1. AI赋能医疗的背后，临床大数据该如何“跑起来”
19世纪，英国流行病学家、麻醉学家约翰·斯诺运用近代早期的数据科学，记录每天的死亡人数和伤患 人数，并将死亡者的地址标注在地图上，绘制了伦敦霍乱爆发的“群聚”地图，霍乱在过去被普遍认为是由有害空气导致，斯诺通过调查数据的汇总，确定了霍乱的元兇是被污 染的公共水井，并同时奠定了疾病细菌理论的基础，这算是大数据运用的早期雏形之一。
斯诺大概不会想到，在近两百年后，大数据的应用早已不再是偶然，随着医疗卫生信息化的迅速发展，其通过与AI的结合在生物医药研发、疾病管理旁余、公共卫生和 健康 管理等方面的渗透已逐渐常态化，但问题也相应地随之凸显。
信息孤岛仍存
近两年，关于医疗大 健康 数据的政策频出，从顶层设计、具体规划指导、数 据隐私和安全、数据管理等多个方面提出了相关的指导意见。
2016年6月，国务院办公厅下发《关于促进和规范 健康 医疗大数据应用发展的指导意见》指出，鼓励各类医疗卫生机构推进 健康 医疗大数据采集、存储，加强应用支撑和运维技术保障，打通数据资源共享通道，加快建设和完善以居民电子 健康 档案、电子病历、电子处方等为核乱握心的基础数据库。
2018年9月， 国家卫生 健康 委印发《国家 健康 医疗大数据标准、安全和服务管理办法（试行）》，对医疗 健康 大数据行业从规范管理和开发利用的角度出发进行规范。《办法》从医疗大数据标准、医 疗大数据安全、哗启庆医疗大数据服务、医疗大数据监督四个方面提出指导意见，直击目前医疗大数 据领域的痛点，未来对数据的统筹标准管理、落实安全责任、规范数据服务和管理具有重要意义。
然而，即使有专项政策的支持，但都限于宏观层面，相较于其他成熟领域而言， 健康 医疗大数据领域的法律法规依然存在明显的滞后性，缺乏比较全面、细致、明确的指引和规则，使其的发展受到严重制约。虽然现阶段，已有很多企业在医疗大数据领域进行深耕布局，但受制于市场准入和产业政策的不确定性，目前尚在摸着石头过河，市场热情和活力并未得到充分、有效地释放。
复旦大学上海医学院生物医学研究院教授刘雷认为，正是医疗大数据政策的不明朗，标准的不统一，也直接导致了各个系统之间难以进行数据交换和信息共享，产生了大量的“信息孤岛”。举个简单的例子，患者在A医院拍的片子到了B医院却不认，B医院的医生想要了解患者的信息则需要从零开始，患者曾在A医院做的检查需要在B医院重新再来一轮，“想要打通医疗机构间临床大数据资源的共享通道，至少在现阶段是一件挺困难的事情。”刘雷表示。
相似的困扰也发生在相距超过一万公里之外的美国，华盛顿大学医学院信息研究所所长Philip Paynes在接受医谷采访时表示：临床大数据间的彼此“孤立”给国家医保机构、患者和医院都带来了负担，实现大数据间的互通互用，是全世界范围内都在着力解决的问题。
作为两所顶尖大学的知名研究学者，刘雷和Paynes想在临床大数据领域做一些努力和尝试。
两人共有的想法迅速得到了学校层面的大力支持，2019年7月26-29日，由复旦大学医学院和圣路易斯华盛顿大学医学院联合授课的“应用临床信息学和数据分析研修班”进行了第一次开班。
复旦大学生物医学研究院教授、复旦大学大数据研究院医学信息与医学影像智能诊断研究所所长刘雷授课
据刘雷介绍，此次研修班得到了业界人士的积极响应，在第一届学员中，来自医院、医疗企业、高校各占了三分之一，“就是纯粹地想把对临床大数据分析和感兴趣的业界人士聚集在一起，通过共有的努力，能把临床大数据的有效运用更推进一步。”
圣路易斯华盛顿大学医学院信息学研究所主任Philip Paynes授课
“希望通过这种国际化的合作，能让临床大数据在医疗机构间甚至跨国间真正地’跑’起来多一种可能性。” Paynes说道。
各自所做的 探索
而在这种可能性之前，刘雷和Paynes各自所在的研究机构均已做了大量的工作。
据悉，刘雷所在的复旦大学上海医学院生物医学研究作为一家致力于创建“中国第一、世界一流的生物医学交叉学术研究机构”，已经在生物医学交叉学科领域形成“代谢与肿瘤的分子细胞生物学”、“医学表观遗传学”、“系统生物医学”三个优势方向，并正在努力拓展转化医学研究和精准医学研究，包括老年医学、肿瘤和心血管疾病、出生缺陷、靶点结构与活性小分子、组学和大数据、生物治疗与干预，形成新的交叉学科生长点和下游技术。
另悉，目前，复旦大学上海医学院生物医学研究还在申请一个超算中心的建设项目，以该项目来支撑生物学大数据的研究，“复旦大学有包括中山医院、华山医院、仁济医院等17所附属教学医院，这其中有一些医院也在做自身的临床大数据中心，从研究所层面，希望能够给他们提供一些人才培养和技术研究的有力支持。”刘雷表示。
