1. AI賦能醫療的背後，臨床大數據該如何「跑起來」
19世紀，英國流行病學家、麻醉學家約翰·斯諾運用近代早期的數據科學，記錄每天的死亡人數和傷患 人數，並將死亡者的地址標注在地圖上，繪制了倫敦霍亂爆發的「群聚」地圖，霍亂在過去被普遍認為是由有害空氣導致，斯諾通過調查數據的匯總，確定了霍亂的元兇是被污 染的公共水井，並同時奠定了疾病細菌理論的基礎，這算是大數據運用的早期雛形之一。
斯諾大概不會想到，在近兩百年後，大數據的應用早已不再是偶然，隨著醫療衛生信息化的迅速發展，其通過與AI的結合在生物醫葯研發、疾病管理旁余、公共衛生和 健康 管理等方面的滲透已逐漸常態化，但問題也相應地隨之凸顯。
信息孤島仍存
近兩年，關於醫療大 健康 數據的政策頻出，從頂層設計、具體規劃指導、數 據隱私和安全、數據管理等多個方面提出了相關的指導意見。
2016年6月，國務院辦公廳下發《關於促進和規范 健康 醫療大數據應用發展的指導意見》指出，鼓勵各類醫療衛生機構推進 健康 醫療大數據採集、存儲，加強應用支撐和運維技術保障，打通數據資源共享通道，加快建設和完善以居民電子 健康 檔案、電子病歷、電子處方等為核亂握心的基礎資料庫。
2018年9月， 國家衛生 健康 委印發《國家 健康 醫療大數據標准、安全和服務管理辦法（試行）》，對醫療 健康 大數據行業從規范管理和開發利用的角度出發進行規范。《辦法》從醫療大數據標准、醫 療大數據安全、嘩啟慶醫療大數據服務、醫療大數據監督四個方面提出指導意見，直擊目前醫療大數 據領域的痛點，未來對數據的統籌標准管理、落實安全責任、規范數據服務和管理具有重要意義。
然而，即使有專項政策的支持，但都限於宏觀層面，相較於其他成熟領域而言， 健康 醫療大數據領域的法律法規依然存在明顯的滯後性，缺乏比較全面、細致、明確的指引和規則，使其的發展受到嚴重製約。雖然現階段，已有很多企業在醫療大數據領域進行深耕布局，但受制於市場准入和產業政策的不確定性，目前尚在摸著石頭過河，市場熱情和活力並未得到充分、有效地釋放。
復旦大學上海醫學院生物醫學研究院教授劉雷認為，正是醫療大數據政策的不明朗，標準的不統一，也直接導致了各個系統之間難以進行數據交換和信息共享，產生了大量的「信息孤島」。舉個簡單的例子，患者在A醫院拍的片子到了B醫院卻不認，B醫院的醫生想要了解患者的信息則需要從零開始，患者曾在A醫院做的檢查需要在B醫院重新再來一輪，「想要打通醫療機構間臨床大數據資源的共享通道，至少在現階段是一件挺困難的事情。」劉雷表示。
相似的困擾也發生在相距超過一萬公里之外的美國，華盛頓大學醫學院信息研究所所長Philip Paynes在接受醫谷采訪時表示：臨床大數據間的彼此「孤立」給國家醫保機構、患者和醫院都帶來了負擔，實現大數據間的互通互用，是全世界范圍內都在著力解決的問題。
作為兩所頂尖大學的知名研究學者，劉雷和Paynes想在臨床大數據領域做一些努力和嘗試。
兩人共有的想法迅速得到了學校層面的大力支持，2019年7月26-29日，由復旦大學醫學院和聖路易斯華盛頓大學醫學院聯合授課的「應用臨床信息學和數據分析研修班」進行了第一次開班。
復旦大學生物醫學研究院教授、復旦大學大數據研究院醫學信息與醫學影像智能診斷研究所所長劉雷授課
據劉雷介紹，此次研修班得到了業界人士的積極響應，在第一屆學員中，來自醫院、醫療企業、高校各佔了三分之一，「就是純粹地想把對臨床大數據分析和感興趣的業界人士聚集在一起，通過共有的努力，能把臨床大數據的有效運用更推進一步。」
聖路易斯華盛頓大學醫學院信息學研究所主任Philip Paynes授課
「希望通過這種國際化的合作，能讓臨床大數據在醫療機構間甚至跨國間真正地』跑』起來多一種可能性。」 Paynes說道。
