当前位置:大数据业界动态 → 正文

麦肯锡:大数据时代下的医疗如何崛起?

责任编辑:editor007 作者:动脉网 |来源:企业网D1Net  2017-03-30 16:08:26 本文摘自:36kr

 

在麦肯锡发布的报告《大数据的下一个前沿:创新、竞争和生产力》中,它看好5大应用领域,分别是欧洲公共领域、美国健康医疗、制造业、美国零售业以及基于地理位置的服务。就现在回头来看,大数据的确是大玩了一把。

其中,影响最大的是零售业和基于地理位置的服务,因为这两个领域的用户以数字土著(那些出生于80年代末,90年代初这一批及其以后的年轻一代人)为主,所以传播也最快,数量级也就最大。相比之下,制造业、公共领域和健康医疗影响就没那么深了。据统计,数据分析体现的价值还不到5年前预估潜在价值的30%。也就是说,它们之间的差距在越拉越大。

麦肯锡:大数据时代下的医疗如何崛起?

数据分析在5大领域中实现的潜在价值占比(2011年)

此外,数据分析还创建了几大颠覆性创新模式。下面简述几种能打破既定产业格局、突破信息孤岛和创建新格局的新型数据集。如超大规模数字平台可实现实时交易,这对效率低下的商品市场是很有用的;精细化数据可用于个性化产品/服务的设计,尤其是医疗;而新的分析技术可以促进发现创新。综合来看,数据分析让循证决策更精准更高效。

所以在大数据商业探索的过程中,利益相关者们可能会从变化莫测的数据分析中迷失,不知所措。不过在医疗领域却又是另一番景象,因为法规会对此进行约束,从而产生阻碍。2011版报告预估,数据分析在医疗领域每年能够产生3000亿美元的潜在价值,年生产增长率为0.7%。但2011年只能实现10~20%,也即产生300~600亿美元的价值。原因有两个,一个是需要临床试验证明;再一个就是数据共享与互操作的实现还存在大量问题。

截至目前,美国健康医疗仅仅抓住了数据分析在医疗领域中10~20%的机会。还有一系列问题亟待解决,比如缺乏激励、机构改革困难、技术人才短缺、数据共享挑战和法规监管。

但也确实取得了一些成效,如临床上,最大的成功就是电子病历的采用,虽然目前看来其中的海量数据尚未完全挖掘出来。但支付方已经在逐步利用大数据来制定报销决策,因此数据分析在公共卫生监督方面将产生创新性效用。另外,许多制药企业也在将数据分析应用在研发上,尤其是在简化临床试验方面。但如果继续落后半拍,将会错失大量改革临床护理和个性化用药的机会。

数据分析实现个性化

数据分析可以从深层次将事物区别开来,最强大的功能之一就是基于人的特征给人群贴标签,由此向用户提供个性化的服务/产品,比如教育、旅游休闲、传媒、零售、广告等行业。

如果将这些与患者的行为、基因、分子数据连接起来,将会对医疗服务产生深远影响。基因组测序的成本下降,蛋白质组学的出现,以及实时监测技术的发展有可能产生出一种新的超精细化数据。

这些数据可以以两种方式重新定义健康医疗。第一个,它们可以帮助解决医疗系统的信息不对称和激励问题。这样在看到患者的一个病情完整数据图后,医院和其他医疗服务方就可能将焦点从治病转为预病及健康管理,从而节约巨额的医疗支出和改善生活质量。其次患者拥有精细化的数据就可以实现精准诊疗。制药企业和医疗设备公司也可借此提升药物研发效率。但是它们有一个挑战就是,要向更小范围的目标患者提供治疗方案。

海量信息突破信息孤岛

在产品创新上,数据分析在材料科学、合成生物学和生命科学领域产生了重大影响,比如药企巨头正在使用数据分析进行药物开发,从而确定药物化合物,作为一种治疗多种疾病的有效药物。如在2016年4月,阿斯利康与美国测序公司Human Longevity、英国桑格研究院以及芬兰分子医学研究所展开合作进行200万例全基因组测序,为今后的药物研发提供指导。而且,阿斯利康将从公司的临床试验中选取50万份样本用于全基因组测序。