Paynes所在的华盛顿大学医学院信息研究所则是华盛顿大学所有大数据计划的中心， “我们拥有世界上最好的基因组研究所和最具生产力和影响力的基础科学研究企业”，在医学信息技术方面的能力非常强，但在大数据的整合方面还有待加强。”而这也成了Paynes担任华盛顿大学医学院信息研究所第一届所长之后重点开展的工作。
自Paynes上任后，首先将研究所与旗下15所附属教学医院进行了打通联动，从临床大数据的收集到整合再到挖掘，最后到应用，铺设了一条全链式的临床大数据之路。
在Paynes看来：研究所下属的15所教学医院简直就是大数据来源的宝藏，这15家在全美医疗机构中排名比较靠前的医院每天产生大量的临床数据，依托这些已有的临床数据的回顾性研究，是分析研究疾病最基本、最重要的研究方法之一，通过将这些海量的临床数据进行统计分析，分析的结果又将反过来为医生临床诊疗全过程提供疾病共享的发病及治疗总体情况信息，帮助医生科学决策，实现精准医疗。
“我们的梦想是不仅仅是利用临床大数据帮助患者，而是希望这些临床大数能渗透到他们的生活和工作，甚至休闲 娱乐 ，通过大数据的分析能够把他们患病的概率降到最低，让人们能一直保持 健康 的状态。” Paynes对医谷展望道。
未来发展构想
在刘雷、Paynes和其团队所做的大量临床数据整合的工作中，由于各自旗下拥有多所强大的教学医院，数据的来源已不是问题，然而，摆在他们面前更为现实的问题有两个，一是要解决多模态临床大数据的选择问题。临床大数据来源多样，是一种多模态数据，其包括有结构化很好的数据，比如化验单、处方；还有一些半结构化的数据，比如住院小结、出院小结；还有完全无结构化的数据，比如医疗影像；还有像基因测序这样的组学数据；以及时间序列数据，比如ICU里会看到患者插着各种各样的仪器测量血压心率脉搏等各种流数据。
怎样从这些不同模态的数据里面选出需要的数据，刘雷表示他们，他们需要的更多的是结构化很好的临床数据，为了得到这部分数据，会通过一定的技术平台会对数据进行一定的清洗，从中选取高质量的有效数据。
这个问题解决后，还有一个临床大数据一直以来绕不开的一个争议--安全和隐私问题。
对此，刘雷表示，依托现有的技术，目前收集的临床大数据基本都能做到“不出院”，这在一定程度程度上很好地保证了数据的安全性。Paynes也指出，美国对于医疗大数据有很严密的保护法规，患者的关键隐私数据，如姓名、住址、电话、身份证号等进入数据管理的时候必须要打马赛克，同时对数据进行强加密，数据即使被泄露也是不可解密的，对所有的数据访问（谁什么时间能访问什么）都要有一套严格的访问控制，通过这样的方式来保证数据安全性。
当技术的问题已不再是问题， 这意味着临床大数据和AI的结合会变得更为完美，因此，刘雷和Paynes更多希望监管层能在未来对基于大数据训练的AI能进行更多关于有效性和安全性方面的评估，也就是审批准入要做到严，同时，还要加强公众对医疗AI的认知，不管AI发展到多么先进的程度，总归存在一定的局限性，它永远不可能替代医生，只能是医生的一种辅助诊断工具。
尽管还有一段路要走，但对于临床大数据和AI的搭配，刘雷和Paynes都充满信心，至少在他们现有开展工作的规划里，“应用临床信息学和数据分析研修班”能最终逐步发展为一个硕士人才培养项目，为临床大数据和人工智能培养更多专业人才。同时，基于两个研究机构现阶段开展的工作，有天能实现跨国界的汇聚统一，可以把所有的临床大数据统一在同一个模型上，建立一个类似于联盟数据一样的联合体，这对于数据的整合和应用就会变得游刃有余。
【凡本网注明来源非大 健康 Pai的作品，均转载自其它媒体，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。】
2. 大数据是什么
作者：李丽
链接：https://www.hu.com/question/23896161/answer/28624675
来源：知乎
着作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
"大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 "大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。
