下有效控制医疗费用。 云平台分析可以为医疗保险找出费用的关键驱动因素， 以此作为战略决策的依据，可以使决策者有针对性的制定措施解决问题关键。 此类分析的要点在于通过由大到小、 由粗到细的层级挖掘寻找问题的关键， 成功应用于决策制定既需要整套专业分析技术的支持， 更需要逻辑性、 结构化的思维， 及对医疗保险行业市场在战略层面的理解， 因此对数据分析师的要求更高。
假设数据分析显示费用增长主要集中在糖尿病领域， 那么首先需要明确其动因是发病率增长还是人均治疗费用增长所导致。 如果是前者， 有效管理的关键在于普及糖尿病常识， 鼓励健康的生活习惯， 并及时发现早期症状。 此外从精算定价上， 识别前糖尿病患者或糖尿病多发群体， 并将其考虑进精算模型中。 但如果费用增长是由于人均治疗费用的增长所致， 那就需要进一步分析其原因。 如果是由于少数医院的过度医疗行为， 那可以通过加强对医院的管理（如以医疗费用与质量评估为基础的绩效考核并与支付挂钩）， 并鼓励病人去其他医院就医（如设定不同的保险比例， 甚至在可能的情况下取消问题医院的定点等）。 但如果是由某类新药或新的治疗方式引起， 那就需要根据其临床效果及卫生经济学分析， 判断是否应包含在报销范围或报销比例。
7.7.2基本医疗保险费用单据的智能化审核
建立和筛查医疗服务违规行为的规则是医疗服务监控工作的核心。 因此， 科学设置规则是智能化审核的关键部分。 对此， 医保审核规则设定了 26 个大类规则， 其中包括 16 大类报销规则， 6 大类临床规则、 4 大类统计规则。 而这些审核规则， 都是依据现行相关医保报销和医药规定制定的， 即包括医保政策、 物价收费政策、 国家药典、卫生部们相关规定、 临床诊疗常规规范等。 在这 26 大类规则下， 医保审核中配置了 12 万条审核目 录。 把政策转化为数字化规则， 这点是比较难的， 比如： 重症 ， 只能用列举法。 在制定这套审核办法时，组织第三方医学专家组开展审核规则的评审， 对试用的 26 大类审核规则逐一经专家评审后正式启用，“保证规则的科学性、 权威性”。 按照这些规则库织就的“大网”， 使得违规用药、 诊疗行为无所遁形。
7.7.3基本医疗保险的有效支付和治理应用
通过对积累起来的云平台进行挖掘， 支持医保政策调整和医保支付制度改革。 医保政策调整方面， 比如如何对医保筹资标准的调整，达到在支出合理合规的情况下， 调整筹资水平， 智能审核积累下来的海量医疗诊疗数据， 为基本医保体系和运行决策提供基础支撑。
7.7.4基本医疗保险和服务监管应用
建立全程智能审核系统， 将监管对象延伸到医务人员。 用法律法规和政策标准指导、 约束和了 解医生处方行为过程， 做到事前提示、事中监控和预警、 事后惩罚与改善， 彻底走出医保和医生信息不对称和类似行政监督手段的困境。 为达到医保基金中长期收支平衡， 亟待建立抑制医患道德风险的治理机制。 实现医保机构从“出纳”升为“会计”， 提高对医疗服务的监控能力。
7.7.5降低看病率提升医疗效果应用
医疗保险制度是世界上应用相当普遍的一种医疗费用管理模式，是构成社会保险的重要组成部分， 它的完善与否关系到国民健康能否得到切实的保障。 医疗保险制度起源于西方， 经过百余年的发展， 欧美国家的医疗保险制度已经日臻完善， 特别是在互联网医疗蓬勃发展的当下， 保险公司也纷纷顺应时代， 开始利用新技术和云平台来预测客户 的健康状况。 近期， 美国国家公共电台（NPR） 对一对经历了 严重疾病的夫妻进行了 采访， 让我们一起来看看美国的保险公司是如何
运用客户 个人数据来帮助他们获得所需的医疗服务的。
Carol 和 John Iovine 是一对普通的美国老年夫妇。在 John 2014年生过一次大病后， 他们的保险公司就为 John 指定了 一位健康指导。健康指导不仅帮助 Carol 和 John 获得了 所需的医疗护理， 还让 John不需要再次住院。
John Iovine 开口 说出的第一句话就是道歉， “请原谅我， 我对这事记得不是太清楚， ” 他说， “我那时中风了 。”那次中风的迹象在他们家随处可见： 餐厅里安放的床、 厨房里的淋浴室等等。 John身材瘦弱， 穿着蓝色的睡裤坐在轮椅上。 但是， 他可能夸大了 自己的记忆问题。 “我们是哈町大学（Harding） 的同学……就是离这儿不远的那所， ” 他说道。 那是 1952 年， 也就是在那年， 他结识了 他未来的妻子。“她穿着红色的长款毛衣， 有着一头火红的头发。 我对自己说， ’ 她就是我的真命天女’。” John 侃侃而谈与妻子 Carol 的初见。“皇天不负苦心人， 让我最终得偿所愿， ” 他笑着说。 Carol 坐在她丈夫的旁边， 向记者娓娓道来那场中风的始末。 那时 John 的健康状况非常不好。 起先， 他长了 一个溃疡， 然后进行了 肠切除手术。再来就是中风——以及接下来的更多。“他得了 肺炎、 黄疸、 败血症； 右肺还有血块。” 她补充道。 所有这一切都发生在 2013 年 10 月 至 2014 年 1 月 间。John 曾是一名油漆工， 那场大病让他在医院里呆了 整整 79 天。在那段日子里， John 时常处于无意识状态， 也几乎没有离开过病床。“唉， 那简直就是地狱。” 他说道。
去年四月 ， 在康复机构治疗了 几个月 之后， John Iovine 终于出院回家。 当患者出院回家， 开始“自生自灭” 的这个时间点， 正是现在的医疗系统特别关注的时期。 长久以来， 许多像 John Iovine 这样的患者在这一阶段都选择了 故意失联； 最终， 他们不得不再次住院。
业内人士称， 这类再入院都是可以避免的。 单单此项， 每年就会耗费 150 亿美元的联邦医疗保险， 是财务上的巨大流失。 这就是为何联邦医疗保险数年前发起了 一项倡议， 处罚那些太快重新接纳再入院患者的医院。 而这也促使许多医院开始更为注重这个问题。
现在， 保险公司也正致力于提出它们的解决方案。 IndependenceBlue Cross 是一家总部位于费城的保险公司， 它的首席情报官 SomeshNigam 在接受记者采访时说道， “我们的目 标是确定哪些病人有可能在 未 来 三 个 月 内 住 院 ， 这 是 我 们 正 在 努 力 的 方 向 。 ” 他 说 ，Independence Blue Cross 正致力于查明其客户 中的患病者或年老体弱者， 即那些有可能入院的潜在人群。
为了 做到这一点， 公司对其掌握的大量医疗数据进行运算， 数据内容包括理赔账单、 实验室读数、 药物、 身高、 体重、 家族病史等。它还纳入了 有关客户 所在社区的信息， 包括当地的贫困率等。“我们用来建立这些算法的医疗数据， 大概相当于 5 个维基百科那么多， ”Nigam 说。
计算机算法对所有的信息进行筛选， 并为每名患者计算出得分，将他们按照得分的高低进行风险排序。
随后， Independence Blue Cross 为每位得分较高的客户 分配一位工作人员， 即“健康指导”。 这些健康指导会免费为客户 提供健康建议， 并向他们推荐有益的附加服务。“这种协同努力对于患者非常有用。” Nigam 说。 健康指导可以为患者量身订制所需的健康信息；帮助他们进行就诊预约； 解决服药相关的问题， 或者协助安排患者前去门诊的交通。 有时， 健康指导还可以为患者安排家庭护理护士。“所有这一切措施已经开始显示出成效。” Nigam 说，“我们地区的住院率已经呈现出了 相当显著的下降趋势。” 在 Independence Blue Cross的名单上， 第一批需要额外关注的客户 有 18000 名。 而其初期成功的标志之一， 便是将充血性心脏衰竭患者的预期住院率降低了 40~50％。
Iovines 一家也是该公司初期成功的受益者。 在丈夫中风之后，Carol Iovine 的生活也有了 极大的改变： 她需要管理丈夫的新药物，并帮助他淋浴和如厕。 夫妇二人需要参加许多门诊和治疗会议， 为此他们还得租用一台可供轮椅上下的面包车。 Carol 说， 有了 健康指导的帮助后， 情况开始有了 很大的变化。 健康指导可以帮助她管理丈夫的各种需求。“有一次 John 需要检查血液， 医院要我一个人带他去急诊室抽血， ” Carol 回忆，“我当下就回说， 呃， 这我可没办法做到。”
她马上打给了 他们的健康指导 Donna Crockett， 并告诉了 她这个问题。“之后， 便有一名护士来到我们这里为他取血。” Carol 说道。重点是， 医疗保险花在健康指导安排的来访护士或简化门诊流程上的钱远远不及再入院的成本。
数据预测有望为保险公司节省保费， 因此也使得越来越多的保健专家更加看重这些预测计算公式的潜力以及可能的缺陷。“现在这个领域利益良多， ” 哈佛法学院教授 Glenn Cohen 如是说。 Cohen 曾就医疗保健和云平台碰撞引起的法律和伦理问题著书， “医疗领域、计算机科学领域以及患者体验领域正在进行着一场伟大的集结。” 虽然对前景信心满满， 但 Cohen 仍有一些疑虑。“对于那些个人数据被用于建立算法的客户 ， 他们是否有权选择退出预测计划？ ”Cohen 说，“他们是否只能选择参加？ 甚至， 他们能否知道自 己的数据被使用了 ？ ” Cohen 表示， 这些仍然是一个灰色地带； 这个新兴领域还没有建立起对这些信息的处理标准。
Independence Blue Cross 宣称， 它严格遵循联邦医疗隐私准则关于匿名的规定， 且只会将这些信息用来更好地为其客户 服务。 但该公司的确并没有询问订购了 其健康计划的客户 是否选择加入数据预测。“这些数据仅会被用于改善或协调医疗护理， ” Nigam 说， “这是我们的职责， 而大家都认同这一点。”
从客户 健康上来讲， 护理协调彻底改善了 John Iovine 的生活。自 Independence Blue Cross 为他分派了 健康指导之后， 他一直没有再次住院。
保险公司表示， 因为数据预测的初期效果非常好， 他们正打算扩大预测范围。 该公司正与纽约大学的 Langone 医学中心针对下一个目标——2 型糖尿病进行合作， 目 的是在出现相关症状之前发现哪些人最有患上糖尿病的风险， 然后再积极介入， 帮助预防疾病的发生。
7.8医药研发生产经营应用（医药企业）
医药研发生产经营零售企业， 具有掌握了 解医药在医疗卫生活动中相关数据的迫切需要， 首先， 需要了 解相关药品在市场上的使用情况， 以便用于研发和生产； 其次， 需要了 解相关药品在治疗方面的效果情况， 以便研发改进新药品和发现质量问题； 最后需要了 解相关药品的物流配送和仓库库存情况， 以便实现药品供应链的一体化运行；另外还需要了 解相应区域的人口 健康信息， 以便分析药品的授众群体特征， 如某地区区域正在流行感冒， 医药企业可以通过此信息及早组织相关药品。
7.8.1医药研发企业应用