各自所做的 探索
而在這種可能性之前，劉雷和Paynes各自所在的研究機構均已做了大量的工作。
據悉，劉雷所在的復旦大學上海醫學院生物醫學研究作為一家致力於創建「中國第一、世界一流的生物醫學交叉學術研究機構」，已經在生物醫學交叉學科領域形成「代謝與腫瘤的分子細胞生物學」、「醫學表觀遺傳學」、「系統生物醫學」三個優勢方向，並正在努力拓展轉化醫學研究和精準醫學研究，包括老年醫學、腫瘤和心血管疾病、出生缺陷、靶點結構與活性小分子、組學和大數據、生物治療與干預，形成新的交叉學科生長點和下游技術。
另悉，目前，復旦大學上海醫學院生物醫學研究還在申請一個超算中心的建設項目，以該項目來支撐生物學大數據的研究，「復旦大學有包括中山醫院、華山醫院、仁濟醫院等17所附屬教學醫院，這其中有一些醫院也在做自身的臨床大數據中心，從研究所層面，希望能夠給他們提供一些人才培養和技術研究的有力支持。」劉雷表示。
Paynes所在的華盛頓大學醫學院信息研究所則是華盛頓大學所有大數據計劃的中心， 「我們擁有世界上最好的基因組研究所和最具生產力和影響力的基礎科學研究企業」，在醫學信息技術方面的能力非常強，但在大數據的整合方面還有待加強。」而這也成了Paynes擔任華盛頓大學醫學院信息研究所第一屆所長之後重點開展的工作。
自Paynes上任後，首先將研究所與旗下15所附屬教學醫院進行了打通聯動，從臨床大數據的收集到整合再到挖掘，最後到應用，鋪設了一條全鏈式的臨床大數據之路。
在Paynes看來：研究所下屬的15所教學醫院簡直就是大數據來源的寶藏，這15家在全美醫療機構中排名比較靠前的醫院每天產生大量的臨床數據，依託這些已有的臨床數據的回顧性研究，是分析研究疾病最基本、最重要的研究方法之一，通過將這些海量的臨床數據進行統計分析，分析的結果又將反過來為醫生臨床診療全過程提供疾病共享的發病及治療總體情況信息，幫助醫生科學決策，實現精準醫療。
「我們的夢想是不僅僅是利用臨床大數據幫助患者，而是希望這些臨床大數能滲透到他們的生活和工作，甚至休閑 娛樂 ，通過大數據的分析能夠把他們患病的概率降到最低，讓人們能一直保持 健康 的狀態。」 Paynes對醫谷展望道。
未來發展構想
在劉雷、Paynes和其團隊所做的大量臨床數據整合的工作中，由於各自旗下擁有多所強大的教學醫院，數據的來源已不是問題，然而，擺在他們面前更為現實的問題有兩個，一是要解決多模態臨床大數據的選擇問題。臨床大數據來源多樣，是一種多模態數據，其包括有結構化很好的數據，比如化驗單、處方；還有一些半結構化的數據，比如住院小結、出院小結；還有完全無結構化的數據，比如醫療影像；還有像基因測序這樣的組學數據；以及時間序列數據，比如ICU里會看到患者插著各種各樣的儀器測量血壓心率脈搏等各種流數據。
怎樣從這些不同模態的數據裡面選出需要的數據，劉雷表示他們，他們需要的更多的是結構化很好的臨床數據，為了得到這部分數據，會通過一定的技術平台會對數據進行一定的清洗，從中選取高質量的有效數據。
這個問題解決後，還有一個臨床大數據一直以來繞不開的一個爭議--安全和隱私問題。
對此，劉雷表示，依託現有的技術，目前收集的臨床大數據基本都能做到「不出院」，這在一定程度程度上很好地保證了數據的安全性。Paynes也指出，美國對於醫療大數據有很嚴密的保護法規，患者的關鍵隱私數據，如姓名、住址、電話、身份證號等進入數據管理的時候必須要打馬賽克，同時對數據進行強加密，數據即使被泄露也是不可解密的，對所有的數據訪問（誰什麼時間能訪問什麼）都要有一套嚴格的訪問控制，通過這樣的方式來保證數據安全性。