"大数据"是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。从数据的类别上看，"大数据"指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。
亚马逊网络服务（AWS）、大数据科学家JohnRauser提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。
研发小组对大数据的定义："大数据是最大的宣传技术、是最时髦的技术，当这种现象出现时，定义就变得很混乱。" Kelly说："大数据是可能不包含所有的信息，但我觉得大部分是正确的。对大数据的一部分认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达到极限时，也就是数据的极限"。 大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop的崛起，这些非结构化的数据服务的价值在哪里。
二、大数据分析
从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？
1、可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了
2、数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3、预测性分析能力
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4、数据质量和数据管理
大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
三、大数据技术
1、数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
2、数据存取：关系数据库、NOSQL、SQL等。
3、基础架构：云存储、分布式文件存储等。
4、数据处理：自然语言处理(NLP，NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机"理解"自然语言，所以自然语言处理又叫做自然语言理解(NLU，NaturalLanguage Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。
5、统计分析：假设检验、显着性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
6、数据挖掘：分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or
association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text,
Web ,图形图像，视频，音频等)
7、模型预测：预测模型、机器学习、建模仿真。
8、结果呈现：云计算、标签云、关系图等。
四、大数据特点
要理解大数据这一概念，首先要从"大"入手，"大"是指数据规模，大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所区别，其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity)，即体量大、多样性、价值密度低、速度快。
1、
数据体量巨大。从TB级别，跃升到PB级别。
2、
数据类型繁多，如前文提到的网络日志、视频、图片、地理位置信息，等等。
3、
价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。
4、
处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。
大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的"大数据"不仅指数据本身的规模，也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域，通过解决巨量数据处理问题促进其突破性发展。因此，大数据时代带来的挑战不仅体现在如何处理巨量数据从中获取有价值的信息，也体现在如何加强大数据技术研发，抢占时代发展的前沿。
五、大数据处理
大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理