医药研发企业可以利用云平台降低研发成本， 提高研发效率。 医药公司在新药物的研发阶段， 可以通过数据建模和分析确定最有效率的投入产出比， 从而配备最佳资源组合。 模型基于药物临床试验阶段之前的数据集及早期临床阶段的数据集， 尽可能及时地预测临床结果。评价因素包括医药产品的安全性、 有效性、 潜在的副作用和整体的试验结果。 通过预测建模可以降低医药产品公司的研发成本， 提升药品竞争力， 并最终使患者受益。
7.8.2医药生产企业应用
医药生产企业利用医药云平台可以精准了 解终端市场， 实现生产和销售的匹配， 同时也将为整个社会服务——全面提升医疗环境， 助力药品安全。 医药云平台将为医药生产企业提供一种先进的理念和解决方案， 通过与多级经销商、 终端流向数据的对接和直联， 及时准确地对企业产品的渠道流向库存数据进行收集、 整合、 提炼、 分析、 帮助企业第一时间做出准确判断， 提高投入产出比， 减少生产与市场需求之间的差异， 并实现整个营销体系的信息化管理。 同时， 数据挖掘和信息采集技术还能给研究人员提供足够的样本量和数据信息， 建立基于云平台的数学模型， 对未来市场进行预测， 从而挖掘市场潜力，推动新药的研发， 催生产业的变革， 为药企带来全新的发展机会。
目 前， 中国约有大概有 4000 多家国营、 合资和私营药企， 其生产能力强， 熟谙报批制度、 在市场和销售上投入了 相当大的资金， 但是在数据领域却桎梏不前， 中国现在最大的药企每年在医药数据上的投入尚不足 100 万人民币， 而同等规模的欧美药企的投入则是其十倍。
7.8.3医药流通企业应用
医药流通企业在新形势下遇到的最大的问题不是如何实现即时支付、 医保联网及如何保证药品的安全性等政策及运作层面的问题，最大的问题将会是组织的适配问题， 包括经营思路的适配、 组织机构的适配及团队人员能力的适配。 解决好这三大适配， 将决定医药流通企业未来转型的可操作性及可持续性。
支持 B2B 与 O2O 的结合， 纯销型医药商业企业可以实现对配送医院的药房整合并完善药事服务。 这种药事服务不仅是针对医院， 应该是针对医院所在区域的所有目 标人群， 是药学人员利用药学专业知识和工具， 向社会公众（包括医药护理人员、 患者及其家属、 其他关心用药的群体等） 提供直接的、 负责的与药物使用相关的各类服务。 这种服务是一种以病人为中心的主动服务， 目 的是使病人得到安全、 有效、 经济、 合法的治疗药物， 并最终打造区域或全国性的药事服务平台， 实现对患者的有效影响， 也能占据未来处方药网售中审方这个关键节点。 实现四大整合医药商业公司对配送医院的整合可以通过布局院内物流（住院药房）、 药房托管（门诊药房） 或并购医院的门诊药房实现。
支持整合自有及医院的执业药师人员， 建立强大的药剂师（执业药师） 队伍， 既可为所有配送医院提供药事服务， 也可为未来处方药网售药师处方审核服务。
支持医院的处方医生资源进行整合。 利用医院网络得天独厚的优势， 思考如何为医院医生做好药事服务及为医院医生未来多点执业提供帮助， 搭建医院医生服务、 多点执业交易平台， 为上游生产企业实现规范化的医生教育， 逐步掌握医院医生资源。 掌握了 医院医生资源也就掌握了 未来网售处方药处方外流的龙头， 是参与网售处方药分利的先决条件。 未来如何解决处方外流同医院的利益分配将考验医药流通企业的智慧。
支持物流配送整合。 B2B 的物流是配送型医药商业的传统优势，需要做的是加大覆盖面并提升效率。 特别是农村基层医院的配送网络应完善， 同第三方物流的整合也是一种选项。
支持通过 B2C 与 O2O 结合， 在 B2B 的基础上建立直达消费者的渠道。 全力打造最后一公里物流建设。 对有零售终端的医药商业企业来说， 做好药店的社区型物流配送， 实现药品的药店配送到户 ， 规划社区配送药柜或自动售药机布点安装及安装。
支持打造 B2B2C 一条龙服务， 实现医院同社区、 药店到患者家的无缝对接。 在未来网售药品的大趋势下， 医药商业所组建的处方医生及药剂师团队， 不是单纯为了 卖药， 而应该力促让医生成为患者的家庭医生， 成为医院、 社区及患者链接的纽带， 让患者网购药品的处方变得简单； 同时药剂师团队也可为未来的网售处方药审方， 让患者网购药品的安全性得到保障。 对于单个制药企业来说， 单独为自己的企业产品销售（线上的也好线下的也好） 组建处方医生及药剂师网络成本巨大， 得不偿失， 另一方面网售电商平台单独组建处方医生及药剂师网络也存在地域限制、 成本巨大及沟通障碍等问题。 因此医药流通企业这种区域性的处方医生及药剂师团队为所有在区域网售药品的企业及患者提供的服务将成为极具差异化的且很难取代的服务。 从使用 这种服务的线上制药企业或电商平台分利将成为一种很难取代且持续的收益。 这种获利有别于现在医药商业的事前配送费， 而是一种事后的患者用药实际金额分红费， 有成交即有利益， 对各方都很公平。
医药流通企业要着眼于整个产业价值链质量的提升， 将自己由单纯的批发商变为了 全行业的服务商和整个供应链的管理者， 为产业链上的各个环节提供前所未有的服务， 并由此开发出了 一个全新的市场。比如它为上游的医药厂商提供高度专业化的配方、 检测、 生产、 包装等项服务， 使厂商更能够集中精力于医药研发推广的核心过程； 比如它为医院提供专业的物流管理服务， 帮助医院更好的降低成本和提升效率； 比如它为医院提供特殊的医疗手术用品的成套服务， 不仅省却了 医护人员挑选、 运送手术用品的过程， 而且大大降低了 客户 的存货和仓储费用。
7.8.4医药零售企业应用
除了 纯销及零售终端型医药流通企业外， 中国还存在一大批代理生产企业产品并在终端耕耘的医药流通企业。 对这部分流通企业来说，一方面可以转型为生产企业的办事处为生产企业打工； 另一方面也可以合作整合区域内手上的医生资源， 向医生平台转型并同当地大型流通企业合作搭建区域完整处方医生平台； 第三， 转型为零售终端做最后一公里物流及担当患者教育工作也不失一种好的选择。
7.9医疗卫生资源配置管理规划应用（政府主管部门）
与经济社会发展和人民群众日益增长的服务需求相比， 医疗卫生资源的总量相对不足， 为了 使得投入医疗卫生资源能用到恰到好处，就需要强化医疗卫生资源配置的管理能力和规划能力， 实现就是掌握了 解和分析医疗公共服务在各区域的以往需求量、 现在需求量和将来的需求量， 以及医疗卫生资源以往的政府供给量、 现在供给量和将来的供给量， 以在做医疗卫生资源服务预算和规划时基于供需的平衡做出取舍。 通过对医疗卫生资源服务供需数据的横向对比分析、 数据挖掘等技术处理， 可以做出准确性较高的供需平衡预测， 供决策管理层规划参考。
7.9.1医疗卫生资源服务现状分析
通过地图展现区域范围内目 前医疗卫生资源公共服务现状与未来需求量预测。
社康中心（含一类、 二类） ： 通过一张地图看到社康中心分布、各社区社康中心的数量分布和社康中心建设选址规划信息。
医院（含专科医院、 专科疾病防治院、 妇幼保健院、 中医院、综合医院、 一甲、 二甲） ： 通过一张地图看到各个级别医院分布图、综合医院床位分布和各级别医院建设选址规划信息。
通过一张地图看到市各区和街道的人口 数量、 人口 年龄结构、人口 性别结构、 文化结构、 行业结构等信息。
通过一张地图， 能看到各区和街道的政策外生育的人口 分布。
7.9.2医疗卫生资源财务供给能力分析
政府每年在医疗公共服务领域的资源投入和市民的需求量总存在较大的差异， 为了 尽可能实现供需平衡， 需要对医疗领域的公共服务需求量和政府未来几年的供应量做预测分析， 以支撑决策管理者做出合适的决策。
历史供给能力数据收集： 年度总收入、 年度总支出、 增长率、九大公共服务需求量、 九大公共服务增长率、 各公共服务资源投入量。
历年政府财政收入、 支出、 公共服务支出、 公共服务支出增长率以及年度各项公共服务需求缺口 、 公共服务需求增长率做纵向对比，判断未来 3 年内财务供给满足能力和缺口 。
7.9.3医疗卫生资源规划指标对比
通过了 解国际、 国家、 相邻省市相应的医疗公共服务政策资源配置标准进行对比， 再结合资源现状、 百姓民生需求等情况， 合理规划医疗公共服务资源。
对比的指标项： GDP、 人口 、 国土面积、 政府年度总收入、 政府年度总支出、 年度教育总投入、 年度教育总投入占 GDP 比重、 年度教育总投入占政府支出比重、 年度医疗卫生总投入、 年度医疗卫生总投入占 GDP 比重、 年度医疗卫生总投入占政府支出比重、 病床数、 每千人口 病床位数、 医生数、 每千人口 医生数、 护士数、 每千人口 护士数。
指标横向、 纵向对比： 历年数据纵向指标对比图、 和国内主要城市、 省的横向指标对比图、 和亚洲四小龙横向指标对比图、 和周边国家横向指标对比图、 和国际性都市横向指标对比图、 和欧美国家横向指标对比图、 和世界所有国家横向指标对比图。
7.9.4医疗卫生资源政策建议
通过对医疗公共服务的历史数据和未来趋势的综合分析， 对供需平衡作出判断， 总结出供需报告供管理决策层参考。
7.10商业医疗保险应用（保险公司）
云平台分析在商业医疗保险的保障设计、 精算定价、 理赔运营管理、 医疗机构管理、 市场和销售拓展等医疗保险经营的各个领域均有很大的应用价值； 在战略决策支持上， 云平台应用同样有着举足轻重的作用。
7.10.1获得新客户 和保留已有客户 的分析应用
对于商业医疗保险机构的市场和销售而言， 如何获得新客户 和保留既有客户 是核心内容。 应用云平台挖掘， 可以剖析客户 参保人群的费用驱动因素及健康情况， 不仅可以为优化保障设计与精算定价提供有力支持， 更可以以深度分析结果报告作为业务洽谈的基础， 增进与客户 的沟通， 赢得客户 对保险公司专业水平的信赖， 并据此为客户 量身定制相关增值服务。
7.10.2有效控制医疗费用的分析应用
商业医疗保险的最重要的核心价值在于： 保障医疗质量的前提下有效控制医疗费用。 云平台分析可以为医疗保险找出费用的关键驱动因素。 以此作为战略决策的依据， 可以使决策者有针对性的制定措施解决问题关键。 此类分析的要点在于通过由大到小、 由粗到细的层级挖掘寻找问题的关键， 成功应用于决策制定即需要整套专业分析技术的支持， 更需要逻辑性、 结构化的思维， 及对医疗保险行业市场在战略层面的理解， 因此对数据分析师的要求更高。
7.10.3商业医疗保险的保障设计和精算定价
目 前商业保险业务分团体险与个人险， 其中个人险中以储蓄理财型产品为主， 少部分是消费理赔型， 即真正意义上的医疗保险。 此间很大原因在于缺乏对实际医疗费用的估算把控能力， 在保障设计及精算定价方面无据可依， 从而限制了 产品的开发。
案例分析
