現有應用較成熟的有幾類系統，其好處各側重不同

第一類，區域醫療大資料平臺：將行政區域內醫療機構每天產生的診療資料，結算資訊，公衛、婦幼以及衛生條線系統如計劃免疫、獻血記錄等與居民健康相關的資料能規範採集的全部採集至區域平臺，以統一的格式，比如按生命生期進行展示，開放給居民自己及經授權審批後開放給醫療機構的醫生。為醫生接診時全面、客觀評估患者病情提供資料支援，並一定規則進行重複用藥，重複檢查提醒，也降低醫療成本。醫生也可以參考歷史處方進行學習提升自己的診治技能。惠醫惠民

老百姓通過手機端很方便的查詢自已及直系家人健康資訊，醫療就診資訊，檢查檢驗資訊，歷次體檢資訊，小孩接種資訊等。對於醫療機構及衛生監管部門，進資料進行分類彙總，提供諸如，區域就診病種報表，不同季節，藥佔比，就診與住院人均次費用，抗生素佔比，高值耗材等重點監管指標資料，為其科學決策提供資料支撐。另一類，是AI，通過採集的大量的醫療某科室資料，然後進行集度學習後，不斷迭代輔助醫生診斷疾病的工具，幫助缺乏醫療機構或醫生不夠專業的偏遠地區的患者診斷疾病

都是通過海量的醫療資料來進行分析統計或學習來分析診斷疾病。解決醫療資源因地域分配不足的問題。

還有一類的是醫療機構自己一些大資料系統，主要降低醫療機構運營成本，提高效率及醫療診治能力等。

未來老齡化社會我覺得在康復理療，慢病管理等方面通過大資料實現遠端提醒，遠端指標監控及一些日常疾病可以遠端就診，藥品快遞到家，服藥後指標變化情況都可以回傳平臺，因為有了患者的整個生命週期的健康醫療資料為基礎。如果以上資訊對你有幫助，歡迎點贊

從一個資深碼農得角度來說說這個問題吧。

就分成幾點來說吧

我覺得很重要的一點是能夠減輕患者醫療成本。我們經常是，眼睛不舒服了去眼科好的醫院看眼科，腸胃不好去腸胃特長的醫院。然而大部分這些醫院是不共享資料的。這就導致了大部分病例無法共享，進而導致很多檢測是重複的或者患者自身描述的資訊不準確而導致危險。一旦能夠整合這些資料，並且，很重要的是安全的去分析這些資料相信能夠提升醫療質量並且降低成本。其次，其也能夠降低醫院的成本。醫療機構裡有一個經典問題：在一時間段內投入多少醫護人員最合適？如果投入太多人員，就冒著不必要的勞動成本增加的風險；而人員太少，患者服務質量可能會大大降低——這對患者來說可能是致命的。通過時序預測不同時間的病患數量能夠更好的調節醫務資源。降低再入院率。現在一些重病症的費用之所以居高不下，原因之一是因為患者離開醫院30天內，再入院率居高不下。利用大資料分析，按照過往記錄、圖表資訊和患者特點，醫院能識別高風險病人，並提供必要的護理，從而降低再入院率。遠端醫療。伴隨著這次疫情，很多事情都會向網上遷移。遠端醫療可能就是一個重點，雖然遠端醫療已經出現了三四十年了，但是直到最近才有了比較快的發展，特別是便隨著一些可穿戴裝置。臨床醫生使用遠端醫療來提供個性化的治療方案，避免住院或重新入院。這種醫療資料分析的使用可以與預測分析的使用相關聯，幫助臨床醫生提前預測急性醫療事件並防止患者病情惡化。降低誤判率。無論是肺片，心電圖還是CT，手動分析和儲存這些影象在時間和金錢方面都是花費巨大的。分析成千上萬影象的演算法可以識別畫素中的特定模式並將其轉換，以幫助醫生進行診斷。甚至更進一步說，醫生可能不再需要檢視影象，而是分析演算法的結果，這些演算法將會研究並記住比醫生一生所見都多的影象，這無疑會影響醫生的價值