六、大数据应用与案例分析
大数据应用的关键，也是其必要条件，就在于"IT"与"经营"的融合，当然，这里的经营的内涵可以非常广泛，小至一个零售门店的经营，大至一个城市的经营。以下是关于各行各业，不同的组织机构在大数据方面的应用的案例，在此申明，以下案例均来源于网络，本文仅作引用，并在此基础上作简单的梳理和分类。
大数据应用案例之：医疗行业
[1] Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。
[2] 在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。
[3] 它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。
大数据应用案例之：能源行业
[1] 智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。
[2] 维斯塔斯风力系统，依靠的是BigInsights软件和IBM超级计算机，然后对气象数据进行分析，找出安装风力涡轮机和整个风电场最佳的地点。利用大数据，以往需要数周的分析工作，现在仅需要不足1小时便可完成。
大数据应用案例之：通信行业
[1] XO Communications通过使用IBM SPSS预测分析软件，减少了将近一半的客户流失率。XO现在可以预测客户的行为，发现行为趋势，并找出存在缺陷的环节，从而帮助公司及时采取措施，保留客户。此外，IBM新的Netezza网络分析加速器，将通过提供单个端到端网络、服务、客户分析视图的可扩展平台，帮助通信企业制定更科学、合理决策。
[2] 电信业者透过数以千万计的客户资料，能分析出多种使用者行为和趋势，卖给需要的企业，这是全新的资料经济。
[3] 中国移动通过大数据分析，对企业运营的全业务进行针对性的监控、预警、跟踪。系统在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。
[4] NTT docomo把手机位置信息和互联网上的信息结合起来，为顾客提供附近的餐饮店信息，接近末班车时间时，提供末班车信息服务。
3. 大数据分析在疾病与健康研究方面的应用
大数据分析在疾病与健康研究方面的应用
大数据分析技术将在以上方面发挥着特殊的作用。
一、疾病与健康研究
在疾病与健康研究方面，我们可将其分为三个子方面：健康研究、亚健康研究和疾病研究。
1、健康研究
中国是地域辽阔的多民族国家，不同地区不同种群的人的基因和健康指标有所不同，同一地区同一种群的人在不同的性别和年龄上健康标准也有差异。深入研究和分析上述人群的健康规律，对卫生保健、健康促进、疾病预防和治疗有着重大的指导意义。例如：
1.1 对体检数据分析和挖掘，得出不同地区、不同人群的健康差异，以确定精确的不同人群的健康标准，针对不同人群制定适宜的防病，治病方法以及预后标准，并量身打造个性化，地区化的健康评估模型。
1.2 在制定不同地区不同人群的参考值时,可进一步分析健康指标在不同性别、年龄和季节的差别，以及权重比，从而完善适合于国人全面的系统化的更科学的健康参考值。
1.3 人体存在的内在平衡，使得各个可观察数据间有其特有的规律，基于经验只能发现简单的规律如钙、磷常数等，使应用数据挖掘等大数据分析技术可以主动发现复杂的系统性的人体医学规律，大幅提升防病，治病以及预后推测的技术水平，并且也对亚健康有个更科学的判断依据，以及了解健康到亚健康的逐渐失衡的过程。
1.4 对孕妇在孕产期、产后及新生儿的健康数据进行深入分析，研究孕产妇和新生儿的健康规律，开发对孕产妇和新生儿的健康评价和因素的评估模型，给出更科学的孕产妇和新生儿保健的指导。
1.5 对儿童成长的体检数据分析和挖掘，研究儿童的健康规律，开发对儿童成长的评价和因素的评估模型，分别适应中国辽阔的地域和众多的人群，给出更科学的儿童成长发育指导。
1.6 对老年人的健康数据分析和研究，研究老年人的健康特点，开发对老年人健康的评价和因素的评估模型，给出更科学的老年人养生的指导。
1.7 对健康人的精神和心理数据进行深入分析，制定健康人的精神和心理参考标准，开发对健康精神和心理的评价和影响因素的评估模型，给出更科学的精神和心理卫生方面的保健指导。
2、亚健康研究
世界卫生组织将机体无器质性病变，但是有一些功能改变的状态称为“第三状态”，也称为“亚健康状态”，主要包括：功能性改变，而不是器质性病变；体征改变，但现有医学技术不能发现病理改变；生命质量差，长期处于低健康水平；慢性疾病伴随的病变部位之外的不健康体征。