以肿瘤类大病保险为例， 由于政府医保以保基本为原则， 支付额度经常不足以覆盖治疗肿瘤疾病治疗的全部费用， 且报销目 录通常不收录现今市场上疗效显著但价格昂贵的靶向型生物制剂， 导致这一领域的市场空缺， 为商业保险提供了 明确的发展机会。 商业保险公司虽看到市场契机， 但往往因不了 解肿瘤治疗的实际费用， 而对产品设计与定价无从下手。
分析挖掘肿瘤类疾病理赔数据可以有效帮助解决这一难题。 以乳腺癌为例， 通过对北京、 上海和成都三个城市的医保理赔数据库中抽取的乳腺癌病例的深度分析， 辅以病人及医生的调研信息， 我们看到， 乳腺癌的治疗方案及相关费用与其癌症类型紧密相关：
● A 类原位癌以手术为主， 住院时间短， 费用相对较低；
● B 类 I-III 期患者的治疗除手术外需辅以相当的化疗， 费用明显增高；
● C、 D 类 IV 期患者的治疗方案以化疗为主， 所需费用更高；
患者家庭经济情况也是影响治疗费用的一大因素， 家境富裕的患者多选用靶向型生物制， 其治疗费用大大增高； 由于不同城市消费水
平及具体医保保险政策的不同， 也导致城市间的差异性， 但与由癌症类型及治疗方案导致的费用差异相比， 地域性的影响相对较小。
以上对肿瘤费用的深度分析结果， 结合不同年龄群体的发病率及疾病演变信息（可从疾病学研究中获得）， 即可为真正理赔型大病保障设计及相关精算定价提供有力支持， 促进医疗保险产品的创新并提升产品的竞争力。
7.10.4商业医疗保险的理赔运营管理应用
在医疗保险理赔运营管理中至关重要的一个环节是及时发现欺诈、 浪费、 滥用等费用风险。 欺诈虽案例不多， 但常涉及较大金额；浪费与滥用属于过度医疗与不合理医疗， 单笔金额也许不高但是数量庞大， 很难根据经验判断， 因此属于数据挖掘的重要应用领域。
云平台分析可以帮助找出一些典型的理赔费用风险问题， 例如分解住院、 不合理医疗检查项目 或者不合理高值医用耗材、 诊断和处方药品指征不匹配、 药品剂量超标等。 此类分析对临床知识要求很高，需要专业分析技术和引擎才能完成。
案例分析
以某地区几千名门诊患者的基本医疗和企业团体补充险为例，通过深度分析其 1 年理赔数据， 我们发现多类理赔风险：
● 药品剂量超标： 医保报销规则通常要求每次处方量不超过 7天或 14 天， 但在实际理赔中， 因为普通医保运营系统无法判断具体到每个药品的标准日用量， 难以就理赔信息加以识别， 因此超剂量用药频有发生， 并为代开药品、 倒卖药品等欺诈行为提供了 便利。 我们根据各类药品最大日用量分析计算了 相应给药天数， 从单次处方天数来看， 某些中药处方的给药天数超过一个月 ; 从一年中累计给药天数来看， 若干患者配药总量远远超过一年。 因为现有理赔数据不含有药品用量信息， 所以以上仅为保守估计。 若能结合电子病例以实际处方的日用量计算， 可以发掘出更多的潜在问题案例。
●用药与医疗服务不匹配： 现今医保药品报销通常要求诊断与用药相匹配， 因此医生在处方时往往会根据所处方药品填写诊断信息。分析发现， 少数患者使用了 10 种以上药品， 相应的诊断名称也众多。
众所周知， 某些疾病的诊断往往需要一些必要的检查或者化验来确诊，但我们所分析的理赔数据中显示的检查和化验项目 并不能支持患者的众多诊断。 这说明， 在实际医疗行为中， 可能存在医生为配合患者开药而“人为” 填写诊断名称的现象。 理赔工作人员可相应对此要求患者提供病例详情以确认是否有借开药以套保费的现象。
● 由保障方案诱导的“非必要” 医疗： 目 前不少团体补充险保障涵盖门诊福利， 且常设几千元的封顶线。 我们的分析表明， 在有门诊保障的情况下， 如果起付线不高（1 千元以内）， 常会导致相当的“非必要”医疗。 该团体门诊封顶线在 4000 元左右， 一年内 1290 出险人中 800 人门诊费用在 3000-5000 元之间， 明显有诱导消费嫌疑。深入分析各月 份及医院就诊分布显示， 年底 11-12 月 间就诊次数明显增长， 且主要出现在较容易挂号的一二级医院， 说明其增长主要由诱导消费导致的“非必要” 医疗。 那么所诱导的“非必要” 医疗都包括哪些内容呢？ 通常而言， 一方面为可用可不用的药品， 诸如中成药、中药营养品等； 另一大类为可有可无的诊疗项目 ， 例如检查化验， 中医针灸按摩等。 进一步分析中药及诊疗服务费用按月 的分布， 可以清晰的看到年底中成药、 中药饮片（含中药营养品）、 及诊疗项目 使用频率及涉及费用 明显上升. 当然从根本上解决诱导消费的问题需要从保障方案设计着手， 但以上分析结果也可为理赔提供信息支持， 帮助理赔工作人员简单便利的找出此类诱导消费的嫌疑， 有针对性的加以审核。
以上发现可帮助医疗保险机构的理赔审核部门快速找出潜在问题案例及其明细信息， 提高理赔处理的效率并降低赔付率。 此外， 医疗保险机构也可以针对这些问题的根源和相关医疗机构进行沟通， 寻求从根本上降低费用和提高运营水平的机会。
7.10.5商业医疗保险的市场和销售拓展应用
对于商业医疗保险机构的市场和销售而言， 如何获得新客户 和保留既有客户 是核心内容。 应用云平台挖掘可以剖析客户 参保人群的费用驱动因素及健康情况， 不仅可以为优化保障设计与精算定价提供有力支持， 更可以以深度分析结果报告作为业务洽谈的基础， 增进与客户 的沟通， 赢得客户 对保险公司专业水平的信赖， 并据此为客户 量身定制相关增值服务。
7.11公共卫生服务应用（卫生防疫中心）
云平台挖掘可以改善公众健康监控。 公共卫生部门可以通过覆盖全国的患者电子病历数据库， 快速检测传染病， 进行全面的疫情监测，并通过集成疾病监测和响应程序， 快速进行响应”这将带来很多好处，包括医疗索赔支出减少! 传染病感染率降低， 卫生部可以更快地检测出新的传染病和疫情等。 通过提供准确和及时的公众健康咨询， 大幅提高公众健康风险意识， 同时也将降低传染病感染风险。
云平台在公共卫生中应用， 突出体现在以传染病实时监测的信息为依据， 以历史疫情云平台为基础， 建立敏感特异、 科学实用、 适用基层的传染病爆发、 流行的预警体系， 提高了 中国传染病疫情监测的预警能力， 并在传染病爆发、 流行的早期能够及时发现并采取快速的应对措施， 从而减少传染病对人民健康和社会经济发展造成的影响。
公共卫生业务活动主要包括疫情监测、 应急处置、 调查评价、 科学研究、 教育培训和管理服务等。 内容包括传染病， 慢病， 健康危险危害因素等。 类别包括以人群为基础的个案信息； 以实验室为基础的生物与环境信息； 以组织机构为基础的管理信息； 以人群社会化活动为基础的结构化、 半结构化和非结构化信息。 其次， 监测信息来源多样化， 包括手工录入， 电子病历（EMR）， 微博微信/论坛等网络信息。
最后， 数据时效要求高， 疫情探测和应对要求近乎实时的应对速度，需要满足实时统计分析， 快速获得结果， 同时大量监测数据中需要的常信号， 或发现流行规律。
7.11.1传染病预警预报
利用监测信息资源， 实现以日为单位动态自动预警概念模型； 实现对传染病暴发的早期自动预警； 支持传染病疫情监测报告数据的分析与利用。 采用时间/时空预警模型每日 自 动运算， 将探测到的病例异常增加或聚集的信息以多种方式自 动发送给各级疾控机构疫情值班人员， 提醒其及时关注和处理。 具体应用：
传染病实时统计： 对全国范围传染病个案数据进行实时动态的基于时间、 空间和人间的“三间分布； 数据包含时间、 空间、 人群、 疾病四个象限维度： 实施难度体现在加工后的实时统计数据达到5000 万条/年， 并需要针对全国所有分级用户 提供任意时间段的汇总统计， 其统计量达到8000万亿条/年。 技术路径及应用展现。
传染病聚集性预警： 基于病人空间位置的非结构化数据预警，主要用来探测在大尺度范围内的传染病聚集性爆发， 主要维度包括： 病种、 病人详细住址（例如某学校某班， 某村某大队）； 主要难度体现在病人详细住址是非结构化数据， 需要逐行快速匹配及容错误处理。 技术路径及应用展现。
7.11.2公共卫生舆情监测预警
舆情监测： 随着互联网技术与应用的飞速发展， 网络媒体已经成为获取信息的重要来源。 使用网络信息抓取技术， 抓取互联网络传染病、 突发公共卫生事件， 以及公共卫生安全方面的新闻、 BBS 和社交网络等范围内的对象信息， 已经成为公共卫生监测的另一重要手段。
舆情预警： 将监测数据输入预警预报模型， 输出以报表、 统计图、 趋势图的形式展现， 并与达到警告标准的数据进行对应级别的警告。 采用多层次模糊综合评价的方法， 将舆情监测数据划分为二级及二级以上的指标。 对低级指标进行加权评估， 继而对高级检测指标进行舆情加权评估， 最后得到整个传染病、 突发公共卫生事件在网络中舆情的级别预警。
7.11.3疾控和保健应用
重大突发疾病早期预警： 通过对心电生理信号的提取， 使用多尺度的数学形态学方法进行降噪滤波， 然后通过积分增加 QRS 复合波的信号， 最后通过选择合适的阈值得到最终的 QRS 复合波的检测结果。同时， 利用 L1-逻辑斯蒂模型提取疾病风险因子， 防止重大突发疾病。利用云平台挖掘技术挖掘用户 的身体健康信息， 并将分析结果以电视、平板电脑、 手机等展示方式快速高效的反馈给用户 。 与此同时， 社康中心或医院的医生可通过互联网查看其管理的慢性病用户 的生理指标情况， 根据用户 的个人身体健康具体状况， 给出用户 的日 常饮食、锻炼和用药建议。 一旦用户 的生理信号检测异常， 平台将自动给出预警信息， 通知用户 前往医院就医， 同时将信息通知其家人和监护医生。
7.12政府监管应用（政府主管部门）
7.12.1医药监管应用
药品价格监管： 药品价格一直是社会热点问题之一， 两者的高低直接关系到合理诊查， 合理用药水平， 关系到广大百姓的经济承受力，关系到医药资源的配置和利用效率， 关系到药品生产企业的长远发展，特别是实行全民医保， 同样关系到政府对卫生事业的支付能力。 医疗收费和药品价格， 涉及面广， 影响大， 已引起政府有关部门的高度重视， 各相关部门多次多管齐下， 调整医疗收费标准和降低药品价格，但是所实施的各项措施让百姓切实感受到的实际效果并不明显， 出现了 一方面药品价格在大幅度下降， 大型诊疗仪器收费标准降低， 另一方面患者支付的医药费用并没有明显减少的现象， 虽然这些现象的存在， 与医疗体制、 制度相关， 但应通过加大价格监管等措施， 让医疗费用降下来， 百姓实实在在得到实惠。
药品研发生产流通监管： 包括药品生产企业资格监管、 药品生产准入监管、 药品质量监管、 药品安全监管、 新药注册监管； 药品流通企业资格监管、 药品流通环节监管、 药品集中采购过程监管、 药品物流监管。
7.12.2医疗监管应用
过度医疗监管： 过度医疗是指在医疗过程中所采用的诊断、 治疗措施超越疾病本身的需要， 造成医疗卫生资源和费用的浪费， 甚至有害于身体的医疗行为。 简单来讲， 过度医疗指的是与适度医疗相对应的医疗行为。 它主要包含两个要素： 医疗行为的无效性和医疗消费的过度性。
大处方监管：
