陳翀++劉家鈺

摘 要：健康管理是以預(yù)防和控制疾病發(fā)生與發(fā)展，降低醫(yī)療費(fèi)用，提高生命質(zhì)量為目的，針對(duì)個(gè)體及群體進(jìn)行健康 教育，提高自我管理意識(shí)和水平，并對(duì)其生活方式相關(guān)的健康危險(xiǎn)因素，通過(guò)健康信息采集、健康檢測(cè)、健康評(píng)估、個(gè)性化管理方案、健康干預(yù)等手段持續(xù)加以改善的過(guò)程和方法。大數(shù)據(jù)的出現(xiàn)不僅改變了人們的工作和生活方式以及企業(yè)的運(yùn)作模式，甚至還引起科學(xué)研究模式的根本性改變。大數(shù)據(jù)時(shí)代促使健康管理在對(duì)疾病防控整體水平上從疾病治療到疾病預(yù)測(cè)方向發(fā)展。改變疾病防控手段，給廣大民眾更好的健康保障，開(kāi)創(chuàng)不同凡響的預(yù)防醫(yī)學(xué)時(shí)代。

關(guān)鍵詞：大數(shù)據(jù)；健康管理；疾病預(yù)防

一、引言

隨著計(jì)算機(jī)和互聯(lián)網(wǎng)應(yīng)用的飛速發(fā)展，近幾年大數(shù)據(jù)逐漸成為學(xué)術(shù)研究的熱點(diǎn)，如何更好地利用大數(shù)據(jù)來(lái)產(chǎn)生良好的健康管理效益日漸成為人們關(guān)注的問(wèn)題，如何盡快創(chuàng)建適合中國(guó)國(guó)情的健康管理模式更是國(guó)內(nèi)健康管理行業(yè)面臨的難題。

二、研究背景

早在1997年，美國(guó)NASA阿姆斯研究中心的CoxM和EllsworthD就探討了計(jì)算資源無(wú)法即時(shí)處理數(shù)據(jù)量過(guò)大的挑戰(zhàn)，并發(fā)表了一篇論述虛擬化的論文，在其中首次提出了大數(shù)據(jù)這一名詞。到目前為止，關(guān)于大數(shù)據(jù)還沒(méi)有普遍認(rèn)可的定義[1-3]。一般認(rèn)為大數(shù)據(jù)指的是所涉及的數(shù)據(jù)量規(guī)模大到超出傳統(tǒng)數(shù)據(jù)管理工具的處理能力，無(wú)法在合理時(shí)間內(nèi)進(jìn)行擷取、管理、分析的復(fù)雜、大規(guī)模數(shù)據(jù)集合。大數(shù)據(jù)不僅是數(shù)據(jù)規(guī)模龐大，一般具有以下幾個(gè)即人們常說(shuō)的4V特征。1. Volume是指數(shù)據(jù)規(guī)模龐大。國(guó)際數(shù)據(jù)公司（IDC）2012年發(fā)表第一份全球大數(shù)據(jù)技術(shù)和服務(wù)市場(chǎng)報(bào)告時(shí)把大數(shù)據(jù)的規(guī)模閾值設(shè)在100TB。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展，大數(shù)據(jù)的規(guī)模閾值也在提高，目前一般認(rèn)為PB級(jí)以上數(shù)據(jù)才稱為大數(shù)據(jù)。2. Velocity表示處理速度快。大數(shù)據(jù)具有很強(qiáng)的時(shí)效性， 通常是動(dòng)態(tài)、快速的產(chǎn)生。3. Variety表示數(shù)據(jù)類型和來(lái)源多樣化。數(shù)據(jù)類型不僅有結(jié)構(gòu)化的數(shù)據(jù)，還有越來(lái)越多的半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)。4. Veracity表示數(shù)據(jù)的真實(shí)性。只有真實(shí)而準(zhǔn)確的數(shù)據(jù)才能挖掘出真正有意義的信息，才能創(chuàng)造出最大的價(jià)值。大數(shù)據(jù)的出現(xiàn)不僅改變了人們的工作和生活方式以及企業(yè)的運(yùn)作模式，甚至還引起科學(xué)研究模式的根本性改變。傳統(tǒng)的研究方法挖掘分析的數(shù)據(jù)是混雜的，有不同的來(lái)源與數(shù)據(jù)結(jié)構(gòu)，對(duì)樣本的精確性有較高的要求。而大數(shù)據(jù)研究，直接從全部數(shù)據(jù)中分析、 挖掘所需要的信息，不再只是對(duì)少量的隨機(jī)樣本進(jìn)行分析，大數(shù)據(jù)研究只注重研究數(shù)據(jù)的相關(guān)關(guān)系，不管數(shù)據(jù)之間的因果關(guān)系。也就是說(shuō)只要知其“然”，不需要知其“所以然”。