如果以上資訊對你有幫助，歡迎點贊轉發。^_^

大資料醫療的好處有以下幾個方面：

第一：大資料醫療可以提升醫生的治病能力。個人醫療資料電子化之後，再由國家監督企業為主體建立全國性的醫療資料庫，每個人身體情況、醫療資訊都會儲存到這個資料庫中。醫生可以申請調閱某些病例的具體資訊（在取得個人授權並有一定報酬的情況下），醫生的治病能力一靠學校學習的知識，二是臨床經驗。臨床經驗的取得就是需要大量病例的積累。原來年輕醫生後者社群醫生只能通過一些學術期刊或者從自己的病人身上才能得到病例資料，有了大資料醫療之後，以後醫生可以通過病例閱讀得到全國範圍內的病例資料。

第二：就是在第一點醫生治病能力提升之後，對人民群眾的身體健康有很大的提升。特別是社群醫生，如果沒有大資料醫療，他就不能接觸很多的複雜的病例，有了大資料查閱學習之後，社群醫生的能力會有大幅度提升，能很好的提升社群人民治病體驗。

第三：大資料醫療產生之後，一個人從出生到死亡的所有資料都會被記錄下來，可以對特定病症的研究提供時間線，讓科學家能夠對此類病症有更深入的研究。

第四：大資料醫療產生之後，為後期的人工智慧醫生的上線提供資料基礎。

大資料醫療有什麼好處？首先我們要看看目前看看看病有什麼難處。我個人認為目前主要有兩個：

一是看病貴，二找好醫生難。

為什麼會貴呢？就小毛病而言，例如感冒啥的，除了藥貴以外，要做一大堆檢查，你換家醫院的話，人家要麼說法獲得具體資訊，要麼就是不認可其他醫院的檢查，要重新做檢查。

另外一個就是現在好醫生的太少了，去門診大多數醫生基本就負責開藥，真要看什麼病就要掛專家號了。運氣不好碰到疑難雜症，先要和一大堆黃牛黨打交道。還有就是我們國家是人口大國，吃五穀雜糧的總會生病的，所以生病的基數也大，加上一個好醫生需要長時間的培養與鍛鍊，相對而言好醫生就少了。

有了以上兩個痛點，再看看大資料的優勢。大資料一般來說是關於分析，處理和儲存來自不同資料來源的海量資料的領域。可以結合多個無關的資料集，處理海量無結構的資料，以時間的敏感方式獲取隱藏資訊。（以上是老師給出的定義，我引用了，呵呵）

這樣就可以將不同單位的，不同資料格式，合併進行處理。例如x光片是影象，醫囑是文字，這樣我可以分析之前的同樣的病，不同病人，不同醫囑之間療效的差異，找尋一個共同特點，制定一個最佳療法。

大資料有很多方面的應用，在醫療方面我個人認為有兩個主要的應用：診斷性分析，預測性分析。

診斷性分析：簡單的說就是根據有的資訊，找出背後的原因。例如今年新冠爆發初期，發現所有的病例都來自海鮮市場，可以推斷可能與這個地方有關，這樣可以讓相應部門做出反應。

預測性分析：根據現在的資料來預測未來會是什麼樣的一個情況。還是以新冠為例，我統計了每天增加病人的數量，可以看出來是上升還下降，同時確定大概的比率，這樣可以做一個應對方案。

這樣一方面，我可以將大量不同的資料來源都連線起來，未分析做好資料準備。另一方面我們可以通過現有的資料進行一點的分析，找出原因，發出預警讓的病人有個好的治療方案，對健康人有個預警。

回到最開始提到兩個問題，感覺是大資料提供了基礎設施的作用。資料建立可以互訪通道，不同醫院的醫生，也許系統不同，也可以訪問資料。大資料也給人工智慧系統提供的資料基礎，例如AI讀片，智慧讀片的準確度已經超過人工。如果有足夠的資料，其他的病症也可以通過人工智慧提供幫助。