當技術的問題已不再是問題， 這意味著臨床大數據和AI的結合會變得更為完美，因此，劉雷和Paynes更多希望監管層能在未來對基於大數據訓練的AI能進行更多關於有效性和安全性方面的評估，也就是審批准入要做到嚴，同時，還要加強公眾對醫療AI的認知，不管AI發展到多麼先進的程度，總歸存在一定的局限性，它永遠不可能替代醫生，只能是醫生的一種輔助診斷工具。
盡管還有一段路要走，但對於臨床大數據和AI的搭配，劉雷和Paynes都充滿信心，至少在他們現有開展工作的規劃里，「應用臨床信息學和數據分析研修班」能最終逐步發展為一個碩士人才培養項目，為臨床大數據和人工智慧培養更多專業人才。同時，基於兩個研究機構現階段開展的工作，有天能實現跨國界的匯聚統一，可以把所有的臨床大數據統一在同一個模型上，建立一個類似於聯盟數據一樣的聯合體，這對於數據的整合和應用就會變得游刃有餘。
【凡本網註明來源非大 健康 Pai的作品，均轉載自其它媒體，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責。】
2. 大數據是什麼
作者：李麗
鏈接：https://www.hu.com/question/23896161/answer/28624675
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請註明出處。
"大數據"是一個體量特別大，數據類別特別大的數據集，並且這樣的數據集無法用傳統資料庫工具對其內容進行抓取、管理和處理。 "大數據"首先是指數據體量(volumes)?大，指代大型數據集，一般在10TB?規模左右，但在實際應用中，很多企業用戶把多個數據集放在一起，已經形成了PB級的數據量；其次是指數據類別(variety)大，數據來自多種數據源，數據種類和格式日漸豐富，已沖破了以前所限定的結構化數據范疇，囊括了半結構化和非結構化數據。接著是數據處理速度（Velocity）快，在數據量非常龐大的情況下，也能夠做到數據的實時處理。最後一個特點是指數據真實性（Veracity）高，隨著社交數據、企業內容、交易與應用數據等新數據源的興趣，傳統數據源的局限被打破，企業愈發需要有效的信息之力以確保其真實性及安全性。
"大數據"是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。從數據的類別上看，"大數據"指的是無法使用傳統流程或工具處理或分析的信息。它定義了那些超出正常處理范圍和大小、迫使用戶採用非傳統處理方法的數據集。
亞馬遜網路服務（AWS）、大數據科學家JohnRauser提到一個簡單的定義：大數據就是任何超過了一台計算機處理能力的龐大數據量。
研發小組對大數據的定義："大數據是最大的宣傳技術、是最時髦的技術，當這種現象出現時，定義就變得很混亂。" Kelly說："大數據是可能不包含所有的信息，但我覺得大部分是正確的。對大數據的一部分認知在於，它是如此之大，分析它需要多個工作負載，這是AWS的定義。當你的技術達到極限時，也就是數據的極限"。 大數據不是關於如何定義，最重要的是如何使用。最大的挑戰在於哪些技術能更好的使用數據以及大數據的應用情況如何。這與傳統的資料庫相比，開源的大數據分析工具的如Hadoop的崛起，這些非結構化的數據服務的價值在哪裡。
二、大數據分析
從所周知，大數據已經不簡簡單單是數據大的事實了，而最重要的現實是對大數據進行分析，只有通過分析才能獲取很多智能的，深入的，有價值的信息。那麼越來越多的應用涉及到大數據，而這些大數據的屬性，包括數量，速度，多樣性等等都是呈現了大數據不斷增長的復雜性，所以大數據的分析方法在大數據領域就顯得尤為重要，可以說是決定最終信息是否有價值的決定性因素。基於如此的認識，大數據分析普遍存在的方法理論有哪些呢？