根据协议,阿斯利康将要建立一个专门的基因组学研究中心,将临床样本的基因组测序数据和相关的临床治疗和药物反应信息有效整合。阿斯利康还计划公开发表此次合作项目中的所有研究结果。这种模式在推进科技和药物开发中非常有价值。

数据分析在医疗领域内的潜在机会

我们强调的机会有五大类:临床、报销、研发、商业模式创新和公共卫生。在临床中,主要的成功就是电子病历的快速扩张,已经从2010年的15.6%提升到2014年的75%,这其中很大的推动来自平价医疗法案的实施。如Sutter Health,它的新EMR系统要比旧系统快40倍,而且在预测再住院率上准确率大大提高。

支付方也在逐步开始利用大数据制定报销决策,而且已经可以看到一些趋势。加上国家级医疗保险和医疗补助服务中心的动作,医疗价格的透明度已有所提高,同时超过30个州建立了所有保险索赔数据库以作为大型报销信息库。几家保险公司也因此盈利,比如联合健康集团的一个业务板块Optum就通过梳理处方药的索赔记录帮助雇主节约医疗支出。

对于制药企业来讲,算是取得了更大进展,许多公司应用数据分析助力研发。大多数制药企业在从动物试验到I期临床试验期间,使用预测模型来优化给药,但数据分析还没应用于后期的试验中,如各类药物临床试验入组和排除标准。此外在研发上的应用可以快速确定目标人群,从而节约时间,降低成本。如合同研究组织(Contract research organizations)比5年前应用更广泛,以前是使用统计工具改善临床试验管理,现在可以从数据中得出更多结论。一些领先的玩家一直在使用临床试验数据来给药物贴标签(也就是说,看药物有没有其他用途)。同时,FDA与医疗保险公司和电子病历提供商合作开展Sentinel Initiative项目,收集1.78亿患者的药品不良反应的数据。

在商业模式创新上也不断生根发芽,例如Explorys,一家可以查看4000万份美国患者病例的分析公司,在2015年4月被IBM收购,来加强其健康数据分析工作力度。

患者交流社区(如PatientsLikeMe)也是一个不错的数据源,它在公共卫生监测中的应用正在产生新的重要作用,如2014年爆发的埃博拉和齐卡病毒。

总之,想要整合数据分析,医疗领域还有很长的路要走。但同时,这个可能性要比5年前设想的大得多。我们不要心急,随着尖端技术的慢慢渗,整个医疗系统会随之革新。在将来,随着深入学习的进步,尤其是自然语言和视觉技术的发展,可能有助于医疗活动的自动化,节约劳动力成本。现在一家医院劳动力成本占了60-70%,这将是一个重要的商业机会。

那么,数据分析应用在医疗领域存在的问题又是什么呢?答案即为缺乏可以让数据实现交互性的操作。患者的生理数据常常存在于不同的系统中,各个系统不能便捷地实现无缝信息共享。

医疗领域的数据共享,存在很多抑制其进共享的因素。例如,服务方和制药企业可能不愿与支付方共享更多数据,因为数据可能会暴露企业的盈利模式。除此之外,在个人健康管理的过程中,收集数据的可穿戴暂时还没有显示出临床应用价值。同时,鉴于医疗健康行业的大环境和政府政策,导致数据的利用过程可能会比较缓慢。

不过虽然数据分析在医疗的应用存在一些抑制因素,但相比过去的诊疗方式,我们可以看到大数据在当今诊疗过程中的意义。传统意义上,诊疗依赖于病史、医学检验和实验室检查结果。如今,一系列新的数据表正在由用户的可穿戴和家庭健康设备(如血压监控仪或胰岛素泵)产生,这部分数据是有很大参考价值的。一些创新者正在试验,希望这些数据对于临床也可以起到直接有效的作用。