減少生病，生了病減少不必要的檢查，能提供準確的診斷。

最後感覺回答問題也會加深自己對這個題目的認識啊。

大資料在疾病防控、物資排程、智慧診斷等多個領域已展現出不菲的價值

而“網際網路+醫療”更是將大資料應用演繹得淋漓盡致。如新冠肺炎疫情出現以來，CT影像檢查一直備受關注。一般而言，患者拍一次胸部CT大約產生300幀CT影像，醫生肉眼閱片將耗時5至15分鐘。每名患者從入院評估到治癒出院，至少會拍兩三次片子，這給醫生臨床診斷帶來了巨大壓力。而運用新的智慧醫療裝置患者拍完CT影像後，醫生在20秒內就可以看到演算法的判斷結果。演算法還能根據病灶部分的佔比量化病情輕重，為醫生提供參考。這種演算法基於第五版新冠肺炎診療方案、權威團隊論文和醫療大資料知識圖譜而構建，訓練樣本為5000多個病例的CT影像資料。

由此可見，大資料對輔助醫療應用的提升是顯得易見的，而這背後大資料的收集與儲存至為重要。疫情當前，各行各業也正在利用大資料進行整合、分析、預測、評估，為科學決策提供依據，真正啟用大資料時代”資料“的價值。

大資料如今在幫助醫療行業蓬勃發展以及幫助改善醫療護理方面發揮著重要作用。人們需要了解其產生的影響。

大資料也在營銷工作中起到重要作用。專家認識到，其帶來的好處遠遠超出了個人消費者的需求。實際上，大資料也可以為醫療保健領域的患者提供更多的幫助，而醫療保健行業中的大資料市場規模每年增長22%。

從預測患病風險到幫助治癒疾病，醫療保健中大資料的用途是多方面的。以下是大資料在醫療保健中的10種最佳案例。

1.電子病歷：大資料在醫療保健領域的最主要的應用之一是建立和使用電子病歷。如今，醫生都可以通過電子病歷訪問患者記錄，而不必依賴紙質病歷。這可以確保患者過敏記錄、病史、測試結果以及其他基本資訊完全可用，並使協作護理變得前所未有的簡單。

2.阿片類藥物使用監測：在阿片類藥物濫用加劇的情況下，醫生應確保患者安全地服用這些成癮性藥物。通過使用大資料技術，可以很容易地跟蹤阿片類藥物的使用情況，並可以在開具類阿片類藥物之前標記出潛在的濫用危險因素。一項研究發現，大資料可以幫助減少17%的阿片類藥物使用量。

4.醫學成像：大資料演算法也可以程式設計為讀取X射線照片。資訊系統可以通過無數的知識和示例來識別疾病和症狀，從而更容易識別放射線醫師可能不知道的問題。

5.更好的安全性和欺詐預防：醫療保險欺詐比人們想象的更為普遍。醫生一直面臨著處理虛假資訊的困難。大資料可以與網路安全工作人員合作，在不準確的宣告成為更大的問題之前發現它們。它還通過保護所有機密和敏感資料不受犯罪分子侵犯來保障電子記錄的安全。

6. 幫助檢測癌症：由於難以檢測到癌症，並且沒有通用的治療方法，所以很難與癌症抗爭。大資料可以用來分析病人的資料，幫助治療某些型別的癌症。醫生們可以利用以前的活體組織檢測報告和實驗室結果的資料來幫助確定下一步將如何提供幫助。

7.提供更好的護理：大資料還可以使患者獲得更好的醫療護理。它可以提供有關患者動機和行為的見解，使醫生可以檢視哪些患者比其他患者可能需要更多的檢查或關注。大資料可以分析患者的人口統計資訊，以幫助確定哪些患者不需要接受治療，並幫助提供者制定策略。

