报告 | 大数据真的是“用时方恨少”?

2020-2-21

医疗机构正在追求基于价值的医疗服务模式,AI技术的变革力量将使目标的实现更具可行性。借助有效的机器学习模型,临床医生可以制定个性化的治疗方案,预测并防止不良事件的发生。但机器学习需要大量干净、高质量的数据,这意味着要对数据进行清洗、规范化。

大数据体量大 为何“到用时即恨少”?

医疗机构的数据体量庞大,每天呈TB级增长。CVS health最新发布《2020健康趋势报告》指出,医疗保健行业的大数据增长速度一直比其他任何(主要)行业都快,在克服互操作性和数据孤岛问题上,这些年我们也取得了一定成果,但数据质量和可用性依然不能满足建设更有效、更具可及性的医疗体系。

医疗大数据结构化、规范化程度不高,原因之一在于某些医疗环节执行不严格,导致临床数据的一致性、完整性、真实性等质量维度不达标,临床数据的错误和不准确主要包括数据实体错误、数据字段缺失、整个记录缺失以及数据抽取和变换过程引发的错误等。

以检验检查数据为例,一般的医疗操作流程是医生在电子病历系统开具包括诊断等信息的检验申请单,检验科根据检验申请单进行系统登记与分诊、记录检验结果。但在实际繁忙的临床操作中,可能存在检验科医生只顾着给患者开检验报告,并没有按照规范完整记录检验医嘱开立时间、检验执行时间等,LIS系统最终只能查到检验项目名称与结果。

此外,不同医疗机构之间的数据异构性突出,数据的统一表示、关联和集成都存在各种问题。这与医疗机构的诊疗业务要求与业务信息系统个性化设计有一定关系。比如在医嘱的执行方式与执行状态标注上,有的医疗机构的信息系统根据实际情况自动执行医嘱记录,但在结束时只以状态值标注,从而导致了时间等数据的缺失。

数据的不完整、不规范化甚至错误,会给医疗安全带来隐患,也在一定程度影响临床科研的数据提取,以及机器学习模型的训练和结果推导,使大数据的价值不能有效发挥。

但在传统医疗体系下,医院数据的记录方式和获取方式难以短期改变,患者日益增长的医疗需求也不会轻易转变,因此发挥人工智能技术优势,对电子病历数据、病案首页数据进行管理与质控,以期找出“提高数据准确性、完整性、及时性的同时不增加临床负担”的数据管理两全之法。

建设特定数据集 医疗AI使用领先于其他行业

AI以两种可衡量的方式为医疗机构增加价值,一是流程自动化;二是为用户“赋智赋能”。毕马威(KPMG)的一项调查显示,自2017年以来,医院系统采用AI和自动化程序的速度就大大提高,53%医疗保健高管表示,医疗行业在人工智能采用方面领先于其他大多数行业。但37%受访者认为,他们实施人工智能的速度太慢,主要是由于与成本和技能有关的因素。

为了构建高价值的医疗体系,医疗机构还将增加对智能技术的需求,并将加强与AI服务提供商的合作,重新设计医疗服务平台。而在启动AI项目计划前,医疗机构不仅要明确将机器学习模型应用于组织内的特定数据集,还应根据其数据需要与应用目标做好数据清洗,提高数据的可用性。

成为我们的合作伙伴

信息提交
姓      名
所在地区
单位名称
手  机  号

提交

感谢您的关注,我们会尽快与您取得联系!