无适应证用药、 无正当理由开具高价药、 超说明书用药以及为同一患者同时开具两种以上药理作用相同药物的处方；
过度检查监管：
医疗机构及其医务人员不得违反诊疗规范实施不必要的检查；
过度治疗（包括药物治疗、 手术治疗和介入治疗等） 监管：
医疗机构或医务人员违背临床医学规范和伦理准则， 不能为患者真正提高诊治价值， 只是徒增医疗卫生资源耗费的诊治行为。 或者说， 在治疗过程中， 不恰当、 不规范甚至不道德， 脱离病人病情实际而进行的检查、 治疗等医疗行为。 简单说， 过度医疗是超过疾病实际需求的诊断和治疗的行为，包括过度检查、 过度治疗。 过度医疗不是诊治病情所需， 起码不是诊治病情完全所需。 过度医疗是与道德相违背的， 是法律以及相关制度所被禁止的。
医疗质量监管： 包括医疗服务机构、 人员、 技术、 药品、 器械、设备等方面的法律法规和规章制度的合规性监督检查， 医疗事故和不良安全事件的监测。
7.12.3医保监管应用
建立全程智能审核系统， 将医保监管对象延伸到医务人员。 用法律法规和政策标准指导、 约束和了 解医生处方行为过程， 做到事前提示、 事中监控和预警、 事后惩罚与改善， 彻底走出医保和医生信息不对称和类似行政监督手段的困境。 为达到医保基金中长期收支平衡，亟待建立抑制医患道德风险的治理机制。 实现医保机构从“出纳” 升为“会计”， 提高对医疗服务的监控能力。
单从医保经办机构审核医疗机构费用单据来看， 医保经办机构就面临着巨大挑战。 平均每位审核人员需要审核的单据数量逐年增加，例如在成都市 2011 年人均需要审核 6708 份住院费用单据， 而至 2013年人均需要审核 8654 份住院费用单据。 显然， 这样审核量单靠现有医保编制人员是无法完成的。
通过基于云平台的智能审核系统的新型监管手段， 不仅可以提高医保监管效率， 带来政府公信力的提升。 而且对医保经办者们， 提高效率、 防止出错、 减少违规， 实现月 清月 结。 通过智能审核初审完毕后， 将不涉及违规和可疑可申诉部分的医保金额立即拨付， 对可疑可申诉部分的医保金额根据申诉结果拨付。
7.12.4医疗服务机构和医生监管应用
对医疗服务机构的成立和经营过程进行执照和许可监管， 防止非法医疗机构的出现和运营； 通过对医生的行医资格及其行医记录进行监管， 防止无证行医、 非法行医等危害健康的行为。
7.13 新型医疗卫生服务应用（政府主管部门）
自从 2003 年科学家完成人类基因组图谱， 医疗卫生科技取得了 巨大的进步。 新型的医疗健康模式和工具， 正在或将要改变人们传统的监测、 看病、 保健的方式， 并逐步形成一条新的产业链。 从预防到看病、 就医、 恢复、 保健， 在医疗产业链的各个点上各有侧重。 新型医疗卫生模式的最大特点是应用 了 大量的新信息技术来强化和超越传统限制（包括时空） 实现新的医疗功能， 包括远程医疗、 移动医疗、 互联网医疗、 数字医疗、 云平台医疗、 智慧医疗等等。
7.13.1远程医疗
远程医疗首先是一个跨越空间的医疗行为， 范围比较窄， 必须由医疗机构和具有医疗资质的人员提供。 按照比较接地气的描述， 远程医疗有两种模式， 一种是 B2B， 就是机构对机构， 两个不同的医疗机构的合作; 一种是 B2C， 直接对医疗机构以外的患者提供医疗服务。
7.13.2移动医疗
移动医疗是“通过移动设备提供的医疗服务”。 移动设备提供了不可思议低成本和实时的方式， 用于评估疾病、 运动、 影像、 行为、社会交往、 环境毒素、 代谢产物和一系列生理变量。
移动医疗借助最新的物联网的传感技术和移动互联网的便携效率， 将优质的医疗服务通过互联网延伸， 移动医疗强调提供医疗服务，是医疗资源通过智能移动设备的一种辐射。 目 前的移动医疗产品可以大致进行如下划分：
医生工具。 通常包括患者病历管理、 药品信息、 临床指南、 前沿的医学资讯等， 能够给医生的日常工作带来帮助。
自诊问诊平台。 包括患者自诊或预诊、 医患沟通平台、 患者互助平台、 签约私人医生等， 在日 常生活中能够为普通人和患者获取医疗信息和诊疗带来便利。
单科领域。 关注某类疾病或某个单科领域， 根据疾病的特点借助移动 互 联网 ， 将慢性病 的 管 理提供给患 者 (即 PM， patientmanagement) 目 前常见的领域包括牙科、 心血管、 糖尿病、 呼吸疾病、 皮肤疾病、 孕期等。
硬件结合。 用户 通常需要购买专用的硬件， 测量生理信息后将通过 App 自动记录下来， 目 前主要有血压、 血糖、 心率、 体温、 尿液信息等指标。 除此之外， 还有一些移动监护仪和远程胎儿监护等设备， 也能够通过 App 将信息及时发送给患者和家人， 此类产品一般是医疗器械公司在移动医疗领域的尝试， 或者可穿戴硬件公司针对特定用户 需求的开发。
医联平台。 主要由第三方供应商或 HIS 厂商开发， 或者由政府或医疗机构委托开发， 通常包含挂号、 预约、 查看医院内的信息、查看化验单等功能。 此类平台目 前出现与微信、 支付宝等结合的趋势。
医药电商平台。 提供完善的药品信息、 药品使用说明、 病症查询，并且能够基于用户 的地理位置推荐药品购买服务， 也包括目 前国内最大的几家电商平台， 未来牌照开放后的处方药网售， 其市场规模将迎来井喷。
医疗新媒体。 除了 针对医疗机构和企业的服务之外， 通过传递医疗资讯， 进行患者健康教育(即 PE， patient education) ， 同时可以连接医生、 制药企业和患者， 并可以建立社区， 为患者服务，采用移动互联网的微博、 微信等通用平台架构， 所以从广义上来说， 也属于移动医疗的范畴。
7.13.3互联网医疗
包括以互联网为载体和技术手段的医疗健康教育、 医疗信息查询、电子健康档案、 疾病风险评估、 在线疾病咨询、 电子处方、 远程会诊、远程治疗和康复等多种形式的健康管家服务。
7.13.4数字医疗
数字医疗把现代计算机技术、 信息技术应用于医疗领域， 数字医疗设备的出现， 大大丰富了 医学信息的内涵和容量。 从一维信息的可视化， 如心电(ECG) 和脑电(EEG) 等重要的电生理信息; 到二维信息，如 CT、 MRI、 彩超、 数字 x 线机(DR) 等医学影像信息; 进而三维可视化， 甚至可以获得四维信息， 如实时动态显示的三维心脏。 这些信息丰富了 医疗诊断技术， 使医学进入了 一个全新的可视化的信息时代。
7.13.5云平台医疗
医疗领域云平台分析的作用堪比经验丰富的临床医生， 在医疗行业充满了 云平台分析的使用场景， 为医患人员提供可衡量的结果， 包括在住院管理、 医疗设备管理以及提高治疗效果并且避免医疗欺诈的出现。
7.13.6智慧医疗
智慧医疗强调的是采用最新信息技术实现的医疗效果和感受， 其中包括医疗环节过程的高效率、 高效益、 智能性、 预见性、 互动性和及时性等能充分展示智慧的功能支持， 包括针对医院医生、 家庭个人、管理者以及其他社会组织， 从而提高医疗环节相关机构和角色的医疗卫生服务体验。 智慧医疗实现“疾病医学” 向“预防医学” 转变， 其更强调在线健康监护与自助服务体系， 降低医疗成本。
7.13.7精准医疗
精准医疗作为医疗模式的革新， 其对提高我国国民健康水平有重要意义， 我们预测精准医疗将在基因测序技术发展和国家政策的推动下迎来黄金发展期。 精准治疗是下一个新兴朝阳行业， 包括基因测序、肿瘤诊断及个性化用药等。
苹果与美国多家研究机构合作开发精准医疗应用， 收集并整理用户 的基因数据。 这些应用将向一些 iPhone 用户 提供机会， 帮助他们进行基因检测。 这些新应用将基于苹果的 ResearchKit。 这一数据整合平台可以收集来自用户 设备的信息， 将信息进行打包用于医学研究。
医院和其他研究人员可以连接至 ResearchKit 平台， 从而迅速获得大量的研究样本。作为精准医疗的核心技术， 基因测序日 前逐渐获得市场的关注。不仅仅包括苹果在内的海外巨头正加快布局基因测序的步伐， 国内有关部门也在力推精准医疗战略。 日前， 科技部召开了 国家首次精准医学战略专家会议， 会议透露中国精准医疗计划将在 2015 下半年或2016 年启动。 根据规划设想， 在 2030 年前， 中国精准医疗将投入 600亿元， 其中： 中央财政支付 200 亿元， 企业和地方财政配套 400 亿元。
8 云平台分析应用平台支持的专题云平台应用
为支持上述描述定义的各种医疗卫生业务应用场景， 平台将首先通过业务专题云平台应用（实体云平台应用） 开发的方式进行实现，即把业务应用 中具有共性的云平台分析按照不同业务专题或相关实体进行分类开发， 如平台以“患者” 为专题的专题云平台应用， 其可以为患者自身治疗提供云平台应用服务， 也可以被医院医生用来辅助进行诊断和治疗服务， 同时也可以被医疗卫生管理部门用来分析某种疾病的发病机理和地域分布以及年龄职业相关性等， 以便进行该类疾病的预防和控制。
8.1患者分析（基于电子病历 EMR）
8.1.1 患者数据预处理
通过将患者在不同医疗服务机构和不同时期的医疗数据、 检测数据、 体检数据以及体征检测数据（血压、 血糖、 心率等） 进行数据质量处理， 发现那些非患者的数据、 不一致的数据、 缺失的数据以及不正确的数据， 并采取质量纠正措施进行更正和填补， 从而得到高质量完整的患者个体数据。
患者数据质量的主要从重复性、 关联性、 完全性、 合规性、 一致性和正确性六个维度进行衡量。
重复性： 发现并清理重复记录。
关联性： 恢复失去关联的数据间的关系。
完全性： 补全遗失的数据。
合规性： 按行业标准补充和修正数据。
一致性： 进行数据间一致性的相互验证。
正确性： 进行数据间正确性的比对分析。
方案可从这六个质量维度提供患者数据质量提升方法和手段。
8.1.2患者个体（个性） 分析
将患者在不同医院和医疗服务部门进行的全部诊断、 治疗、 检测结果数据以及健康体检、 体能锻炼等数据进行整体拼接和贴标签， 给出针对患者个体的病况分析、 恢复预测分析、 饮食注意事项分析和运动量分析。
8.1.3患者群体（统计） 分析
患者群体状态分析：
患者群体管理分析： 分析评价患者群体对疾病的知识掌握程度，发现患者在自我保健管理中存在的问题， 建立行之有效的相应措施和对策。
患者群体时空特征分析：
患者群体发展趋势分析：
患者群体改善效果分析：
8.2 处方分析（基于电子病历 EMR）
处方是关联和联系医生、 患者和药品三者的主要实体， 通过海量处方数据的分析， 可以从中挖掘发现许多对方方面面组织机构和患者个人有用的知识和洞察力， 这些知识和洞察力可用于支持服务于医疗卫生行业的众多应用， 并产生新的业务应用。
8.2.1医生用药分析
开药提醒提示： 包括患者本身情况、 药品注意情况等。 提醒医生开处方时药物的过敏反应， 或者会提供医疗措施的建议， 告知医生患者需要提前注射疫苗， 或根据医疗文献提醒医生患者最近的症状并不支持刚预约的成像检查。