对亚健康进行深入分析与研究对保持健康状态，预防和纠正亚健康状态以及对疾病的预防和治疗都有十分重要的意义。例如：
2.1 研究亚健康与疾病间的相互关系。研究各种可观察指标（体检数据）在亚健康中的权重，以及在不同地区、人群中的分布。应用时间序列，线性/非线性回归研究亚健康观察指标之间的关联性。通过亚健康体检数据挖掘，分析导致疾病的影响因素，建立评估模型来预测危险度，并进一步建立疾病的预测模型。
2.2 研究亚健康与健康间的相互关系。通过对体检人群的地区、职业、年龄等因素的分析，研究最新的健康和亚健康的人群分布。不同的人群地区环境不同,生活习惯不同,加入亚健康医学指标以外的相关外部数据（如职业、饮食、习惯、性格、爱好等）后,可发现综合因素对亚健康的影响，以及这些因素的各自权重，及相关关系，从而探究出亚健康的原因，对预防和治疗亚健康起着指导作用。
2.3 研究亚健康治疗和预后的研究。通过对亚健康治疗和预后的数据分析，评价治疗效果，评估最佳治疗方案，进一步开展对专科亚健康治疗和预后的研究，同时研究其与疾病的关系。
2.4 对精神和心理亚健康的研究。如对常见的精神亚健康状态：如神经衰弱、抑郁、焦虑和强迫等症状，进行数据归纳整理、分析挖掘，从而导出精神和心理亚健康的新知识发现，探究出精神疾病的原因，对预防和治疗精神疾病起着指导作用。
2.5 将住院和社区健康管理数据相结合，进行因素权重分析和多因素的特性抽取，最后形成模型指导治疗。最理想的情况是个体化评估模型,为每个病人建立专用预测模型。
3、疾病研究
中国面临的严重危害人民健康的疾病包括：
传染性疾病，如结核病、艾滋病、SARS、禽流感、甲型H1N1流感等；
慢性非传染性疾病，如恶性肿瘤、脑血管病、心脏病、糖尿病等；
精神和心理疾病；
小儿出生缺陷。
对患有各种疾病的病人的医学数据及相关数据的研究分析，对各种疾病的预防和治疗都有十分重要的价值。例如：
3.1 对传染性疾病，如结核病、艾滋病、SARS、禽流感、甲型H1N1流感等疾病的研究。应用数据挖掘技术对传染性疾病的数据进行分析，找出传染性疾病的发病规律，揭示传染性疾病的病因，进一步摸索出传染性疾病的变异规律，建立传染性疾病的预测模型。
3.2 对慢性非传染性疾病，如恶性肿瘤、脑血管病、心脏病、糖尿病等疾病的研究。应用数据仓库技术和数据挖掘技术对慢性常见病的数据进行分析，找出慢性常见病的发病规律，探索慢性常见病的病因，进一步摸索出慢性常见病的并发症规律，科学评估各种治疗方案的疗效，建立慢性常见病的预测模型。
3.3 对精神和心理疾病的研究。应用数据仓库技术、数据挖掘技术和数理统计技术对精神和心理疾病的数据进行分析，从广泛的多变量集中找出影响精神和心理疾病的主要因素，在遗传学、后天影响和病理学等多方面探索精神和心理疾病的病因，科学评估各种治疗方案的疗效，建立精神和心理疾病的预测模型。
3.4 对小儿出生缺陷的研究。应用大数据分析技术对儿童出生缺陷的数据进行分析，从广泛的大变量集中找出影响儿童出生缺陷的主要因素，在环境、遗传学、病理学等多方面探索儿童出生缺陷的病因，建立儿童出生缺陷的预测模型。
3.5 针对门诊和住院病人数据在线分析统计学差异，寻找阳性案例，为研究提供素材，并为科研的预实验提供思路和准备。对住院数据进行多维度分析和挖掘，横向达到单病种的水平，纵向包括所有可观测数据，所收集来的知识有很大可能会启发医学专家有新发现。
3.6不同 治疗手段和治疗效果的在线分析。结合收集来的大量资料全面分析，尽量提前全面的了解治疗的临床效果。
3.7 药品治疗效果在线分析，治疗效果、副作用、对其他疾病的效果评估。结合收集来的大量资料全面分析，尽量提前全面的了解新药和老药。目前的药品不良反应主要靠医生的通报，对医生的职业素养和敏感有很大的依赖，而使用数据挖掘及数据库中的知识发现，可以极大限度地改进这项工作。
二、环境与健康研究
环境因素对健康造成的损害较其他健康损害复杂，是微量、慢性、长期和不可逆转的。环境健康影响与公众利益息息相关，环境健康损害如得不到妥善处理还将转化为社会、经济问题。环境与公共健康研究以人类生态系统可持续发展研究为基础，关怀人类现在和未来的健康与安全，从环境研究途径关注社会、经济活动对人类生理和心理的健康影响，探索环境变迁对人民健康造成危害的预防和治理措施。
应用大数据分析技术对环境健康的研究，主要包括发现案例、发病机理和临床治疗研究，预防和治理各类环境流行病在污染源以及污染途径控制的研究等。例如：
