“大的數(shù)據(jù)”不一定是大數(shù)據(jù)，醫(yī)療相關(guān)的“大的數(shù)據(jù)”也不一定是“醫(yī)療大數(shù)據(jù)”。而真正的標(biāo)準(zhǔn)化，深度結(jié)構(gòu)化的醫(yī)療數(shù)據(jù)需要從五個(gè)維度即：標(biāo)準(zhǔn)度、互聯(lián)度、更新度、豐富度、量度來進(jìn)行處理。另外，從標(biāo)準(zhǔn)化數(shù)據(jù)平臺的操作原則上我們要做到數(shù)據(jù)隱私保護(hù)、數(shù)據(jù)安全性及數(shù)據(jù)倫理上的把關(guān)。對于數(shù)據(jù)擁有者、數(shù)據(jù)處理者及數(shù)據(jù)應(yīng)用者要責(zé)權(quán)利明確，監(jiān)管機(jī)制到位。同時(shí)我們也要加強(qiáng)立法，對數(shù)據(jù)擁有者予以隱私權(quán)保護(hù)。

今天我們來探討一下醫(yī)療大數(shù)據(jù)在醫(yī)療行業(yè)的應(yīng)用及如何成為藥企增長的動力。

人工智能輔助診療

大數(shù)據(jù)技術(shù)在臨床疾病輔助診療過程中已經(jīng)開始應(yīng)用，這將推動疾病管理效率和管理質(zhì)量的提高，從而優(yōu)化診療流程為臨床醫(yī)生節(jié)約時(shí)間。通過數(shù)據(jù)驅(qū)動融合AI，為臨床細(xì)分疾病領(lǐng)域的部分預(yù)防、診斷、治療、隨訪等工作提供優(yōu)化支持，將越來越被臨床醫(yī)生或醫(yī)療健康工作者所喜歡。當(dāng)前，主流的病理分析系統(tǒng)、影像讀片系統(tǒng)等等，在自己構(gòu)建的數(shù)據(jù)集進(jìn)行驗(yàn)證可以達(dá)到85-90%的陽性診斷率，仍然有無法接受的假陽性診斷率存在。

臨床研究的支持

臨床實(shí)踐過程中產(chǎn)生的大數(shù)據(jù)應(yīng)用于臨床科研需求越來越重要，2017年美國FDA批準(zhǔn)使用RWS（真實(shí)世界研究，Real World Study）數(shù)據(jù)作為藥物審批的證據(jù)；臨床大數(shù)據(jù)應(yīng)用于科研關(guān)鍵是進(jìn)行數(shù)據(jù)清洗，根據(jù)研究目的需求科學(xué)對大數(shù)據(jù)進(jìn)行分層，利用AI技術(shù)進(jìn)行抽絲剝繭揭示數(shù)據(jù)背后的本質(zhì)，相信大數(shù)據(jù)+AI將極大降低臨床科研的成本，提高臨床科研投入產(chǎn)出比。

大數(shù)據(jù)應(yīng)用于藥企

在藥物研發(fā)中，同樣可以采用RWS（Real World Study真實(shí)世界研究）數(shù)據(jù)進(jìn)行藥品的審批。但需要提出，RWS數(shù)據(jù)是建立在數(shù)據(jù)的完整性、科學(xué)性和真實(shí)性基礎(chǔ)上，才能通過處理形成分析數(shù)據(jù)集。另外，大數(shù)據(jù)+AI可以為藥企的市場推廣及目標(biāo)患者選擇等方面所應(yīng)用，提供藥企目標(biāo)藥物的可及性及推廣的針對性。伴隨中國醫(yī)藥企業(yè)市場的快速發(fā)展，無論是新藥研發(fā)還是仿制藥的生物等效性研究，大數(shù)據(jù)+AI均可以發(fā)揮積極作用。在市場推廣方面，中國正由市場驅(qū)動向數(shù)據(jù)證據(jù)驅(qū)動方向轉(zhuǎn)換，大數(shù)據(jù)+AI將為藥企從研發(fā)到市場推廣提供助力。

在醫(yī)療支付領(lǐng)域應(yīng)用

醫(yī)藥行業(yè)大數(shù)據(jù)結(jié)合人工智能技術(shù)，在醫(yī)療支付領(lǐng)域應(yīng)用將會加速。不僅體現(xiàn)在單病種的醫(yī)?？刭M(fèi)方面的監(jiān)控，在單藥的藥物經(jīng)濟(jì)學(xué)評估方面也表現(xiàn)卓越。大數(shù)據(jù)驅(qū)動模型建立，將改變醫(yī)療支付方式、支付成本效益控制、臨床路徑的標(biāo)準(zhǔn)化流程控費(fèi)、同類藥物藥效經(jīng)濟(jì)學(xué)評估等。

醫(yī)療支付領(lǐng)域，臨床費(fèi)用數(shù)據(jù)深度與治療流程融合，將對傳統(tǒng)的藥效經(jīng)濟(jì)學(xué)評價(jià)體系產(chǎn)生顛覆性作用，形成更精細(xì)更具有可操作性的支付管理體系。對醫(yī)院、醫(yī)保、行政管理部門、藥企的藥品經(jīng)濟(jì)評估產(chǎn)生直接推動作用，但使用數(shù)據(jù)的前提是數(shù)據(jù)的完整性，能否打破不同醫(yī)療機(jī)構(gòu)、不同部門、不同區(qū)域的地方數(shù)據(jù)保護(hù)主義，將成為大數(shù)據(jù)+AI在醫(yī)療支付領(lǐng)域的關(guān)鍵。

提升新藥研發(fā)效率

AI在可以重構(gòu)新藥研發(fā)的流程，提升藥物臨床前研究中的效率與成功率問題。藥物研發(fā)需要經(jīng)歷靶點(diǎn)篩選、藥物挖掘、臨床試驗(yàn)、藥物優(yōu)化等階段，將人工智能與超大規(guī)模云計(jì)算相結(jié)合，實(shí)現(xiàn)對小分子藥物重要特性的快速、準(zhǔn)確預(yù)測，應(yīng)用在藥物設(shè)計(jì)和藥物固相篩選等領(lǐng)域，達(dá)到縮短新藥研發(fā)周期、降低研發(fā)成本、提高新藥研發(fā)成功率的目的。人工智能與藥物挖掘結(jié)合的典型案例是美國硅谷的Atomwise，其通過IBM超級計(jì)算機(jī)，在分子結(jié)構(gòu)數(shù)據(jù)庫中篩選，評估出820萬種候選化合物具備潛在治療價(jià)值，其研發(fā)成本僅花費(fèi)了數(shù)千美元，研究周期也僅需要幾天。2015年，Atomwise基于現(xiàn)有的候選藥物，應(yīng)用AI算法，不到一天時(shí)間就成功地尋找出能控制埃博拉病毒的兩種候選藥物，以往類似研究需要耗時(shí)長達(dá)數(shù)月甚至數(shù)年時(shí)間。目前國內(nèi)AI+藥物挖掘也已經(jīng)在逐步落地，但由于受限于AI算法需要大量的時(shí)間和數(shù)據(jù)積累，短期內(nèi)仍然很難真正地對藥物研發(fā)工作起到實(shí)質(zhì)性推進(jìn)作用。