1、可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了
2、數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3、預測性分析能力
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4、數據質量和數據管理
大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
三、大數據技術
1、數據採集：ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
2、數據存取：關系資料庫、NOSQL、SQL等。
3、基礎架構：雲存儲、分布式文件存儲等。
4、數據處理：自然語言處理(NLP，NaturalLanguageProcessing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機"理解"自然語言，所以自然語言處理又叫做自然語言理解(NLU，NaturalLanguage Understanding)，也稱為計算語言學(Computational Linguistics。一方面它是語言信息處理的一個分支，另一方面它是人工智慧(AI, Artificial Intelligence)的核心課題之一。
5、統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
6、數據挖掘：分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or
association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text,
Web ,圖形圖像，視頻，音頻等)
7、模型預測：預測模型、機器學習、建模模擬。
8、結果呈現：雲計算、標簽雲、關系圖等。
四、大數據特點
要理解大數據這一概念，首先要從"大"入手，"大"是指數據規模，大數據一般指在10TB(1TB=1024GB)規模以上的數據量。大數據同過去的海量數據有所區別，其基本特徵可以用4個V來總結(Vol-ume、Variety、Value和Veloc-ity)，即體量大、多樣性、價值密度低、速度快。
1、
數據體量巨大。從TB級別，躍升到PB級別。
2、
數據類型繁多，如前文提到的網路日誌、視頻、圖片、地理位置信息，等等。
3、
價值密度低。以視頻為例，連續不間斷監控過程中，可能有用的數據僅僅有一兩秒。
4、
處理速度快。1秒定律。最後這一點也是和傳統的數據挖掘技術有著本質的不同。物聯網、雲計算、移動互聯網、車聯網、手機、平板電腦、PC以及遍布地球各個角落的各種各樣的感測器，無一不是數據來源或者承載的方式。
大數據技術是指從各種各樣類型的巨量數據中，快速獲得有價值信息的技術。解決大數據問題的核心是大數據技術。目前所說的"大數據"不僅指數據本身的規模，也包括採集數據的工具、平台和數據分析系統。大數據研發目的是發展大數據技術並將其應用到相關領域，通過解決巨量數據處理問題促進其突破性發展。因此，大數據時代帶來的挑戰不僅體現在如何處理巨量數據從中獲取有價值的信息，也體現在如何加強大數據技術研發，搶占時代發展的前沿。
五、大數據處理
大數據處理之一：採集
大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。