健康管理是以預(yù)防和控制疾病發(fā)生與發(fā)展，降低醫(yī)療費(fèi)用，提高生命質(zhì)量為目的，針對(duì)個(gè)體及群體進(jìn)行健康 教育，提高自我管理意識(shí)和水平，并對(duì)其生活方式相關(guān)的健康危險(xiǎn)因素，通過(guò)健康信息采集、健康檢測(cè)、健康評(píng)估、個(gè)性化管理方案、健康干預(yù)等手段持續(xù)加以改善的過(guò)程和方法。健康管理作為一個(gè)行業(yè)及學(xué)科，最早出現(xiàn)于20世紀(jì)50年代的美國(guó)。美國(guó)健康管理經(jīng)過(guò)幾十年的蓬勃發(fā)展，已成為美國(guó)醫(yī)療服務(wù)體系中重要的組成部分，且實(shí)踐證明健康管理能夠有效地改善人們的健康狀況并明顯降低醫(yī)療保險(xiǎn)的開(kāi)支。

健康管理與其他服務(wù)有一個(gè)最明顯的區(qū)別就是，它對(duì)現(xiàn)代數(shù)據(jù)信息處理的依賴度極高，甚至可以說(shuō)沒(méi)有現(xiàn)代數(shù)據(jù)信息技術(shù)作為其基本的運(yùn)行支持平臺(tái)就無(wú)法實(shí)現(xiàn)市場(chǎng)化、規(guī)?；慕】倒芾?。所以健康管理的出現(xiàn)將為數(shù)據(jù)信息技術(shù)的發(fā)展開(kāi)拓出一個(gè)新的發(fā)展方向和巨大的市場(chǎng)需求空間。同時(shí)數(shù)據(jù)信息技術(shù)的進(jìn)步也將直接影響健康管理的服務(wù)模式、服務(wù)質(zhì)量、服務(wù)效率、服務(wù)成本以及服務(wù)規(guī)模等。

三、現(xiàn)狀分析

我國(guó)自2005年中國(guó)醫(yī)師協(xié)會(huì)成立醫(yī)師健康管理和醫(yī)師健康保險(xiǎn)專業(yè)委員會(huì)，健康管理產(chǎn)業(yè)發(fā)展嚴(yán)重滯后，且主要發(fā)展的業(yè)務(wù)并不是綜合性的健康管理業(yè)務(wù)，而主要是健康體檢業(yè)務(wù)，也就是通常說(shuō)的相對(duì)狹義的健康管理，即基于健康體檢結(jié)果，建立專屬健康檔案，給出健康狀況評(píng)估，并有針對(duì)性地提出個(gè)性化健康管理方案或醫(yī)療處方，由專業(yè)人士提供咨詢指導(dǎo)、健康教育講座和跟蹤輔導(dǎo)服務(wù)，使人們從社會(huì)、心理、環(huán)境、營(yíng)養(yǎng)、運(yùn)動(dòng)等多個(gè)角度得到全面的健康維護(hù)和保障服務(wù)。

健康大數(shù)據(jù)的到來(lái)是在信息大爆炸時(shí)代、計(jì)算機(jī)和互聯(lián)網(wǎng)快速發(fā)展背景下的必然產(chǎn)物，也是當(dāng)今健康管理模式發(fā)展的必然結(jié)果。過(guò)去很長(zhǎng)的一段時(shí)間中，我們的健康管理模式以既定的醫(yī)療模式為中心，從生活方式干預(yù)到醫(yī)療干預(yù)，再到過(guò)度醫(yī)療，這些現(xiàn)象的產(chǎn)生，以及對(duì)人們主動(dòng)性認(rèn)識(shí)的差異、資源配置的不合理，這些現(xiàn)象提示我們?cè)诮】倒芾淼恼J(rèn)識(shí)上還存在很多誤區(qū)及不足之處。

目前國(guó)內(nèi)健康管理理論框架還未完善，缺乏系統(tǒng)、權(quán)威的理論支持。然而在大數(shù)據(jù)時(shí)代下，信息的傳播速度快且范圍廣，人們隨時(shí)隨地都可以通過(guò)網(wǎng)絡(luò)，利用不同終端輕而易舉地獲取各種健康知識(shí)，但健康理念與宣傳混亂，往往是各種偽科普、偽養(yǎng)生充斥其間。國(guó)內(nèi)也缺乏健康管理服務(wù)的大型品牌企業(yè)，健康管理服務(wù)機(jī)構(gòu)良莠混雜，市場(chǎng)無(wú)序競(jìng)爭(zhēng)，健康產(chǎn)品商業(yè)信譽(yù)有待提高。且健康信息數(shù)據(jù)管理沒(méi)有統(tǒng)一標(biāo)準(zhǔn)與規(guī)范，健康評(píng)估、維護(hù)、管理技術(shù)裝備、手段參差不齊，對(duì)個(gè)人的健康沒(méi)有形成實(shí)質(zhì)性的保障。