审核处方内容： 从合理性、 外部制度规定、 内部规定、 安全性等角度对处方进行自动审核， 提示可能差错、 违规等风险， 以及药品之间可能存在的禁忌和注意事项。
临床决策支持： 通过将医生处方和医疗专家库医学指导比较， 提醒医生避免出错， 如药品不良反应、 过度使用抗生素等， 帮助医生降低医疗风险。
8.2.2患者用药分析
用药提醒提示： 根据处方， 提醒患者按时按量用药， 以及用药安全提示和注意事项提示。
用药关联分析： 根据患者过去处方情况， 进行患者历史用药效果分析， 也可以进行统一患者不同病之间以及不同治疗机构之间的相关性分析， 避免发生错误用药， 如重复用药、 冲突用药等。
用药效果分析： 根据患者用药情况， 结合所获得的患者身体指标和康复情况， 进行用药效果分析， 为个性化、 精准性和针对性用药提供依据。
8.2.3 处方用药分析
从处方中所使用的药品构成， 可分析处方药品的主要用途， 应用对象， 以及哪些医生喜欢开什么药品等。 另外处方用药也是计算分析医疗服务机构实际药品库存的重要依据。
8.2.4 医院科室用药分析
医院用药按年、 季、 月 、 旬、 天进行药占比、 用药量 TOP10、 采购量 TOP10、 抗菌药、 基药占比、 制度符合对比、 医保用药占比等分析。
8.2.5 安全用药分析
安全用药就是根据患者个人的基因、 病情、 体质、 家族遗传病史和药物的成份等做全面情况的检测， 准确的选择药物、 真正做到“对症下药” ， 同时以适当的方法、 适当的剂量、 适当的时间准确用药。进行人群监测， 对将会流行的传染病的早期症状加以监控， 或对新上市的处方药的副作用加以关注。
8.2.6 处方符合性分析
正确性（格式、 药品、 配伍禁忌、 用药合理性）： 合格的处方包括处方的前记、 内容、 后记书写格式完整， 处方药物的品名、 剂量、用法、 用量正确无误， 药物配伍无重复、 无禁忌等， 临床用药合理。
合规性（医保规定、 医疗规定）： 满足国家基本药物规定、 医保用药规定、 临床路径规定等合理性： 以当代药物学和疾病的系统知识与理论为基础， 安全、有效、 经济、 适当地使用药物。
8.2.7处方用药-诊断结论关联分析
从处方中所使用的药品与对应的诊断结论之间相互关联进行分析， 发现疾病和药品之间存在的关联， 如果能在关联疾病的治疗效果，还可以发现哪些药品对哪些疾病更有效（循证医学）。
8.2.8诊断结论-处方总价聚类分析
从处方诊断结论和处方总价的聚类分析， 发现不同疾病的处方总价聚合情况， 为临床途径提供合理费用依据， 如支气管炎的处方总价90%分布在[100. 00 元人民币~150. 00 元人民币]之间。
8.2.9患者特征-诊断结论分类分析
从患者有关特征信息和处方诊断结论的分类分析， 发现患者的哪些特征（时间、 空间、 年龄、 性别、 职业等） 和疾病关联分析， 如：可以得出什么时间段、 什么患者更容易得什么疾病； 哪个区域的患者更容易得什么疾病以及什么年龄段的患者更容易得什么疾病等等；
8.2.10患病时间-诊断结论序列分析
从患者患病时间和处方诊断结论的序列分析， 可以得到哪些疾病具有明显时间前后次序， 如： 发现５ 岁以下小孩在感冒患病后更容易得急性肺炎等。
8.3药品分析（基于医药产业链数据）
围绕药品产业链， 改善医药供应链运行模式可大规模降低其成本。如果采取需求管理、 需求驱动的订单、 存储和根据、 临床要求包装、终端用户 定制， 可以节约成本 1%-2. 5%； 如果采取订单管理、 集团采购、 无纸订单管理(EDI 和网络采购) ， 可节约成本 0. 5%-1. 0%； 如果采取供应商管理、 供应商整合、 厂商直接分销、 符合采购团体 90%的要求， 可节约成本 0%-0. 5%； 如果采取物流管理、 整合运输网络、 运输能力 85%的运用、 整合服务中心， 可节约成本 0. 5%-1. 0%； 如果采取库存管理、 标准供应、 自动化的服务、 现场分销和补货 30%以下的无库存顼目 、 存储单元 25%-40%的削减， 可节约成本 0. 5%-1. 0%； 如果上述成本都能节约的话， 可以实现总体成本节约 2. 5%～6. 0%。
8.3.1药品种类分析
国内相关药品：
国家药品分类标准（最新、 以往历史）， 包括中药部分、 化学药部分、 生物制品规程部分。
中国药典（最新、 各年版）， 包括 1953 年版、 1963 年版， 1977版、 1985 年版、 1990 年版、 1995 年版(含 1997 年、 1998 年增补) 、 2000 年版(含 2002 年、 2004 年增补) 、 2005 年版(含2006、 2009 年增补）、 中国药典 2010 年版一部(中药）、 二部(化学药品) 、 三部(生物制品) 、 第一增补本(2012) ， 第二增补本(2013) ， 第三增补本(2014) 。
国家药品注册信息（新药申报、 已注册、 撤销注册）， 包括化学药品、 中药与天然药物、 生物制品。
国家基本药物目 录（最新版、 以往历史版）， 包括化学药品和生物制品、 中成药和中药饮片部分。
国家基本医疗保险、 工伤保险和生育保险药品目 录（最新版、以往历史版）， 国家基本药物目 录的药品全部包含在医保目 录里。
各省市药品中标目 录（最新版、 以往历史版）， 是各省开展医疗机构药品集中采购后， 中标的产品形成的目 录。 这些药品既包括基本药物也包括医保目 录和非医保目 录。
各省市新农合药品目 录（最新版、 以往历史版）， 是各省市实施新型农村合作医疗， 使用的药品目 录， 不同地区可能制定不同的目 录， 报销比例也可以不同。
国外相关药品：
WHO 国际药典。 其它国家药典， 包括美国药典 USP35-NF30、USP32-NF27； 欧洲药典 EP6. 0、 EP7. 0、 EP7. 8、 EP8. 0; 英国药典 BP2013、 BP2012、 2010、 2009； 日本药典 JP16 及第一、第二增补、 日本药典 JP15、 JP14； 印度药典 IP2010 版。
WHO 推荐基本药物目 录。 其它国家基本药物目 录或药物报销目 录。
8.3.2药品研发分析
目 前的药物研究与开发主要遵循“化合物—靶蛋白—表型变化—疾病治疗” 这一中心原则， 即设计具有特定结构的化合物， 使其特异性地结合体内的某些蛋白的活性位点， 从而有效改变服药者的生理状态， 最终发挥药物对适应症的预期疗效. 通常情况下， 经过长期的生物学和临床医学的研究， 相关领域的专家能够积累针对某一特定疾病的大量知识， 可基于此寻找到在病理通路中发挥核心作用的一系列药靶蛋白. 围绕靶蛋白可以设计和筛选相匹配的药物分子， 而后通过大规模的临床试验， 在统计学水平上确定药物在安全性和有效性方面的各项指标， 最后向药品监管部门申报， 在得到许可后上市销售。
药物重定位（也称旧药新用） 研发： 利用相关的技术方法对已有的药物进行重新筛选、 组合或改造从而发现其未知新用途的过程。作为一个不可或缺的药物开发方式. 相比于从零开始的新药研发， 药物重定位基于已有药物的重新开发能够节省大量前期研发投入(如药靶发现、 化合物筛选、 安全性测试等) ， 因而既可能令一个失败的药物“起死回生” 也可能进一步扩大一个成功药物的适应症范围和销售市场。 同时， 相对于传统的新药发现， 药物重定位能够把药物研发的周期从 10~17 年缩短到 2~12 年。 对药物和疾病相关的高通量组学(如基因组、 转录组、 蛋白组和代谢组等) 以及医药云平台进行挖掘和分析， 进而为药物研发提供有质量的假说和线索。 通过组学数据挖掘或电子病历用药记录及病人表型的挖掘， 提出全新的“药物-疾病”对应关系， 从而为后续实验指明有希望的验证方向。
基于基因组表达联系图的系统性药物重定位： 转录组数据能够提供一系列在特定实验条件下过表达或欠表达基因， 比如疾病相对于健康的对照或药物处理相对于空白的对照等。 通过分析这些基因， 能够评估因疾病而紊乱的通路或网络。 “联系图” (CMap) 是目 前最完备的基于转录组的研发体系之一， 其中包含了 不同药物处理人类肿瘤细胞系所得到的基因组表达变化信息。 其应用方式主要是通过 GSEA 算法比对不同表达谱之间的相似程度， 从而产生两类假设： (ⅰ ) 当目 标药物与特定药物具有相似的表达谱， 则两个药物可能具有相似的适应症； (ⅱ ) 当目 标药物与特定疾病模型具有相反的表达谱， 则该疾病可能是目 标药物的潜在适应症。
基于遗传学的药物重定位： 遗传学关联分析多年来主要应用于发掘致病基因. 但从理论上讲， 如果一个药靶蛋白与某个疾病存在遗传学上的关联， 则该蛋白对应的药物很可能影响此疾病的药理学进程。利用全基因组关联分析(GWAS) 的数据进行药物重定位的研究。 他们发现， 在公开的疾病相关 GWAS 基因中， 有 155 条(15. 6%) 的基因是在研药物或上市药物的靶点. 其中， 63 条基因所对应的 GWAS 性状与药物的适应症匹配， 表明了 由 GWAS 技术所发掘的致病基因有较高的概率被作为药靶来直接开发药物。 同时， 作用于这 155 个基因所对应蛋白的药物如果尚未用于治疗 GWAS 相关疾病的话， 则有望用于治疗这些疾病。
基于化合物-蛋白互作组寻找药物新靶点： 在传统的基于靶点的药物研发流程中， 第一步就是高通量的化合物筛选。 即已知某特定的蛋白可作为治疗某疾病的靶， 于是通过实验方法从海量的化合物库中发现与靶蛋白产生相互作用的先导化合物。 在药物重定位中， 化合物库可以是美国食品药物管理局(FDA) 审批的药物分子， 也可以是制药公司临床研发链中的分子。 随着计算化学技术的发展和药靶蛋白知识的积累， 对化合物和蛋白结合过程的模拟计算能够在一定程度或特定问题上取代高通量筛选， 并用于挖掘未知的“药物-药靶” 关系。
基于药物副作用的药物重定位： 临床中所观测到的药物副作用可以作为药物重定位挖掘的另一个重要来源。 在以往的临床研究中， 副作用信息通常被理解为药物安全的“风险” ; 但随着药物生物信息学的发展， 已经能从副作用信息中发现潜在的旧药新用线索， 将风险成功转化成“机会” 。 一个经典的案例是西地那非(商品名: 万艾可)原本在临床试验中用于治疗心绞痛， 然而通过仔细审视临床中的副反应发现其具有治愈勃起障碍的潜在功效。 再比如， 醋酸艾塞那肽原本用于治疗 2 型糖尿病， 在临床试验中却被发现具有减轻体重的副作用。
通过全面收集与药物相关的副反应， 并评估用这些副反应来推测药物新用途的精度。 该方法假定是， 药物的治疗效果和副反应都是药理学效应， 这两者往往紧密相连， 因此副反应这种表型可作为一种“药物反应的生物标志物” 来表征药物潜在的治疗用途。
8.3.3药品生产分析
药品生产－供销－使用的平衡分析
药品生产的偏差分析
药品生产的安全分析