大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
大數據處理之三：統計/分析
統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
大數據處理之四：挖掘
與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理
六、大數據應用與案例分析
大數據應用的關鍵，也是其必要條件，就在於"IT"與"經營"的融合，當然，這里的經營的內涵可以非常廣泛，小至一個零售門店的經營，大至一個城市的經營。以下是關於各行各業，不同的組織機構在大數據方面的應用的案例，在此申明，以下案例均來源於網路，本文僅作引用，並在此基礎上作簡單的梳理和分類。
大數據應用案例之：醫療行業
[1] Seton Healthcare是採用IBM最新沃森技術醫療保健內容分析預測的首個客戶。該技術允許企業找到大量病人相關的臨床醫療信息，通過大數據處理，更好地分析病人的信息。
[2] 在加拿大多倫多的一家醫院，針對早產嬰兒，每秒鍾有超過3000次的數據讀取。通過這些數據分析，醫院能夠提前知道哪些早產兒出現問題並且有針對性地採取措施，避免早產嬰兒夭折。
[3] 它讓更多的創業者更方便地開發產品，比如通過社交網路來收集數據的健康類App。也許未來數年後，它們搜集的數據能讓醫生給你的診斷變得更為精確，比方說不是通用的成人每日三次一次一片，而是檢測到你的血液中葯劑已經代謝完成會自動提醒你再次服葯。
大數據應用案例之：能源行業
[1] 智能電網現在歐洲已經做到了終端，也就是所謂的智能電表。在德國，為了鼓勵利用太陽能，會在家庭安裝太陽能，除了賣電給你，當你的太陽能有多餘電的時候還可以買回來。通過電網收集每隔五分鍾或十分鍾收集一次數據，收集來的這些數據可以用來預測客戶的用電習慣等，從而推斷出在未來2~3個月時間里，整個電網大概需要多少電。有了這個預測後，就可以向發電或者供電企業購買一定數量的電。因為電有點像期貨一樣，如果提前買就會比較便宜，買現貨就比較貴。通過這個預測後，可以降低采購成本。
[2] 維斯塔斯風力系統，依靠的是BigInsights軟體和IBM超級計算機，然後對氣象數據進行分析，找出安裝風力渦輪機和整個風電場最佳的地點。利用大數據，以往需要數周的分析工作，現在僅需要不足1小時便可完成。
大數據應用案例之：通信行業
[1] XO Communications通過使用IBM SPSS預測分析軟體，減少了將近一半的客戶流失率。XO現在可以預測客戶的行為，發現行為趨勢，並找出存在缺陷的環節，從而幫助公司及時採取措施，保留客戶。此外，IBM新的Netezza網路分析加速器，將通過提供單個端到端網路、服務、客戶分析視圖的可擴展平台，幫助通信企業制定更科學、合理決策。
[2] 電信業者透過數以千萬計的客戶資料，能分析出多種使用者行為和趨勢，賣給需要的企業，這是全新的資料經濟。
[3] 中國移動通過大數據分析，對企業運營的全業務進行針對性的監控、預警、跟蹤。系統在第一時間自動捕捉市場變化，再以最快捷的方式推送給指定負責人，使他在最短時間內獲知市場行情。
[4] NTT docomo把手機位置信息和互聯網上的信息結合起來，為顧客提供附近的餐飲店信息，接近末班車時間時，提供末班車信息服務。
3. 大數據分析在疾病與健康研究方面的應用
大數據分析在疾病與健康研究方面的應用
大數據分析技術將在以上方面發揮著特殊的作用。
一、疾病與健康研究
在疾病與健康研究方面，我們可將其分為三個子方面：健康研究、亞健康研究和疾病研究。
1、健康研究