1. 应用大数据分析技术研究环境因素对健康的影响，实行 一体化的环境和健康监测，并在全国实现数据共享。
2. 应用大数据分析技术研究环境污染对儿童的影响，以解决环境对儿童所造成的不健康和疾病迅速增长的问题，从而给予儿童特殊注意的环境和健康指导。
3. 应用大数据分析技术开展职业病和职业多发病的预防预测。对于各种职业的发病分布和严重程度，以及对职业病的深入分析。不仅包括传统意义的职业病，也包括不同职业的不同的疾病分布和在病因中的权重。另外,还可以分析不同职业的暴露特点进而对病因进行研究。
4. 应用大数据分析技术开展对空气污染显着提高城市人群呼吸道和过敏性疾病的发生 率的研究。
5. 应用大数据分析技术开展噪声污染损害儿童的听力和干扰他们的学习能力的研究。
6. 应用大数据分析技术开展快餐业的发展使肥胖病发病率不断增长的研究，尤其是不合理的营养对儿童健康的影响。
7. 应用大数据分析技术开展对转基因生物技术的应用对自然界生物和人类基因的潜在影响的研究。
三、医药生物技术与健康
生物技术涵盖生命科学的所有领域，医药生物技术是生物技术的重要组成部分。当今人类面临的人口、食物、健康、环境和资源问题，无不与之紧密相关。医药生物技术最鲜明的特点是大量新思想、新技术、新材料、新方法和新产品引入医学研究和医疗保健之中，如全新的医学成像技术、基因工程技术、微电子技术、干细胞工程技术、组织工程技术、纳米技术、生物芯片技术、克隆技术、酶工程技术、细胞工程技术、发酵工程技术、蛋白质工程技术、生物医学工程技术、基因组与蛋白质组技术、生物信息技术和中医药技术等及其产品，将大大提高疾病预防、诊断、治疗和药物设计研制水平，以及对突发事件（如传染病和生物恐怖等）的检测、预防与治疗水平。
以大数据分析技术为核心的生物信息技术在由众多新技术构成的医药生物技术中发挥有独特的作用。例如：
1. 利用生物信息技术进行生物信息的存储与获取。
2. 利用生物信息技术开展基因的序列对比、测序和拼接。
3. 利用生物信息技术进开展基因预测。
4. 利用生物信息技术进行生物进化与系统发育分析。
5. 利用生物信息技术进行蛋白质结构预测和RAN结构预测。
6. 利用生物信息技术进行分子设计和药物设计。
7. 利用生物信息技术进行肿瘤分类及遗传学分析。
8. 利用生物信息技术开展在生物分子层面对精神病的研究及遗传学分析。
9. 利用生物信息技术开展在生物分子层面对如H1N1等传染病的研究。
四、卫生宏观决策支持
卫生宏观决策支持系统是以数据仓库为数据中心、以数据挖掘为技术核心、以商务智能为展现工具的综合卫生信息平台。它可以建立在各级别卫生系统上，如医院、地区卫生系统、全国卫生系统，为各级卫生部门提供智能决策系统，深入了解卫生系统的历史和现在，把握卫生系统业务发展的未来，评估卫生系统内部各部门的业务效绩，帮助各级决策者提供最佳实施方案，给决策者一双慧眼，清晰认知系统内各方面变化趋势和业务得失，使对系统各部门的评价、考核、奖励更加科学、公正、客观，使系统内各级关系更加和谐，积极发挥各部门的潜能，提高系统的整体业务水平和经济效益。使用商务智能辅助决策，可以提供各种有价值的信息，各种事件的关联，以及不同于微观的角度分析各种卫生信息，如预防接种基本数据，传染病报告等等。
以上是小编为大家分享的关于 大数据分析在疾病与健康研究方面的应用的相关内容，更多信息可以关注环球青藤分享更多干货
4. 大数据在医学领域的应用
1、健康监测
大数据技术可以提供居民的健康档案，包括全部诊疗信息、体检信息，这些信息可以为患病居民提供更有针对性的治疗方案。并且通过智能手表等可穿戴设备，随时带着，可以实时汇报病人的健康情况。应用于数百万人及其各种疾病的预测和分析，并且在未来的临床试验将不再局限于小样本，而是包括所有人。
2、数据电子化管理
患者的影像数据，病历数据、检验检查结果、诊疗费用等各种数据录入大数据系统，统一管理起来，每位医生都能够在系统中查到病人的详细资料以及变更记录。而无需再通过耗时的纸质工作来完成，这对于大夫更好地把握疾病的诊断和治疗十分重要。
3、医疗科研
在医疗科研领域，运用大数据技术对各种数据进行筛选、分析，可以为科研工作提供强有力的数据分析支持。例如健康危险因素分析的科研中，利用大数据技术可以在系统全面地收集健康危险因素数据，包括环境因素，生物因素，经济社会因素，个人行为和心理因素，医疗卫生服务因素，以及人类生物遗传因素等的基础上，进行比对关联分析，针对不同区域、家族进行评估和遴选，研究某些疾病发病的家族性、地区区域分布性等特性。