簡單來說就是儘可能多得獲取病人的相關資料。包括患者的檢驗檢查資料，以及生活相關資料，透過專業的分析理論及分析方法，獲得可以指導疾病診斷，治療，預後，遺傳等等等等。

這種資料收集及分析可能是以醫院，省市，國家甚至國際間為單位。不難理解的是，樣本量越大，可信度越高。無論科學研究，還是臨床醫學應用，大資料研究都是現在的熱點，也是最有意義的研究之一。但其實操作起來難度很大，需要耗費的人力，資源，經費也很高。

舉個具體的例：2012年Google科學比賽的第一名授予了一位高中生，她透過對760萬的乳腺癌患者的樣本資料的機器學習，設計了一種確定乳腺癌細胞位置的演算法，來幫助醫生對病人進行活檢，其位置的準確率高達96%，超過了目前專科醫生的水平。在醫學影像分析方面，很多軟體已近剛開始商用化，值守由於目前在臨床診斷上需要有真人簽署檢驗報告，隱私這些軟體給出的結果還需要有人來核實後簽字。

醫療行業長期存在優質醫生資源分配不均，診斷誤診漏診率較 高，醫療費用成本過高，放射科、病理科等科室醫生培養週期長，醫生資源供需缺口大等問題。

與網際網路技術在醫療行業的應用不同，人工智慧對醫療行業的改造包括生產力的提高，生產方式的改變， 底層技術的驅動，上層應用的豐富。透過人工智慧在醫療領域的應用， 可以提高醫療診斷準確率與效率；提高患者自診比例，降低患者對醫生的需求量；輔助醫生進行病變檢測，實現疾病早期篩查；大幅提高新藥研發效率，降低製藥時間與成本。在醫療大數人工智慧的應用方向上具體可分為四大方向:

（1）臨床決策支援

臨床決策支援最早定義為運用相關的、系統的臨床知識和患者資訊，加強醫療相關的決策和行動，提高醫療水平和醫療服務水平。主要體現在臨床診療方面，基於人工智慧、機器學習等關鍵技術智慧分析醫療資料，為醫生提供疾病早期診斷、個體化診斷及治療、智慧用藥提醒、不良事件預警等服務，透過診療建議，從而提醒醫生防止潛在的錯誤，提高診療工作效率和診療質量。醫療服務提供方可以降低醫療事故率，尤其是臨床錯誤引起的醫療事故。

同時，臨床決策支援系統還可以使醫療流程中大部分的工作流流向護理人員和助理醫生，使醫生從耗時過長的簡單諮詢工作中解脫出來，從而提高治療效率。

（2）醫療學術科研

基於大資料分析技術，醫學研究主要集中於疾病相關分析、疾病精準分析、治療方案醫療效果、預後復發的作用、生物標記篩查等具體分析應用場景。

醫務工作者透過應用臨床研究方法，發現真實世界醫療資料的價值，如：臨床存在的問題、更有效的診療方式、新的醫學知識等。醫療學術科研成果透過發表相關學術科研論文，並轉化為臨床應用軟體。在提升專業聲譽的同時，促進科研真正向臨床應用，不斷推動醫學研究前進。

（3）智慧健康管理

依託醫療大資料分析、資料視覺化、人工智慧等技術，滿足醫療機構的患者隨訪、慢病健康管理、疾病延續護理管理等需求。同時，智慧可穿戴裝置的發展對遠端健康監控起到了更大的作用。基於大資料及人工智慧技術，可面向使用者提供全生命週期電子健康檔案、實時監控分析、健康評估、疾病風險預警、個體化管理方案等應用服務，提升醫療機構的健康管理服務水平，提升個人健康管理能力和就醫體驗。

在公共衛生服務領域，可透過智慧健康管理服務，實現大眾健康知識的普及提高，做好疾病預防和疾病保健。

（4）資料化運營管理

透過大資料處理和分析，可提高醫療過程資料的透明度。透過流程圖、儀表盤、統計圖等資料視覺化應用，智慧識別和分析異常，然後最佳化流程。透過全面的資料化運營體系，在醫療服務質量評價、醫療績效評價等方面，輔助管理者及時發現問題，並採用資料進行科學決策，使醫療從業者、醫療機構的管理更透明，間接促進醫療服務質量的提高，減少醫療機構運營內耗，實現盈利創收。