药品生产的质量分析（处方工艺、 质量标准、 用法用量、 药品说明书
8.3.4药品销售分析
传统的医药流通制度将逐步瓦解， 国内医药企业将和国外医药企业展开公平竞争。 单个医药商业企业已很难抵挡市场带来的强大冲击。如今医药企业的核心竞争力不仅体现在药品的生产和质量方面， 而且更重要的是体现在药品的流通效率和客户 服务方面。 谁能在更短时间内将药品配送到指定客户 手中， 谁就占得了 市场。
国外领先的医药商业企业有成熟的网络配套系统、 高效的医药配送系统、 完善的客户 服务以及较低的物流成本。 国外医药电子商务平台已基本实现了 物流、 商流的信息一体化和无纸化交易。 各个交易环节安全快捷， 平台对药品流通的每个环节实行实时动态监控， 保证系统运行准确无误。
医院本身是为消费者提供医疗服务的机构， 消费者本来应该处于主导地位， 现在却相反， 主客易位， 医院成为主角， 消费者只能被动接受医院单方面提供的医药产品。
医药连锁店直接面向消费者， 并且处于完全竞争的市场， 其顾客需求的驱动力理所当然也应该是最强的。 然而由于其在医药供应链中影响力较小， 存在着如何把握市场满足消费者的市场需求。
8.3.5药品物流分析
要彻底改变传统医药企业流通环节多、 效率低的问题， 就必须整合市场资源， 实现现有企业的兼并、 重组， 形成一条流畅快捷的新型物流通道， 确保药品高效、 安全地抵达客户 手中。
医药制造企业物流质量低下， 物流成本偏高。
物流企业缺乏核心竞争力， 供应链整体物流效率低下。
药品大多堆积在医院环节， 造成物流不畅。
8.3.6药品资金流分析
资金大量沉淀在医院且存在严重外溢现象。
对于医药制造企业及医药批发企业来说， 产品利润率较低且在流通环节资金占压严重， 资金回笼速度慢。
由于中国制药企业新药研发能力较弱， 产品低水平重复、 同质化的现象严重， 因此广告费在产品推广中占有相当比例，这也造成了 资金的低效流动或无效损失。
8.3.7药品信息流分析
构建完善的共享的药品供应链信息平台对提高企业竞争力是很重要的， 如对药品生产、 经营、 销售有关 ERP、 OMS、 WMS、 TMS 和 DSS的整合。 这种整合为药品分销提供了 后台支持功能， 例如会计和人力资源管理、 销售定单管理、 顾客关系管理、 地方和全国仓库管理、 预测长期和短期的战略发展方向、 库存管理等药品供应链管理系统高效运转所需要的功能。
另外， 以省直辖市为单位的医药集采平台所形成的集采药品目 录数据、 价格数据， 以及采购计划数据、 实际执行数据和订单执行情况数据都可以采用云平台分析用来支持进行药品生产销售、 库存、 配送和物流的流程优化和预测。
8.3.8药品库存分析
医药供应链环境下的药品库存管理相对传统的药品库存管理出现新的问题， 这些问题主要表现在医药企业从单一医药企业经营转变到供应链各节点企业药品库存管理的系统的协调性、 集成性问题。
药品库存问题主要表现在以下方面：
1． 从药品原料、 半成品到成品生产企业、 下游批发零售企业、医疗机构及最终消费者， 信息条块分割， 信息系统落后及系统标准不一致不能相互互联及共享， 商品编码体系出现“万码奔腾” 局面， 造成重复劳动， 终端数据不能快速传到到上游企业， 各节点企业没有供应链的整体观念， 导致库存控制决策处于各自的分散状态。
2． 在供应链上的各企业对用户 服务的理解与定义不恰当， 没有从最终的消费者的需求脉动上去理解用户 服务， 而是停留在供应双方的利益分配及服务上， 所以药价虚高、 消费者得不到满意的服务。 在整个营销方式上难以刺激消费者的需求， 有的甚至引起药品的安全问题。 尤其在中药的片剂上， 医药企业为采购廉价的原材料进行生产，从而降低了 药品的疗效及用药的安全性。 医疗机构的处方药在医生的职业道德还没有相应的法律制约下， 大处方是常见现象， 这样药品滞留在最终的消费者手上， 浪费或是过期变质， 或是改作他人使用， 都会导致一种不准确的信息传导。
3． 当前药企的营销代理机制， 代理商为获取代理权及逐利行为，经常出现“串货” 行为， 法律上也没有相应的制约措施， 单个企业的内部控制常常不能取得满意效果， 不准确的交货状态数据向上游传导，导致生产决策， 库存决策错误。
4． 各节点企业的低效率的信息传递系统， 目 前数据主要来自从销售人员终端向上游的企业的集成， 数据分散、 数据延迟而导致供应链上各节点企业的库存决策错误。 有的代理商为完成年度的营销任务，不按需求来给下游增加库存， 上游企业按虚增的信息进行生产， 因此造成恶性循环。 药品库存控制策略简单化， 不能适应企业的供应链的发展。
5． 各个节点企业从产品设计到产品生产、 物流运输等各流程缺乏合作与协调性， 也没有考虑到产品设计对供应链上药品库存的影响。
药品包装上规格繁多， 各个企业自成体系， 没有从整个供应链的角度去考虑， 尤其在商业流通上的“快批” 业态的出现， 给上游在产品设计上提出更高要求。 下游医药企业药品零库存的理念使上游制造医药企业承担需求不确定性造成的损失， 承担降价风险， 甚至成为供应链整合的牺牲品， 彼此的协调性， 合作的框架协议需要从供应链的角度去探讨。
针对当前药品库存管理面临的这些主要问题。 给药品库存管理提出更高的要求， 需要从供应链的战略全局上， 整体上， 信息共享上去下手， 探索新竞争环境下的库存模式。
(一) 供应商管理库存模式： VMI 是一种在用户 和供应链之间的合作性策略， 以对双方来说的都是最低的成本优化产品的可得性， 在一个相互同意的目 标框架下由供应商管理库存， 这样的目 标框架被经常性的监督和修正， 以产生一种连续改进的环境。
(二) 联合药品库存管理模式： 供应链上各个环节的医药企业通过信息技术可以实现信息和资源的共享和相互渗透， 达到优势互补的目的， 从而能更有效地向市场提供产品和服务、 增强市场竞争实力。 对于一个制造型的医药企业而言， 如何设置和维持一个合理的药品库存水平， 以平衡存货不足带来的短缺风险和损失、 以及药品库存过多所增加仓储成本和资金成本则成为一个医药企业必须解决的问题。 JMI的有效实施既加强了 医药企业间的联系与合作， 又保证了 这种独特的由药品库存管理而带来的医药企业间的合作模式不会轻易地被竞争者模仿， 为医药企业带来竞争优势。
(三) 多级药品库存优化与控制模式： 要想实现供应链全局性的优化与控制， 则必须采用多级药品库存优化与控制方法。 多级药品库存是在单级药品库存的优化与控制的基础上形成的。 控制方法有两种：一种是非中心化(分布式) 策略， 另一种是中心化(集中式) 策略。
① 中心化的控制策略。 中心化的控制策略是将控制中心放在核心医药企业上， 由核心医药企业对供应链系统的药品库存进行控制，协调上游与下游医药企业的药品库存活动。 这样核心医药企业也就成了 供应链的数据中心(数据仓库) ， 担负着数据的集成， 协调功能。
②非中心化的控制策略。 非中心化策略是各个药品库存点独立地采取各自的药品库存策略， 这种策略在管理上比较简单， 但是并不能保证产生的整体的供应链优化， 如果信息的共享度低， 多数情况产生的是次优的结果， 因此非中心化策略需要更多的信息共享， 有利于发挥医药企业自己独立的自主性和灵活机动性。
(四) 战略药品库存控制模式： 从传统的以物流控制为目 的的药品库存管理向以过程控制为目 的的药品库存管理的转变是药品库存管理思维的变革。 基于过程控制的药品库存管理将是全面质量管理、 业务流程再造、 工作流技术、 物流技术的集成。 这种新的药品库存管理思想对医药企业的组织行为产生重要影响， 组织结构将更加面向过程。
供应链是多个组织的联合， 通过有效的过程管理可以减少乃至消除药品库存。
(五) 推动式／ 牵引式结合的药品库存管理模式： 在压缩多阶响应周期的供应链管理模式下， 不仅仅要按需生产， 更重要的是要能够对市场的需求做出快速反应。 快速满足市场需求， 只简单地采用推动式运行机制在实际过程当中是不能满足需求的， 所以才用推动式／ 牵引式相结合的运行机制， 并建立相应的药品库存管理的体系。 上游医药企业可以按照推动式运行机制进行采购、 生产和原料补充等业务， 基本上属于 MTS(Make To Stock) 模式， 下游医药企业以客户 订单为驱动， 按照牵引式运行机制组织生产， 属于 MTO(Make To Order) 模式。这样的话， 供应链的上游可以完成所需要半成品生产， 一旦客户 订单到达， 这也可以说就是在整个供应链运作过程中运用延迟技术。 比如针剂类的药品采用才模式比较合适， 一方面可以保证生产线的规模效益， 一方面保证下游链的需求。
医院药品库存管理寻找控制药品成本的方法途径， 从而优化成本管理， 减少不必要的消耗及浪费； 有效地提高医院经济效益和社会效益， 为医院日后的进一步发展奠定良好的基础。 药品库存和供应之间始终是一对矛盾， 药房必须不间断地为病人提供充足的药品和相关服务， 同时又必须避免库存费用的过分增加。 库存管理在工作特性上具有医院药学的专业性、 药政法规的职能性和药品流通的商品性。
8.3.9药品质量偏差分析
药品生产质量： 生产环境、 生产工艺、 生产设备维护等质量分析。
药品经营质量： 药品购销渠道、 运输设备环境（温湿度控制）、 碰撞震动颠簸等质量分析。
药品库存质量： 仓储温湿度控制、 码垛堆压挤压、 破损变形等质量分析。
药品本身质量： 是否过期、 成分异常、 标注缺失（产品码、 生产码、 监督码、 有效期） 等质量分析。
8.3.10药品不良反应＆药品群体不良事件分析
在相关事件发生后， 药品生产企业将开展调查， 掌握药品不良反应或药品群体不良事件的发生、 药品使用、 患者诊治以及药品生产、储存、 流通、 既往类似不良事件等情况， 方案将提供以下分析：
药品自身范围分析， 涉及生产批次、 流通范围等；
药品影响范围分析， 包括涉及的区域、 人员、 采取的措施等；
9关键核心技术和算法
众多海量医药医疗数据为云平台管理与处理平台提出了 诸多技术挑战。 第一， 由于数据是不断累积的， 平台需具备高可扩展性； 第二， 存储层应适应不同的存取访问需求. 实时应用如医院的挂号和收费系统等， 主要涉及小量数据的读取与写入， 要求后端存储能够快速读写; 复杂应用如医疗历史数据挖掘等， 涉及大量数据的读取， 要求后端存储实现高吞吐量读取； 第三， 由于医疗数据关乎人的生命， 需要保证平台的高容错与高可用性， 能够应对常态化的出错问题。
9.1 云平台分析能力
云平台分析能力体现在五个基本方面：
云平台可视化分析能力
云平台分析的使用者有云平台分析专家， 同时还有普通用户 ， 二者对于云平台分析最基本的要求就是可视化分析。
云平台挖掘发现能力
云平台分析的理论核心就是数据挖掘算法， 被全世界统计学家所公认的各种统计方法才能深入数据内部， 更快速的处理云平台， 挖掘出公认的价值； 如果一个算法得花上好几年才能得出结论， 那云平台的价值就减弱了 。