8.預測心臟病發作：心臟病可能是最致命的疾病之一，每年奪去成千上萬人的生命。大資料可以收集有關患者的資訊，並提醒醫療機構注意可能導致未來心臟病發作的危險因素。由於許多心臟病患者不知道自己有危險，因此一個能夠尋找和管理心臟相關疾病的大資料系統將使許多人的生命得以挽救。口腔健康也與心臟病有關，因此可以從牙醫的電子病歷中分享資訊，這可能對心臟病醫生以後的診斷有所幫助。

9.患者追蹤器：大資料將允許使用智慧裝置的病人收集他們的資訊，並與醫生掌握的資訊相匹配。追蹤器可以監測身體活動、心率、睡眠習慣和許多其他事情。然後，這些資料可以與大資料一起上傳，從而使醫生可以接收資訊並將其與他們已經知道的資訊進行比較。

10.預防重複急診：通過收集給定患者的大資料，可以在患者有必要進行急診之前對其進行治療。其中一部分與分析已經被發現的患者再次入院的可能性有關。大資料可以使用資料科學來查詢多次接受急診檢查的患者，並向醫生髮出警告，這樣就不會再次發生這種情況。此外，通過使用電子醫療記錄，醫生可以在做出任何決定之前確認患者的病史，幫助提供儘可能多的知情護理。

大資料在醫療保健中起著至關重要的作用，而在2020年帶來的好處不可低估。

大資料醫療主要有如下好處：

1、能夠集中全國甚至全世界的醫療案例，包括各種罕見疾病，因此可以提高醫生的學術水平；

2、能夠預防傳染病的發展：通過大量醫療資料，可以發現一些傳染病的傳播途徑、疾病高發期等，有效預防

3、通過醫療大資料，能夠提前預知個人可能患有某種疾病的概率，便於提前預防。

資料探勘隨著計算機技術得到了廣泛應用，從而提高了資料利用效率，拓展了知識發現的廣度與深度。資料探勘已有較多成熟方法，並在醫學大資料探勘中取得了一定成果。資料探勘是指從資料庫中，提取隱含在其中的人們事先未知、潛在的有用的資訊和知識的過程。目前，醫院已積累了大量醫療相關資料。

資料探勘在醫學大資料研究中已取得了較多成果，通過文獻檢索，總結了三方面的應用現狀。

疾病早期預警醫療領域往往需要更精確的實時預警工具，而基於資料探勘的疾病早期預警模型的建立，有助於提高疾病的早期診斷、預警和監護，同時，也有利於醫療機構採取預防和控制措施，減少疾病惡化及併發症的發生。

疾病早期預警，首先要收集與疾病相關的指標資料或危險因素，然後建立模型，從而發現隱含在資料之中的發病機制和病情之間的聯絡。Forkan等採集日常監測的心率、舒張壓、收縮壓、平均血壓、呼吸率、血氧飽和度等生命體徵資料，以J48決策樹、隨機森林樹及序列最小優化演算法等建立疾病預警模型，用於遠端家庭監測，識別未曾診斷過的疾病發生，並將監測結果傳送到醫療急救機構，實現生命體徵大資料、病人及醫療機構的完整銜接，以降低突發疾病及死亡的發生率。

Easton等利用貝葉斯分類演算法建立了中風後遺症死亡預測模型，認為中風後遺症死亡概率與中風發生後的時間長短成函式關係，有助於中風後遺症患者的後續監護。Tayefi等基於決策樹演算法建立了冠心病預測模型，該模型發現hs-CRP作為新的冠心病預測標誌物，比傳統的標誌物（如FBG、LDL）更具特異性。