个性化的医疗服务

因每个人疾病史和基因构成的不同,所以标准化治疗方案根本不适合所有人。但是每个人的特征却对定制化的服务很有用。随着基因测序成本的下降、蛋白质组学(蛋白质分析)的出现,以及越来越多能够提供实时数据流的传感器、监视器和诊断技术的突破,患者的数据集将变得越来越精细。未来的创新技术(如免疫和CRISPR/Cas9 基因组定点编辑技术)可以最大限度地提高每个人的体格。

先进的分析方法可以将标准化的疾病治疗转化为个性化的风险评估、诊断、治疗和监测。一些医疗服务方已经应用在工作中,临床发展潜力无限。如,美国中西部地区的一个医疗保健系统Essentia Health,就正在对充血性心力衰竭患者进行家庭监护,将30天再住院率降到2%,远低于全国25%的平均水平。

麦肯锡:大数据时代下的医疗如何崛起?

1、医疗的现状与未来

在医疗领域,个性化是基于患者的生物标志物、遗传情况和具体症状的数据来实现的。使用这些精细化数据,可以确定量身定制的个人治疗方案。除此之外,个性化医疗其实可以改变整个健康医疗大系统。

在世界上许多国家,尤其是美国,信息透明度的缺乏导致医疗健康系统机能失调。大多数患者的现状是,只有当他们已经患病时才会主动进入医疗机构接受诊疗。并且诊疗服务的重点也不是为了优化病人的体验或体现诊疗价值。导致这一现状的原因是个人健康数据一般是不会提供给患者本人的,所以他们不能及早发现并调整自身情况,只有当生病时才会去就医。这样看来,显然更好地利用数据可以帮助用户在没有生病前就了解到自身的健康风险所在,这也是对自己健康负责的关键所在。医疗保险公司也可以通过数据来了解他们的客户。通过敦促客户针对潜在的健康问题采取预防性措施,从而降低医疗保险费用支出。

在整个医疗健康系统中,当前状的态是:患者沿着一个统一化、标准化的治疗流程进行诊疗。什么是标准化的路径呢?

患者只有在患病时才主动进入医疗健康系统;

诊疗服务重点不是为了优化的病人的体验或体现诊疗价值;

相同的疾病,医生会对所有患者均采取相同的临床指导方案。

将数据分析用于医疗的未来状态应该是:医生对患者持续进行监测和给予个性化治疗方案,并在最佳时机完成健康干预。那么,未来诊疗的具体路径又是怎样的?

持续性监测和风险评估;

最大限度地提高诊疗服务的价值;

针对每个个体提供个性化的治疗方案。

有机构预测,医疗领域在应用数据分析后,人均GDP将提高200美元,国家在医疗卫生领域的支出将减少5%~9%,人类的平均寿命将增1年。

2、个性化医疗过程中的利益相关者们

即使国与国之间的医疗环境差异蛮大,个性化医疗的到来将可能改变整个系统利益相关者的命运,下面主要讨论美国的医疗系统,但对全球医疗仍有参考价值。

医疗服务方

为了提供真正的个性化医疗服务,服务方需要集成电子病历系统中的数据来获取患者的一个完整的病情视图。具体的操作方式是利用庞大的病历数据集来搭建智能的临床决策支持工具。

其中,医疗服务方面临的挑战是如何管理这些源源不断的数据流,并将它们应用到医疗中。一个形象的场景是,今天医生看到的是一位哮喘患者。而在未来,医生将会看到哮喘患者的日常活动数据、遗传标记情况和哪类蛋白质表达升高等信息。因此,医生和监管机构需要仔细考虑如何利用这些有价值的信息来进行疾病的预防和治疗。对于国家来说,可能需要调整医疗健康系统内的财政奖励,并转向以价值为基础的医疗保健体系,更强调诊疗过程中“预防”的重要性,以此来推动个性化医疗的发展。

支付方

支付方可以使用数据分析来促进整个医疗系统的价格透明度。在支付方、服务方和制药企业之间建立新的合作关系,并搭建可能对提高价格透明度有所帮助的新的绩效薪酬模式。支付方将会越来越多地参与患者的诊疗过程。虽然建立新的合作关系和搭建新模式的过程可能相当缓慢,但是我们相信,数据丰富的大环境将增强支付方改变的决心。