中國是地域遼闊的多民族國家，不同地區不同種群的人的基因和健康指標有所不同，同一地區同一種群的人在不同的性別和年齡上健康標准也有差異。深入研究和分析上述人群的健康規律，對衛生保健、健康促進、疾病預防和治療有著重大的指導意義。例如：
1.1 對體檢數據分析和挖掘，得出不同地區、不同人群的健康差異，以確定精確的不同人群的健康標准，針對不同人群制定適宜的防病，治病方法以及預後標准，並量身打造個性化，地區化的健康評估模型。
1.2 在制定不同地區不同人群的參考值時,可進一步分析健康指標在不同性別、年齡和季節的差別，以及權重比，從而完善適合於國人全面的系統化的更科學的健康參考值。
1.3 人體存在的內在平衡，使得各個可觀察數據間有其特有的規律，基於經驗只能發現簡單的規律如鈣、磷常數等，使應用數據挖掘等大數據分析技術可以主動發現復雜的系統性的人體醫學規律，大幅提升防病，治病以及預後推測的技術水平，並且也對亞健康有個更科學的判斷依據，以及了解健康到亞健康的逐漸失衡的過程。
1.4 對孕婦在孕產期、產後及新生兒的健康數據進行深入分析，研究孕產婦和新生兒的健康規律，開發對孕產婦和新生兒的健康評價和因素的評估模型，給出更科學的孕產婦和新生兒保健的指導。
1.5 對兒童成長的體檢數據分析和挖掘，研究兒童的健康規律，開發對兒童成長的評價和因素的評估模型，分別適應中國遼闊的地域和眾多的人群，給出更科學的兒童成長發育指導。
1.6 對老年人的健康數據分析和研究，研究老年人的健康特點，開發對老年人健康的評價和因素的評估模型，給出更科學的老年人養生的指導。
1.7 對健康人的精神和心理數據進行深入分析，制定健康人的精神和心理參考標准，開發對健康精神和心理的評價和影響因素的評估模型，給出更科學的精神和心理衛生方面的保健指導。
2、亞健康研究
世界衛生組織將機體無器質性病變，但是有一些功能改變的狀態稱為「第三狀態」，也稱為「亞健康狀態」，主要包括：功能性改變，而不是器質性病變；體征改變，但現有醫學技術不能發現病理改變；生命質量差，長期處於低健康水平；慢性疾病伴隨的病變部位之外的不健康體征。
對亞健康進行深入分析與研究對保持健康狀態，預防和糾正亞健康狀態以及對疾病的預防和治療都有十分重要的意義。例如：
2.1 研究亞健康與疾病間的相互關系。研究各種可觀察指標（體檢數據）在亞健康中的權重，以及在不同地區、人群中的分布。應用時間序列，線性/非線性回歸研究亞健康觀察指標之間的關聯性。通過亞健康體檢數據挖掘，分析導致疾病的影響因素，建立評估模型來預測危險度，並進一步建立疾病的預測模型。
2.2 研究亞健康與健康間的相互關系。通過對體檢人群的地區、職業、年齡等因素的分析，研究最新的健康和亞健康的人群分布。不同的人群地區環境不同,生活習慣不同,加入亞健康醫學指標以外的相關外部數據（如職業、飲食、習慣、性格、愛好等）後,可發現綜合因素對亞健康的影響，以及這些因素的各自權重，及相關關系，從而探究出亞健康的原因，對預防和治療亞健康起著指導作用。
2.3 研究亞健康治療和預後的研究。通過對亞健康治療和預後的數據分析，評價治療效果，評估最佳治療方案，進一步開展對專科亞健康治療和預後的研究，同時研究其與疾病的關系。
2.4 對精神和心理亞健康的研究。如對常見的精神亞健康狀態：如神經衰弱、抑鬱、焦慮和強迫等症狀，進行數據歸納整理、分析挖掘，從而導出精神和心理亞健康的新知識發現，探究出精神疾病的原因，對預防和治療精神疾病起著指導作用。
2.5 將住院和社區健康管理數據相結合，進行因素權重分析和多因素的特性抽取，最後形成模型指導治療。最理想的情況是個體化評估模型,為每個病人建立專用預測模型。
3、疾病研究
中國面臨的嚴重危害人民健康的疾病包括：