慢性病研究糖尿病、高血壓、心血管疾病等慢性病正在影響著人們的健康，識別慢性病危險因素並建立預警模型有助於降低慢性疾病併發症的發生。Alagugowr等建立的心臟病預警系統，從心臟病大資料庫中提取特徵指標，通過K-means聚類演算法識別出心髒病危險因素，又以Apriori演算法挖掘高頻危險因素與心臟病危險等級之間的關聯規則。Ilayaraja等則以高頻項集尋找心臟病危險因素並識別病人風險程度，該方法能夠迴避無意義項集的產生，從而解決了以往研究中項集數量多、所需儲存空間大等問題。

CH Jen等對慢性疾病併發症風險識別的研究分三個步驟，首先，選擇健康人群體檢資料和慢性病患者相關疾病資料，以帶有序列前項選擇的線性判別分析來尋找相關疾病的特徵變數;然後，以K-NN對特徵變數進行分類處理;最後，將K-NN演算法的分類結果應用於慢性疾病預警模型的建立。Aljumah等先後以迴歸分析和SVM用於預測和判斷糖尿病不同治療方式與不同年齡組之間的最佳匹配，為患者選擇最佳治療方式提供依據。

Perveen等對糖尿病的預測研究，採用患者人口學資料和臨床指標資料，並分別用Adaboost整合演算法、Bagging演算法及決策樹三種演算法來建立預測模型，認為Adaboost整合演算法的精確性更高。

輔助醫學診斷醫學資料不僅體量大，而且錯綜複雜、相互關聯。對大量醫學資料的分析，挖掘出有價值的診斷規則，將對疾病診斷提供參考。Yang等基於決策樹演算法和Apriori演算法，對肺癌病理報告與臨床資訊之間的關聯性進行了研究，為肺癌病理分期診斷提供依據，從而可迴避診斷中需要手術方法獲取病理組織。

Becerra-Garcia等應用SVM、K-NN和CART三種演算法對眼球電圖進行訊號預處理、脈衝檢測和脈衝分類，為研究臨床眼球電圖檢查中非自發掃視眼球運動的識別提供依據。彭玉蘭等對某醫院5年的乳腺超聲資料進行了關聯規則挖掘，建立乳腺病理診斷與超聲診斷之間的關聯規則，並開發了乳腺超聲資料庫資料檢索系統，便於醫生快速獲得超聲診斷和病理診斷的各種診斷資訊和病例資訊。

醫學大資料探勘已呈現廣闊的發展前景和巨大的應用價值，將為疾病研究、臨床及管理決策、醫療服務個性化及影象識別等眾多領域帶來更多支援。麥肯錫在其報告中指出，大資料分析可以幫助美國醫療服務業一年創造3000億美元的附加價值，而美國醫療協會也稱，改善醫療衛生事業的關鍵在於大資料。

目前，醫院大資料中心、區域性衛生資訊平臺、國家醫療大資料中心的建立以及衛生資訊互聯互通標準和共享規範的制定，為資料儲存和共享、推動醫學大資料的應用提供了更多支撐。未來，醫學大資料探勘將不斷更新，探索新的研究領域，推動研究成果轉化。

資料探勘隨著計算機技術得到了廣泛應用，從而提高了資料利用效率，拓展了知識發現的廣度與深度。資料探勘已有較多成熟方法，並在醫學大資料探勘中取得了一定成果。資料探勘是指從資料庫中，提取隱含在其中的人們事先未知、潛在的有用的資訊和知識的過程。目前，醫院已積累了大量醫療相關資料。

資料探勘在醫學大資料研究中已取得了較多成果，通過文獻檢索，總結了三方面的應用現狀。

疾病早期預警醫療領域往往需要更精確的實時預警工具，而基於資料探勘的疾病早期預警模型的建立，有助於提高疾病的早期診斷、預警和監護，同時，也有利於醫療機構採取預防和控制措施，減少疾病惡化及併發症的發生。