云平台预测趋势能力
云平台分析最重要的应用领域之一就是预测性分析， 从云平台中挖掘出特点， 通过科学的建立模型， 之后便可以通过模型带入新的数据， 从而预测未来的数据。 云平台语义引擎能力云平台分析广泛应用于网络数据挖掘， 可从用户 的搜索关键词、标签关键词、 或其他输入语义， 分析， 判断用户 需求。
云平台质量和管理能力
云平台分析离不开数据质量和数据管理， 高质量的数据和有效的数据管理， 无论是在学术研究还是在商业应用领域， 都能够保证分析结果的真实和有价值。
9.2 云平台分析技术
数据采集： ETL 工具负责将分布的、 异构数据源中的数据如关系数据、 平面数据文件等抽取到临时中间层后进行清洗、 转换、集成， 最后加载到数据仓库或数据集市中， 成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、 NOSQL、 SQL 等。
基础架构： 云存储、 分布式文件存储等。
数据处理： 自然语言处理技术、 人工智能等
统计分析： 假设检验、 显著性检验、 差异分析、 相关分析、 T检验、 方差分析、 卡方分析、 偏相关分析、 距离分析、 回归分析、 简单回归分析、 多元回归分析、 逐步回归、 回归预测与残差分析、 logistic 回归分析、 曲线估计、 因子分析、 聚类分析、主成分分析、 因子分析、 快速聚类法与聚类法、 判别分析、 对应分析、 多元对应分析（最优尺度分析）、 bootstrap 技术等。
数据挖掘： 分类、 估计、 预测、 相关性分组或关联规则、 聚类、描述和可视化、 复杂数据类型(Text， Web ， 图形图像， 视频，音频等) 挖掘。
模型预测： 预测模型、 机器学习、 建模仿真。
结果呈现： 云计算、 标签云、 关系图等。
9.3 云平台存储技术和系统
在数据存储系统体系结构方面， 以大量廉价服务器组成无共享(shared-nothing) 集群的方式逐渐成为主流。 这种体系结构易于实现高可用、 高性能、 渐进可扩展的存储系统， 并且由于存储资源与计算资源紧密耦合， 在扩充存储容量的同时， 计算能力也能够同步增强，能够避免\存得下， 算不出” 的问题。 在软件方面， 文件存储是最基本的数据存储方式。 文件存储的优点是访问接口 简单， 文件格式可以由使用者灵活定义， 因此文件存储往往作为更高级的数据管理系统的底层存储服务。 目 前能够存储超大规模数据的文件存储系统包括Lustre、 Google file system (GFS) 、 Hadoop distributed file system(HDFS) 以及 Amazon S3 等。 它们的共同特点是基于无共享架构、 能够管理数百乃至数千存储节点、 自动维护数据冗余或副本、 高并发顺序访问吞吐率等。
9.4 云平台业务模型建模
在更高级的数据管理方面， 最重要的数据管理系统是以关系数据模型为基础的关系数据库系统(RDBMS) 。 关系数据模型最主要的优点之一是具有与一阶逻辑体系同等强大的知识表达能力， 这意味着现实中的许多查询都可以用关系代数描述。 此外， 使用关系数据模型，用 户 能够方便地为各种对象以及对象之间的联系设计逻辑模型而无需了 解数据库的实现细节。 因此， 在 21 世纪之前， 关系数据库被广泛应用于各类信息系统， 如医院常用的电子病历系统、 临床信息系统、 用药管理系统、 ICU 监护系统等。 关系数据模型虽然具有诸多优点， 但要实现一个高效率的关系数据库系统却并不容易。 这主要是因为:
(1) 为保证关系数据模型功能的完整性， 很多数据操作难以进行专门优化;
(2) 为保证事务处理的原子性、 一致性、 分离性和持久性， 带来了 大量的额外开销。
因此在管理云平台时， 以 Oracle database、 SQL server、 MySQL为代表的传统关系数据库常常成为性能瓶颈。 这些系统的低效不仅表现为查询速度慢， 而且数据加载与建立索引的过程也十分漫长。 由于原始数据和数据处理的中间结果大部分是非结构化(unstructured)数据或半结构化(semi-structured) 数据， 如网页、 日志、 文档、 图片、 视频等， 传统关系数据库被认为不适用于存储这类数据， 因此需要使用其他类型的数据管理系统。 现有的针对此类数据的管理系统被笼统地称为 NoSQL 数据库， 按照数据模型分类， 可以分为以下 3种(按照数据模型由简单至复杂的顺序排列) 。
键-值存储系统: 键-值(key-value) 数据模型将数据表示为键与值的映射关系。 所有的键| 值存储系统都支持的基本操作是给定一个键， 查找其对应的值。 当键上可以定义比较关系时， 有些系统也支持键上的范围查询(range query) 。 键-值模型功能简单和易于实现， 键-值存储系统一般具有极佳的可扩展能力和访问性能， 因此多用于支持高并发的 Web 服务查询或作为其他存储系统的高性能缓存。 目 前主流的分布式键| 值存储系统包括 Amazon dynamo、 Redis、MemcacheDB 等。
列族存储系统: 列族(column-family) 数据模型是在键-值模型基础上， 将值定义为列族的集合， 每个列族可以包含多个相关属性列。 与键-值存储系统相比， 列族存储系统支持的基本操作也是按值查找和范围查询， 但允许用户 指定返回的结果中所需包含的属性列，因此更加灵活易用， 并且在仅用到小部分属性列的情况下查询性能更好。 近 10 年来， 最具代表性的大规模列 族存储系 统是 Googlebigtable， 类似的系统包括 HBase 和 Hypertable 等。
文档存储系 统: 文档(document-oriented) 数据模型也可视为键-值模型的扩展， 与列族模型不同的是它将值定义为类似广义表的数据结构。 从抽象的角度看， 列族模型是一种特殊的文档模型。 文档存储系统除了 支持基于键的查询， 一般还允许用户 指定值上的过滤条件(取决于具体系统实现) ， 但更为灵活的数据结构需要更多空间存储以及更长时间解析， 其查询速度通常比列族存储系统慢。 目 前主流的文档存储系统包括 MongoDB、 CouchDB、 Apache Cassandra 等。
相比关系数据库， NoSQL 数据库采用了 较为简单的数据模型。 这样做的好处是能够为特定的查询(如按键检索) 进行优化， 极大地提高查询性能， 从而具备非常好的可扩展性， 能够应用于超大规模的数据。 另一方面， NoSQL 数据库仅能支持关系数据库能够支持的数据操作的一个很小的子集， 例如大多数 NoSQL 数据库不支持关联查询(join) 。 当进行 NoSQL 数据库不支持的查询时， 用户 只能自行编写代码以满足需要。
在医疗服务中产生的数据类型多样， 既有适合关系数据模型描述的结构化数据， 也有图片和文本等多种非结构化数据。 这种异构性为医疗健康云平台的管理带来了 很大的挑战。 许多关键业务数据要求数据管理系统支持原子性(atomicity) 、 一致性(consistency) 、 完整性(isolation) 和隔离性(durability) ， 而支持 ACID 的关系数据库系统不适合存储非结构化数据。 一种解决方案是采用两套系统分别存储结构化与非结构化数据， 但这为两种数据之间进行联接查询(join) 带来了 困难。 例如， 当要寻找某科室患者的所有 CT 影像图片时， 需要首先在业务数据库中查询到该科室所有患者的 ID， 然后再到非结构化数据库中查找图片。 这种跨数据库的联接查询的执行效率不高。 因此， 就医疗健康云平台而言， 需要研究一种基于混合数据模型的数据管理系统， 能够高效管理结构化数据与非结构化数据，并支持异构数据之间的高效混合查询。
9.5 云平台的实时查询
医疗服务对时效性的要求很高， 很多查询都要求得到实时响应。
智慧医疗中涉及实时查询的可大致分为:
(1) 与时间有关的查询， 如检索监护对象某一时间段内的全部信息;
(2) 与空间有关的查询， 例如检索监护对象在某个区域(如某个医院) 内的全部信息;
(3) 与特定属性有关的查询， 例如检索监护对象的血压变化历史和用药记录等;
(4) 综合查询， 例如检索监护对象在某段时间和某个区域内的某项生命体征数据。
高效实时查询的关键是必须预先了 解查询类型并建立所需的索引。 当数据规模非常大时， 现有数据库采用的索引技术基本能够满足数据检索的实时性需要， 但在索引的创建与更新的性能方面有较大不足。 例如， 我们的测试结果表明， 用一台运行 PostgreSQL 的服务器为 200 万条数据(约 1GB) 在一个空间属性上创建 R-tree 索引， 用时约为 20 分钟; 在此基础上再次插入 40 万条数据(约 0. 2GB) ， 用时约为 60 分钟。 根据这个结果， 当数据产生的速度大于 960 万条/天时， 即使服务器的全部计算资源都用于维护索引， 索引的更新速度仍将落后于数据产生的速度。 而如果 1 个医疗传感器每 15 秒产生 1 条测量数据， 1 万个这样的传感器每天将产生超过 5000 万条数据。 这意味着现有的索引 更新方法无法胜任医疗健康云平台处理的需求。
此外， 是一种常用的避免更新索引的方法是在插入新数据之前删除索引并在之后重新创建索引， 但这种方法不能从根本上解决问题， 因为随着数据不断累积， 重新创建索引所用的时间越来越长， 最终会比更新索引的速度更慢。
为满足云平台实时查询的需要， 必须对现有的索引技术必须加以改进， 将索引 的创建与更新速度提高至少一个数量级。 索引更新速度慢的一个重要原因是数据逐条添加时引发了 多次随机小量写操作，因 此 首 先 需 要 重 新 设 计 索 引 结 构 ， 使 其 能 够 批 量 添 加 数 据(bulk-insertion) ， 尽量用顺序写入大块数据取代随机写入小块数据。
另外， 需要设计索引的并行创建与更新算法， 使索引的创建与更新能够在无共享架构中水平扩展。
9.6 云平台的复杂分析
在智慧医疗中， 有很多复杂的数据分析查询， 以下仅举几例:
(1) 医疗数据统计， 如统计历年慢性病比例变化和各地区心脑血管疾病分布等;
(2) 相似联接查询(similarity join) ， 如根据 CT 成像图片，寻找相似的病例与诊断， 寻找骨髓移植匹配等;
(3) 医疗数据挖掘与预测， 如寻找亚健康状况与职业、 性别、 年龄等因素的联系和预测下一个月 各类药品的需求等。 这些复杂分析查询的主要特点有:
需要读取大量数据， 所需计算时间长;
查询灵活多变， 难以预测;
涉及多学科交叉， 需要医疗、 统计、 计算机等各领域的专业人士协作完成。
传统关系数据库与 NoSQL 数据库难以胜任复杂的数据分析， 其原因主要有两个。 首先， 它们在维护数据库的原子性、 一致性、 分离性和持久性方面花费了 巨大的开销， 而在进行复杂的数据分析时， 数据往往是静态的， 因此这些开销是不必要的。 第二， 它们的存储与索引结构是为数据的随机读写与频繁更新而设计， 没有为大量数据的读取进行专门优化。