制药企业和医疗设备企业

大数据和先进的分析方法可以让制药企业的药物预测建模更为精准,加速药物开发过程。制药公司还可以利用基因组学和蛋白质组学的数据,加上数以百万计的患者诊疗记录来设计更好的药物治疗方案。制药企业需要做的是,创新他们的商业模式,为小范围的目标人群提供精准的治疗方案。虽然这一改变会让制药企业面临大的挑战,但个性化医疗在肿瘤领域的应用是对其他疾病领域进行个性化的激励。

3、完成个性化医疗需要做到的三点

将数据分析用于医疗领域会降低成本,延长人类寿命,让人们享受更健康、富有的精彩生活。在医疗服务中,预估最有潜力的三个环节是:远程监测、导诊、个性化医疗。虽然围绕“个性化”产生的大部分讨论都集中在最后一个维度,但如果可以结合激励机制设计以预防和以价值为基础的服务模式,那么远程监测和导诊也可以发挥更大的作用。

完成个性化医疗需要做到哪几方面?

首先,服务方可以使用物联网和数据分析来远程监测患者,在症状严重前就及时进行干预和调整。对于治疗像糖尿病、心血管疾病和呼吸系统疾病这类慢性病,物联网的远程监测与数据分析是一种革命性的治疗手段。这些监测技术的使用大大降低了患者的治疗成本。在新的商业模式中,服务方不妨可以使用这些技术,并结合健康干预措施,来打造一个关注预防、疾病管理和健康解决方案的新疾病管理机制,在用户生病前就帮助解决健康问题。

其次,患者需要在第一时间获得匹配的诊疗方案,让他们远离高成本、高风险的医疗点,此外,创建健康风险监测机构也是非常有必要的,并在其中应用数据分析技术,开展前瞻性的健康风险评估,预测并发症。这样做可以避免不必要的住院时间延长,降低医疗保险支出。 

最后,也是最关键的一环,就是为每位患者匹配个性化的治疗方案。这可以由人工智能驱动的临床决策支持系统来完成,人工智能系统可以通过梳理数百万患者病历、基因组序列以及其他健康行为数据来确定对个体最有效的治疗方案。这样可以最大限度地提高药物、手术和其他治疗方案的疗效,减少不必要的浪费和有害副作用。

动脉网公众号:vcbeat,后台回复关键词“基因检测”,获取动脉网独家研究报告《消费级基因检测市场报告》

在麦肯锡发布的报告《大数据的下一个前沿:创新、竞争和生产力》中,它看好5大应用领域,分别是欧洲公共领域、美国健康医疗、制造业、美国零售业以及基于地理位置的服务。就现在回头来看,大数据的确是大玩了一把。

其中,影响最大的是零售业和基于地理位置的服务,因为这两个领域的用户以数字土著(那些出生于80年代末,90年代初这一批及其以后的年轻一代人)为主,所以传播也最快,数量级也就最大。相比之下,制造业、公共领域和健康医疗影响就没那么深了。据统计,数据分析体现的价值还不到5年前预估潜在价值的30%。也就是说,它们之间的差距在越拉越大。

数据分析在5大领域中实现的潜在价值占比(2011年)

此外,数据分析还创建了几大颠覆性创新模式。下面简述几种能打破既定产业格局、突破信息孤岛和创建新格局的新型数据集。如超大规模数字平台可实现实时交易,这对效率低下的商品市场是很有用的;精细化数据可用于个性化产品/服务的设计,尤其是医疗;而新的分析技术可以促进发现创新。综合来看,数据分析让循证决策更精准更高效。

所以在大数据商业探索的过程中,利益相关者们可能会从变化莫测的数据分析中迷失,不知所措。不过在医疗领域却又是另一番景象,因为法规会对此进行约束,从而产生阻碍。2011版报告预估,数据分析在医疗领域每年能够产生3000亿美元的潜在价值,年生产增长率为0.7%。但2011年只能实现10~20%,也即产生300~600亿美元的价值。原因有两个,一个是需要临床试验证明;再一个就是数据共享与互操作的实现还存在大量问题。