四、對(duì)策研究

過(guò)去的健康管理更多強(qiáng)調(diào)的是疾病管理，但以往我們對(duì)疾病的認(rèn)識(shí)經(jīng)常是基于某一個(gè)疾病的整體，忽視了疾病個(gè)體之間的差異。因此，需要利用大數(shù)據(jù)，從個(gè)體到群體再到個(gè)體這樣一個(gè)循環(huán)，這樣系統(tǒng)化的對(duì)疾病進(jìn)行整體認(rèn)識(shí)再到個(gè)體認(rèn)識(shí)。就像對(duì)于患者的遺傳背景信息、環(huán)境因素等這些共同信息可能不僅僅幫助診斷疾病，同時(shí)更好的預(yù)測(cè)疾病。而對(duì)相同疾病患者進(jìn)行相似度分析，能夠識(shí)別出這一類患者特定的健康特征，并顯示相似的臨床特征、危險(xiǎn)因素和治療途徑[4]。將對(duì)疾病的認(rèn)識(shí)由過(guò)去單純的疾病診斷過(guò)渡到疾病潛在的預(yù)警、預(yù)測(cè)[5，6]。要實(shí)現(xiàn)這一目標(biāo)就要基于來(lái)自不同的大數(shù)據(jù)積累。需要采集各種包括來(lái)自基本信息、檢查信息、門診及住院信息、社會(huì)經(jīng)濟(jì)學(xué)信息、病例回顧與調(diào)查，分析提取綜合數(shù)據(jù)來(lái)構(gòu)成健康管理全方位評(píng)價(jià)。不僅要關(guān)注個(gè)體及人群的發(fā)病率和死亡率，同時(shí)要關(guān)注檢查報(bào)告、治療報(bào)告、賬單生成[7]。在功能方面，不僅要關(guān)注健康狀況本身，更需要關(guān)注民眾心理的、社會(huì)體驗(yàn)，還有對(duì)健康的認(rèn)知，來(lái)自民眾的切身感受。隨著數(shù)據(jù)的積累我們會(huì)更多的預(yù)警、預(yù)測(cè)疾病，而不是單純的治療疾病，這就促進(jìn)整個(gè)現(xiàn)代醫(yī)學(xué)模式的發(fā)展，即更多的強(qiáng)調(diào)預(yù)防。endprint

基于全新的健康管理體系，每一個(gè)未來(lái)健康管理從業(yè)者都應(yīng)該熟練應(yīng)用智能工具處理海量信息以尋求更加準(zhǔn)確的健康管理方案。大數(shù)據(jù)的內(nèi)容有精華也有糟粕，健康管理師在數(shù)據(jù)的獲取、構(gòu)架、處理和解讀方面仍然是主導(dǎo)者。未來(lái)優(yōu)秀的健康管理師應(yīng)該具備很好的處理數(shù)據(jù)的功能，去偽存真、去粗選精，以專業(yè)的知識(shí)對(duì)數(shù)據(jù)整理、分析以及應(yīng)用管理。中國(guó)13億人龐大的數(shù)據(jù)資源，再加上政府所釋放出來(lái)的健康大數(shù)據(jù)的產(chǎn)業(yè)政策，無(wú)疑為中國(guó)的健康管理從業(yè)者利用大數(shù)據(jù)提供了廣闊的前景。我們要學(xué)會(huì)利用大數(shù)據(jù)，改變疾病發(fā)生的研究，從更多的重視疾病本身，到重視疾病與環(huán)境間的相互作用，從治療疾病到預(yù)防疾病，改變疾病防控手段，給廣大民眾更好的健康保障，開(kāi)創(chuàng)不同凡響的預(yù)防醫(yī)學(xué)時(shí)代。

參考文獻(xiàn)：

[1] Ward J.S.， Barker A. Undefined by data： A survey of big data definitions[J]. arXiv. 2013

[2] Laney D.， Bayer M.A. The importance of ‘Big Data： A definition[J]. Gartner. Retrieved. 2012；21：2014–2018.

[3] Jacobs A. The pathologies of big data[J]. Commun. ACM. 2009；52：36–44.

[4] Zhang P.， Wang F.， Hu J.， Sorrentino R. Towards Personalized Medicine： Leveraging Patient Similarity and Drug Similarity Analytics[J]. AMIA Jt. Summits Transl. Sci. Proc. 2014；2014：132–136.

[5] Mayer-Sch?nberger V.， Cukier K. Big Data： A revolution that Will Transform How We Live， Work， and Think[J]. Houghton Mifflin Harcourt； Boston， MA， USA： 2013.

[6] Schneeweiss S. Learning from Big Health Care Data[J]. N. Engl. J. Med. 2014；370：2161–2163.

[7] Deo R.C. Machine Learning in Medicine[J]. Circulation. 2015；132：1920–1930.endprint