目 前， 对云平台进行复杂分析的工具主要有两大类。 一类是并行分析型数据库， 另一类是基于 MapReduce 的数据分析工具。
分析型数据库基于关系数据模型， 与传统关系数据库相比， 其存储结 构 与 查询算法为 数据读取进行了 专门 优化， 如用 列 式 存储(column-store) 替代行式存储(row-store) 。 目 前主流的并行分析型数据库的有 Vertica 和 Greenplum 等。 这些数据库提供的用户 接口是与传统关系数据库相同的结构化查询语言(SQL) 。 这种实现方式降低了 用户 的学习成本， 但也带来了 两个问题。 首先， 虽然关系数据模型能够进行扩展以表示非结构化数据， 但由于数据种类繁多， 目 前缺少足够有效的理论与工具将非结构化数据转化为结构化数据; 第二， 一些复杂的数据分析难以直接用 SQL 描述， 即使能够用 SQL 描述， 其执行效率也比专门编写的过程化分析程序要低得多。
MapReduce 是 Google 于 2003 年提出的一种新的基于无共享架构的并行计算范式。 与传统并行计算范式(如 MPI) 相比， MapReduce简化了 并行数据处理算法的设计与实现， 使用者仅需根据查询需要定义 map 和 reduce 两个函数， 无需关心并行执行过程中的任务调度、资源管理以及出错处理等问题。 MapReduce 最初是为处理 Google 的海量文本数据的简单分析算法而设计。 随着 Apache Hadoop 项目 提供的 MapReduce 开源实现在学术界与工业界广泛使用， MapReduce 编程模型被证明十分灵活。 我们不仅可以在其上构建分析型数据库(如Hadoop Hive) ， 而且能够实现常用的数据挖掘与机器学习算法程序库(如 Apache Mahout) 。
从云平台分析性能的角度看， 数据库专家们对并行分析型数据库与 MapReduce 的优劣曾经有过长达数年的争论。 随着对两者研究的深入， 目 前已取得的主要共识有:
对于简单的结构化查询， 当计算节点较少时(100 台或以下) ， 并行分析型数据库由于采取了 更优化的存储结构与查询算法， 性能明显优于 MapReduce;
当计算节点较多时， 此时计算节点出错的概率很高， 并行分析型数据库在出错时往往需要重新执行整个查询， 性能会受到较大影响，而 MapReduce 的设计从一开始就将常态化的出错问题纳入考虑， 因此能够轻松扩展到数千台节点;
并行分析型数据库必须预先加载数据， 而数据加载的时间通常十分漫长， 因此对于日志分析等仅需读取一次数据的任务并不合适;
MapReduce 比并行分析型数据库的应用更广泛， 如能够处理非结构化查询， 实现复杂的数据挖掘算法;
尽管编程模型简单， 但 MapReduce 仍需要专业人员进行编程工作，并行分析型数据库的使用成本比 MapReduce 低。
从严格意义上看， 并行分析型数据库与 MapReduce 并不具备直接可比性。 前者是包含查询语言、 逻辑数据模型、 并行执行引擎、 物理存储结构等一整套机制的实现， 而后者仅与前者中的并行执行引擎的角色类似。 整合二者的优点， 可以构建出更为强大的数据分析工具， 这也是数据库领域一个活跃的研究方向。 例如， 为了 保证高容错性， MapReduce 将计算的中间结果保存在磁盘上， 这样做带来了 巨大的开销， 影响了 查询的执行效率。 并行分析型数据库为了 保证高效， 采用 pipeline 机制， 即上一步的结果在内存中产生后直接通过网络推送到下一步的计算单元。 由此可以得出一个构建高效可扩展的分析型数据库的思路， 即在 pipeline 机制的基础上， 同时将中间结果写入磁盘。 事实上， 二者的融合已经在目 前最新的数据分析工具(如 Google Tenzing) 中得到体现。
无论是并行数据库还是 MapReduce， 都致力于解决机器的执行效率问题。 在对医疗健康云平台进行复杂分析时， 医疗专家的知识与智能在整个分析过程中起着至关重要的作用 。 但是， 要求医疗专家同时精通分析型数据库的使用甚至编写 MapReduce 程序， 是不现实的。 因此， 如何在这些复杂的数据分析系统之上， 提供一个具备良好可视化与互动功能的交互界面， 是帮助医疗专家发掘医疗健康云平台价值的关键。
10 用医疗卫生云平台为业务服务
通过一系列技术处理， 云平台可以帮助企业制定明智且切实可行的战略， 获取前所未有的客户 洞察， 支持客户 购买行为， 并构建新的业务模式， 进而赢得竞争优势。然而， 实践往往会比理论来得更困难，现实中许多企业管理者盲目 收集数据并进行分析， 期待能够得到快速的回报。 很遗憾， 他们未能如愿。 无论整体规划、 技术平台还是业务流程， 大多数企业并未针对云平台分析做出特别的调整与变化。 企业要处理好云平台生命周期的每一个环节， 就必须采用创新且经济高效的处理方法， 并跳出传统的数据管理思维。
10.1 核心理念
首先， 管理者需要问清自己这样一个问题： “云平台如何帮助我的企业实现发展？ ”。 如果不能指导行动， 那么收集再多的数据也是毫无意义的。 事实上， 获得洞察力是一方面， 可实践性也是分析的标志之一。 即企业能否从大量历史数据的“噪音” 中获得可实践的预测以及具有前瞻性的决策？
其次， 需要针对云平台分析来改变传统的业务流程与决策流程。
按照传统企业经营方式， 高层的主观意见会对决策造成决定性影响，这种现象到现在也还是非常普遍。 让真实的数据来说话， 这是许多企业管理者需要进行的观念转变。 当然， 收集更多的数据并不意味着就能够将数据转化为洞察， 如果没有一个更适应云平台时代的技术架构，它也会让企业的转型变得难上加难。
第三， 技术平台不是万能的， 但没有技术平台是万万不能的。 在很多情况下， 我们会看到各种观点在弱化技术所起到的作用。 事实上，这样的观点是比较片面的。 要真正掌握驾驭云平台， 我们仍然需要一个过硬的技术平台来作为支撑。 你很难想象用现有的 SQL 数据库来分析海量医疗卫生半结构化或非结构化信息， 云平台需要我们有一个更全面、 更高效的平台来进行组织、 处理和分析数据。 同时需要考虑如何将云平台平台， 与原有的数据架构进行最佳集成。
10.2 管理闭环
这里采用一套方法论， 帮助思考以下几个问题， 并加云平台转化为实在的收益：
1. 我们是否拥有目 前所需的云平台？
2. 我们能否获取这些云平台？
3. 获取云平台后， 我们如何挖掘这些云平台的价值？
4. 业务环境发生变化时， 我们如何处理这些云平台？
企业在进行数据管理方式转型的时候， 需要从四个方面来把握并覆盖数据的全生命周期， 即设想、 创建、 部署和扩展， 并以此形成一个有机的闭环。 根据这一方法论， 推出了 有针对性的云平台服务， 帮助企业从数据中获取全新洞察， 进一步扩展业务功能， 获得更多业务机会。
在设想阶段， 企业需要制定一套云平台战略、 路线图和计划。 设想业务的发展方向并确定云平台将如何帮助企业以业务目 标为切入点。 在这一阶段中， SAP 的数据科学家将帮助企业挖掘云平台的潜在应用场景， 构建业务案例并确定云平台将为你的企业带来哪些价值。
制定好路线图和战略后， 你可以利用 SAP 云平台服务创建一个支持云平台的最佳架构， 从而实现目 标。 这一过程包括： 安全集成新兴技术与现有投资； 设计一个全面的基础架构， 以从多个数据源（通常是现有数据集） 获取数据； 实施最佳云平台平台； 以及将云平台的影响纳入治理政策范围内。
在部署阶段， 也将是企业从云平台中获得回报的阶段。 通过云平台平台， 支持企业运行分析应用， 让企业进一步掌控全局， 分析当前信息和历史信息。 通过预测分析能力来提升业务成果； 以绝佳的可视化效果传达和共享洞察； 以及根据需求将信息交付给业务用户 ， 并支持移动设备的信息共享。
最后， 基于企业现有的云平台潜能， 云平台服务将让企业以一种最灵活、 运营成本最低、 且最能满足需求的方式部署解决方案， 从而充分利用新环境， 获取更丰厚的业务成果。 通过内部部署、 云模式或混合模式来部署解决方案。 评估企业的现有功能， 然后建立能力中心，推出企业所需的新技能， 从而更有效地管理云平台并扩展云平台的影响力。
从评估云平台业务， 到发现云平台价值、 设计云平台架构， 再到实施云平台平台、 工具以及管理和优化云平台解决方案。 才能形成实现业务数据管理的闭环， 为企业进行云平台时代转型提供个性化的指导， 充分利用不同流程的各种数据源， 获取全新的、 有意义的洞察。
即在充分认清云平台重要性的基础上， 企业需要理解云平台之于业务的价值点， 然后在规划的每一个阶段以及企业的每一个层级中充分利用数据， 进一步扩展云平台的影响力从而形成良性循环。 让更多的员工， 更有规律地， 更好地利用那些可管理的数据， 然后让业务逐渐能够基于数据来采取行动。 通过这样的管理新思路， 才能够真正让云平台为我所用。
11 未来市场前景分析
基于医疗卫生的海量数据， 通过云平台分析可以预测具有非常广泛的市场应用前景， 虽然现在说对医疗卫生产生颠覆式变革还为时尚早， 但是基于医疗卫生信息的云平台分析将改变医疗卫生业务的方方面面并不为过。
未来医疗的精髓在于电子病历、 电子健康卡以及相关信息（医药、人口 等） 的快速准确收集、 传输、 存储和分析处理， 电子病历系统以电子化方式记录患者就诊的信息。世界各国对电子病历建设都极其重视， 美国、 日本、 欧洲对电子病历建设均进行了 大量投入。 2009 年美国通过的经济复兴法案同时包括 10 年 190 亿美元在电子病历领域的投入， 目 前的估计是实际投入将达 270 亿美元; 英国政府 10 年投入了 55 亿英镑做电子病历。 当数百万、 千万的病历汇集在一起， 利用云平台进行挖掘后， 其应用前景十分惊人。
对患者来说， 电子病历使患者拥有自己完整的电子健康和医疗档案， 并可以通过索引在各个医疗机构调取自己的相关信息， 实现跨地区、 跨机构、 终生的医疗健康信息共享。
对医疗机构来说， 可以实现患者统一高效的管理。 对于了 解病情、临床决策、 提高医疗质量及科学研究等都具有至关重要的作用。 同时可以实现区域内不同医疗机构之间、 不同应用系统之间的患者映射，确保患者信息交换的一致性和准确性。
对社保机构而言， 可以通过患者主索引查阅患者的健康档案， 从而准确地了 解患者完整的医疗信息， 为医疗保险提供确切的证明。
将电子病历信息进行云平台挖掘后， 还会有更大的魔力。 比如医疗信息系统会提醒医生开处方时患者的药物过敏反应。 医疗信息系统还可用于人群监测， 如对将会流行的传染病的早期症状加以监控， 或对新上市的处方药的副作用加以关注。
评论0