[论文解读] Going Digital: A Survey on Digitalization and Large Scale Data Analytics in Healthcare

Volker Tresp, J. Marc Overhage+4 more|arXiv (Cornell University)|Jun 26, 2016

Mobile Health and mHealth Applications参考文献 56被引用 15

一句话总结

本文综述了医疗保健领域的数字化与大规模数据分析，提出电子健康记录（EHRs）、互操作性数据网络及先进分析技术可实现个性化、持续性的医疗照护。文章强调了临床、基因组及可穿戴设备数据的整合，以提升决策支持、治疗效果与效率——尽管在隐私、信任与实施方面仍存在未解决的挑战。

ABSTRACT

We provide an overview of the recent trends towards digitalization and large scale data analytics in healthcare. It is expected that these trends are instrumental in the dramatic changes in the way healthcare will be organized in the future. We discuss the recent political initiatives designed to shift care delivery processes from paper to electronic, with the goals of more effective treatments with better outcomes; cost pressure is a major driver of innovation. We describe newly developed networks of healthcare providers, research organizations and commercial vendors to jointly analyze data for the development of decision support systems. We address the trend towards continuous healthcare where health is monitored by wearable and stationary devices; a related development is that patients increasingly assume responsibility for their own health data. Finally we discuss recent initiatives towards a personalized medicine, based on advances in molecular medicine, data management, and data analytics.

研究动机与目标

• 分析数字化与大规模数据分析对未来发展医疗模式的变革性影响。
• 识别关键驱动因素，如政策举措（例如，HITECH法案）、技术进步以及以患者为中心的数据模型。
• 研究临床、基因组及实时健康数据的整合，以提升决策支持与个性化医疗。
• 解决数据隐私、安全性、互操作性以及数据驱动医疗中可持续商业模式的关键挑战。
• 评估可信数据中心与患者参与在实现持续、主动健康管理中的作用。

提出的方法

• 系统性回顾数字健康趋势，重点关注电子健康记录（EHR）的采用、机构间的数据整合以及互操作性标准。
• 分析数据源，包括电子健康记录（EHRs）、临床注册库、国家卫生系统（例如，NHS）以及生成实时数据流的可穿戴设备。
• 考察用于处理数据多样性与体量的统计与计算方法，包括偏差校正、混杂因素调整及批次效应缓解。
• 探索利用高维患者数据在临床决策支持中应用机器学习与人工智能的技术。
• 评估数据共享的治理模式，包括数据隐私框架与法律保护措施（例如，遗传信息非歧视法）。
• 评估利益相关者参与模式，特别是患者参与以及数字健康系统中的用户体验。

实验结果

研究问题

• RQ1 像HITECH法案这样的政策举措如何推动从纸质病历向数字健康记录的转型，并改善医疗协调？
• RQ2 在整合来自多个来源（例如，诊所、注册库、可穿戴设备）的异构医疗数据时，面临哪些技术和组织上的挑战？
• RQ3 如何通过大规模数据分析与机器学习增强临床决策支持，同时确保可解释性与可信度？
• RQ4 可信数据中心在实现持续健康监测与个性化预防性医疗中发挥何种作用？
• RQ5 在数据驱动医疗中，数据隐私、责任归属与可持续商业模式方面仍存在哪些关键未解问题？

主要发现

• HITECH法案及其他类似举措已加速电子健康记录（EHRs）的采用，通过共享临床数据实现互操作性，提升医疗协调能力。
• 在诊所、研究机构与供应商之间实现大规模数据整合，有助于开发用于个性化医疗的先进决策支持系统。
• 可穿戴设备与固定式设备正推动持续健康监测，生成实时数据流，用于早期干预与预防性医疗。
• 尽管已取得进展，数据隐私、安全与患者同意方面的问题仍是重大障碍，存在歧视与数据泄露的风险。
• 当前医疗领域中的机器学习模型通常缺乏可解释性，引发临床信任问题，影响照护者采纳意愿。
• 在大多数国家，可持续的商业模式以及数据使用与报销的明确法律框架仍处于发展初期。