截至目前,美国健康医疗仅仅抓住了数据分析在医疗领域中10~20%的机会。还有一系列问题亟待解决,比如缺乏激励、机构改革困难、技术人才短缺、数据共享挑战和法规监管。

但也确实取得了一些成效,如临床上,最大的成功就是电子病历的采用,虽然目前看来其中的海量数据尚未完全挖掘出来。但支付方已经在逐步利用大数据来制定报销决策,因此数据分析在公共卫生监督方面将产生创新性效用。另外,许多制药企业也在将数据分析应用在研发上,尤其是在简化临床试验方面。但如果继续落后半拍,将会错失大量改革临床护理和个性化用药的机会。

数据分析实现个性化

数据分析可以从深层次将事物区别开来,最强大的功能之一就是基于人的特征给人群贴标签,由此向用户提供个性化的服务/产品,比如教育、旅游休闲、传媒、零售、广告等行业。

如果将这些与患者的行为、基因、分子数据连接起来,将会对医疗服务产生深远影响。基因组测序的成本下降,蛋白质组学的出现,以及实时监测技术的发展有可能产生出一种新的超精细化数据。

这些数据可以以两种方式重新定义健康医疗。第一个,它们可以帮助解决医疗系统的信息不对称和激励问题。这样在看到患者的一个病情完整数据图后,医院和其他医疗服务方就可能将焦点从治病转为预病及健康管理,从而节约巨额的医疗支出和改善生活质量。其次患者拥有精细化的数据就可以实现精准诊疗。制药企业和医疗设备公司也可借此提升药物研发效率。但是它们有一个挑战就是,要向更小范围的目标患者提供治疗方案。

海量信息突破信息孤岛

在产品创新上,数据分析在材料科学、合成生物学和生命科学领域产生了重大影响,比如药企巨头正在使用数据分析进行药物开发,从而确定药物化合物,作为一种治疗多种疾病的有效药物。如在2016年4月,阿斯利康与美国测序公司Human Longevity、英国桑格研究院以及芬兰分子医学研究所展开合作进行200万例全基因组测序,为今后的药物研发提供指导。而且,阿斯利康将从公司的临床试验中选取50万份样本用于全基因组测序。

根据协议,阿斯利康将要建立一个专门的基因组学研究中心,将临床样本的基因组测序数据和相关的临床治疗和药物反应信息有效整合。阿斯利康还计划公开发表此次合作项目中的所有研究结果。这种模式在推进科技和药物开发中非常有价值。

数据分析在医疗领域内的潜在机会

我们强调的机会有五大类:临床、报销、研发、商业模式创新和公共卫生。在临床中,主要的成功就是电子病历的快速扩张,已经从2010年的15.6%提升到2014年的75%,这其中很大的推动来自平价医疗法案的实施。如Sutter Health,它的新EMR系统要比旧系统快40倍,而且在预测再住院率上准确率大大提高。

支付方也在逐步开始利用大数据制定报销决策,而且已经可以看到一些趋势。加上国家级医疗保险和医疗补助服务中心的动作,医疗价格的透明度已有所提高,同时超过30个州建立了所有保险索赔数据库以作为大型报销信息库。几家保险公司也因此盈利,比如联合健康集团的一个业务板块Optum就通过梳理处方药的索赔记录帮助雇主节约医疗支出。

对于制药企业来讲,算是取得了更大进展,许多公司应用数据分析助力研发。大多数制药企业在从动物试验到I期临床试验期间,使用预测模型来优化给药,但数据分析还没应用于后期的试验中,如各类药物临床试验入组和排除标准。此外在研发上的应用可以快速确定目标人群,从而节约时间,降低成本。如合同研究组织(Contract research organizations)比5年前应用更广泛,以前是使用统计工具改善临床试验管理,现在可以从数据中得出更多结论。一些领先的玩家一直在使用临床试验数据来给药物贴标签(也就是说,看药物有没有其他用途)。同时,FDA与医疗保险公司和电子病历提供商合作开展Sentinel Initiative项目,收集1.78亿患者的药品不良反应的数据。