疾病早期預警，首先要收集與疾病相關的指標資料或危險因素，然後建立模型，從而發現隱含在資料之中的發病機制和病情之間的聯絡。Forkan等採集日常監測的心率、舒張壓、收縮壓、平均血壓、呼吸率、血氧飽和度等生命體徵資料，以J48決策樹、隨機森林樹及序列最小優化演算法等建立疾病預警模型，用於遠端家庭監測，識別未曾診斷過的疾病發生，並將監測結果傳送到醫療急救機構，實現生命體徵大資料、病人及醫療機構的完整銜接，以降低突發疾病及死亡的發生率。

Easton等利用貝葉斯分類演算法建立了中風後遺症死亡預測模型，認為中風後遺症死亡概率與中風發生後的時間長短成函式關係，有助於中風後遺症患者的後續監護。Tayefi等基於決策樹演算法建立了冠心病預測模型，該模型發現hs-CRP作為新的冠心病預測標誌物，比傳統的標誌物（如FBG、LDL）更具特異性。

慢性病研究糖尿病、高血壓、心血管疾病等慢性病正在影響著人們的健康，識別慢性病危險因素並建立預警模型有助於降低慢性疾病併發症的發生。Alagugowr等建立的心臟病預警系統，從心臟病大資料庫中提取特徵指標，通過K-means聚類演算法識別出心髒病危險因素，又以Apriori演算法挖掘高頻危險因素與心臟病危險等級之間的關聯規則。Ilayaraja等則以高頻項集尋找心臟病危險因素並識別病人風險程度，該方法能夠迴避無意義項集的產生，從而解決了以往研究中項集數量多、所需儲存空間大等問題。

CH Jen等對慢性疾病併發症風險識別的研究分三個步驟，首先，選擇健康人群體檢資料和慢性病患者相關疾病資料，以帶有序列前項選擇的線性判別分析來尋找相關疾病的特徵變數;然後，以K-NN對特徵變數進行分類處理;最後，將K-NN演算法的分類結果應用於慢性疾病預警模型的建立。Aljumah等先後以迴歸分析和SVM用於預測和判斷糖尿病不同治療方式與不同年齡組之間的最佳匹配，為患者選擇最佳治療方式提供依據。

Perveen等對糖尿病的預測研究，採用患者人口學資料和臨床指標資料，並分別用Adaboost整合演算法、Bagging演算法及決策樹三種演算法來建立預測模型，認為Adaboost整合演算法的精確性更高。

輔助醫學診斷醫學資料不僅體量大，而且錯綜複雜、相互關聯。對大量醫學資料的分析，挖掘出有價值的診斷規則，將對疾病診斷提供參考。Yang等基於決策樹演算法和Apriori演算法，對肺癌病理報告與臨床資訊之間的關聯性進行了研究，為肺癌病理分期診斷提供依據，從而可迴避診斷中需要手術方法獲取病理組織。

Becerra-Garcia等應用SVM、K-NN和CART三種演算法對眼球電圖進行訊號預處理、脈衝檢測和脈衝分類，為研究臨床眼球電圖檢查中非自發掃視眼球運動的識別提供依據。彭玉蘭等對某醫院5年的乳腺超聲資料進行了關聯規則挖掘，建立乳腺病理診斷與超聲診斷之間的關聯規則，並開發了乳腺超聲資料庫資料檢索系統，便於醫生快速獲得超聲診斷和病理診斷的各種診斷資訊和病例資訊。

醫學大資料探勘已呈現廣闊的發展前景和巨大的應用價值，將為疾病研究、臨床及管理決策、醫療服務個性化及影象識別等眾多領域帶來更多支援。麥肯錫在其報告中指出，大資料分析可以幫助美國醫療服務業一年創造3000億美元的附加價值，而美國醫療協會也稱，改善醫療衛生事業的關鍵在於大資料。

目前，醫院大資料中心、區域性衛生資訊平臺、國家醫療大資料中心的建立以及衛生資訊互聯互通標準和共享規範的制定，為資料儲存和共享、推動醫學大資料的應用提供了更多支撐。未來，醫學大資料探勘將不斷更新，探索新的研究領域，推動研究成果轉化。