傳染性疾病，如結核病、艾滋病、SARS、禽流感、甲型H1N1流感等；
慢性非傳染性疾病，如惡性腫瘤、腦血管病、心臟病、糖尿病等；
精神和心理疾病；
小兒出生缺陷。
對患有各種疾病的病人的醫學數據及相關數據的研究分析，對各種疾病的預防和治療都有十分重要的價值。例如：
3.1 對傳染性疾病，如結核病、艾滋病、SARS、禽流感、甲型H1N1流感等疾病的研究。應用數據挖掘技術對傳染性疾病的數據進行分析，找出傳染性疾病的發病規律，揭示傳染性疾病的病因，進一步摸索出傳染性疾病的變異規律，建立傳染性疾病的預測模型。
3.2 對慢性非傳染性疾病，如惡性腫瘤、腦血管病、心臟病、糖尿病等疾病的研究。應用數據倉庫技術和數據挖掘技術對慢性常見病的數據進行分析，找出慢性常見病的發病規律，探索慢性常見病的病因，進一步摸索出慢性常見病的並發症規律，科學評估各種治療方案的療效，建立慢性常見病的預測模型。
3.3 對精神和心理疾病的研究。應用數據倉庫技術、數據挖掘技術和數理統計技術對精神和心理疾病的數據進行分析，從廣泛的多變數集中找出影響精神和心理疾病的主要因素，在遺傳學、後天影響和病理學等多方面探索精神和心理疾病的病因，科學評估各種治療方案的療效，建立精神和心理疾病的預測模型。
3.4 對小兒出生缺陷的研究。應用大數據分析技術對兒童出生缺陷的數據進行分析，從廣泛的大變數集中找出影響兒童出生缺陷的主要因素，在環境、遺傳學、病理學等多方面探索兒童出生缺陷的病因，建立兒童出生缺陷的預測模型。
3.5 針對門診和住院病人數據在線分析統計學差異，尋找陽性案例，為研究提供素材，並為科研的預實驗提供思路和准備。對住院數據進行多維度分析和挖掘，橫向達到單病種的水平，縱向包括所有可觀測數據，所收集來的知識有很大可能會啟發醫學專家有新發現。
3.6不同 治療手段和治療效果的在線分析。結合收集來的大量資料全面分析，盡量提前全面的了解治療的臨床效果。
3.7 葯品治療效果在線分析，治療效果、副作用、對其他疾病的效果評估。結合收集來的大量資料全面分析，盡量提前全面的了解新葯和老葯。目前的葯品不良反應主要靠醫生的通報，對醫生的職業素養和敏感有很大的依賴，而使用數據挖掘及資料庫中的知識發現，可以極大限度地改進這項工作。
二、環境與健康研究
環境因素對健康造成的損害較其他健康損害復雜，是微量、慢性、長期和不可逆轉的。環境健康影響與公眾利益息息相關，環境健康損害如得不到妥善處理還將轉化為社會、經濟問題。環境與公共健康研究以人類生態系統可持續發展研究為基礎，關懷人類現在和未來的健康與安全，從環境研究途徑關注社會、經濟活動對人類生理和心理的健康影響，探索環境變遷對人民健康造成危害的預防和治理措施。
應用大數據分析技術對環境健康的研究，主要包括發現案例、發病機理和臨床治療研究，預防和治理各類環境流行病在污染源以及污染途徑控制的研究等。例如：
1. 應用大數據分析技術研究環境因素對健康的影響，實行 一體化的環境和健康監測，並在全國實現數據共享。
2. 應用大數據分析技術研究環境污染對兒童的影響，以解決環境對兒童所造成的不健康和疾病迅速增長的問題，從而給予兒童特殊注意的環境和健康指導。
3. 應用大數據分析技術開展職業病和職業多發病的預防預測。對於各種職業的發病分布和嚴重程度，以及對職業病的深入分析。不僅包括傳統意義的職業病，也包括不同職業的不同的疾病分布和在病因中的權重。另外,還可以分析不同職業的暴露特點進而對病因進行研究。
4. 應用大數據分析技術開展對空氣污染顯著提高城市人群呼吸道和過敏性疾病的發生 率的研究。
5. 應用大數據分析技術開展雜訊污染損害兒童的聽力和干擾他們的學習能力的研究。
6. 應用大數據分析技術開展快餐業的發展使肥胖病發病率不斷增長的研究，尤其是不合理的營養對兒童健康的影響。
7. 應用大數據分析技術開展對轉基因生物技術的應用對自然界生物和人類基因的潛在影響的研究。
三、醫葯生物技術與健康
生物技術涵蓋生命科學的所有領域，醫葯生物技術是生物技術的重要組成部分。當今人類面臨的人口、食物、健康、環境和資源問題，無不與之緊密相關。醫葯生物技術最鮮明的特點是大量新思想、新技術、新材料、新方法和新產品引入醫學研究和醫療保健之中，如全新的醫學成像技術、基因工程技術、微電子技術、幹細胞工程技術、組織工程技術、納米技術、生物晶元技術、克隆技術、酶工程技術、細胞工程技術、發酵工程技術、蛋白質工程技術、生物醫學工程技術、基因組與蛋白質組技術、生物信息技術和中醫葯技術等及其產品，將大大提高疾病預防、診斷、治療和葯物設計研製水平，以及對突發事件（如傳染病和生物恐怖等）的檢測、預防與治療水平。
以大數據分析技術為核心的生物信息技術在由眾多新技術構成的醫葯生物技術中發揮有獨特的作用。例如：
1. 利用生物信息技術進行生物信息的存儲與獲取。
2. 利用生物信息技術開展基因的序列對比、測序和拼接。
3. 利用生物信息技術進開展基因預測。
4. 利用生物信息技術進行生物進化與系統發育分析。
5. 利用生物信息技術進行蛋白質結構預測和RAN結構預測。
6. 利用生物信息技術進行分子設計和葯物設計。
7. 利用生物信息技術進行腫瘤分類及遺傳學分析。
8. 利用生物信息技術開展在生物分子層面對精神病的研究及遺傳學分析。
9. 利用生物信息技術開展在生物分子層面對如H1N1等傳染病的研究。
四、衛生宏觀決策支持
衛生宏觀決策支持系統是以數據倉庫為數據中心、以數據挖掘為技術核心、以商務智能為展現工具的綜合衛生信息平台。它可以建立在各級別衛生系統上，如醫院、地區衛生系統、全國衛生系統，為各級衛生部門提供智能決策系統，深入了解衛生系統的歷史和現在，把握衛生系統業務發展的未來，評估衛生系統內部各部門的業務效績，幫助各級決策者提供最佳實施方案，給決策者一雙慧眼，清晰認知系統內各方面變化趨勢和業務得失，使對系統各部門的評價、考核、獎勵更加科學、公正、客觀，使系統內各級關系更加和諧，積極發揮各部門的潛能，提高系統的整體業務水平和經濟效益。使用商務智能輔助決策，可以提供各種有價值的信息，各種事件的關聯，以及不同於微觀的角度分析各種衛生信息，如預防接種基本數據，傳染病報告等等。
以上是小編為大家分享的關於 大數據分析在疾病與健康研究方面的應用的相關內容，更多信息可以關注環球青藤分享更多干貨
4. 大數據在醫學領域的應用
1、健康監測
大數據技術可以提供居民的健康檔案，包括全部診療信息、體檢信息，這些信息可以為患病居民提供更有針對性的治療方案。並且通過智能手錶等可穿戴設備，隨時帶著，可以實時匯報病人的健康情況。應用於數百萬人及其各種疾病的預測和分析，並且在未來的臨床試驗將不再局限於小樣本，而是包括所有人。
2、數據電子化管理
患者的影像數據，病歷數據、檢驗檢查結果、診療費用等各種數據錄入大數據系統，統一管理起來，每位醫生都能夠在系統中查到病人的詳細資料以及變更記錄。而無需再通過耗時的紙質工作來完成，這對於大夫更好地把握疾病的診斷和治療十分重要。
3、醫療科研
在醫療科研領域，運用大數據技術對各種數據進行篩選、分析，可以為科研工作提供強有力的數據分析支持。例如健康危險因素分析的科研中，利用大數據技術可以在系統全面地收集健康危險因素數據，包括環境因素，生物因素，經濟社會因素，個人行為和心理因素，醫療衛生服務因素，以及人類生物遺傳因素等的基礎上，進行比對關聯分析，針對不同區域、家族進行評估和遴選，研究某些疾病發病的家族性、地區區域分布性等特性。