在商业模式创新上也不断生根发芽,例如Explorys,一家可以查看4000万份美国患者病例的分析公司,在2015年4月被IBM收购,来加强其健康数据分析工作力度。

患者交流社区(如PatientsLikeMe)也是一个不错的数据源,它在公共卫生监测中的应用正在产生新的重要作用,如2014年爆发的埃博拉和齐卡病毒。

总之,想要整合数据分析,医疗领域还有很长的路要走。但同时,这个可能性要比5年前设想的大得多。我们不要心急,随着尖端技术的慢慢渗,整个医疗系统会随之革新。在将来,随着深入学习的进步,尤其是自然语言和视觉技术的发展,可能有助于医疗活动的自动化,节约劳动力成本。现在一家医院劳动力成本占了60-70%,这将是一个重要的商业机会。

那么,数据分析应用在医疗领域存在的问题又是什么呢?答案即为缺乏可以让数据实现交互性的操作。患者的生理数据常常存在于不同的系统中,各个系统不能便捷地实现无缝信息共享。

医疗领域的数据共享,存在很多抑制其进共享的因素。例如,服务方和制药企业可能不愿与支付方共享更多数据,因为数据可能会暴露企业的盈利模式。除此之外,在个人健康管理的过程中,收集数据的可穿戴暂时还没有显示出临床应用价值。同时,鉴于医疗健康行业的大环境和政府政策,导致数据的利用过程可能会比较缓慢。

不过虽然数据分析在医疗的应用存在一些抑制因素,但相比过去的诊疗方式,我们可以看到大数据在当今诊疗过程中的意义。传统意义上,诊疗依赖于病史、医学检验和实验室检查结果。如今,一系列新的数据表正在由用户的可穿戴和家庭健康设备(如血压监控仪或胰岛素泵)产生,这部分数据是有很大参考价值的。一些创新者正在试验,希望这些数据对于临床也可以起到直接有效的作用。

个性化的医疗服务

因每个人疾病史和基因构成的不同,所以标准化治疗方案根本不适合所有人。但是每个人的特征却对定制化的服务很有用。随着基因测序成本的下降、蛋白质组学(蛋白质分析)的出现,以及越来越多能够提供实时数据流的传感器、监视器和诊断技术的突破,患者的数据集将变得越来越精细。未来的创新技术(如免疫和CRISPR/Cas9 基因组定点编辑技术)可以最大限度地提高每个人的体格。

先进的分析方法可以将标准化的疾病治疗转化为个性化的风险评估、诊断、治疗和监测。一些医疗服务方已经应用在工作中,临床发展潜力无限。如,美国中西部地区的一个医疗保健系统Essentia Health,就正在对充血性心力衰竭患者进行家庭监护,将30天再住院率降到2%,远低于全国25%的平均水平。

1、医疗的现状与未来

在医疗领域,个性化是基于患者的生物标志物、遗传情况和具体症状的数据来实现的。使用这些精细化数据,可以确定量身定制的个人治疗方案。除此之外,个性化医疗其实可以改变整个健康医疗大系统。

在世界上许多国家,尤其是美国,信息透明度的缺乏导致医疗健康系统机能失调。大多数患者的现状是,只有当他们已经患病时才会主动进入医疗机构接受诊疗。并且诊疗服务的重点也不是为了优化病人的体验或体现诊疗价值。导致这一现状的原因是个人健康数据一般是不会提供给患者本人的,所以他们不能及早发现并调整自身情况,只有当生病时才会去就医。这样看来,显然更好地利用数据可以帮助用户在没有生病前就了解到自身的健康风险所在,这也是对自己健康负责的关键所在。医疗保险公司也可以通过数据来了解他们的客户。通过敦促客户针对潜在的健康问题采取预防性措施,从而降低医疗保险费用支出。

在整个医疗健康系统中,当前状的态是:患者沿着一个统一化、标准化的治疗流程进行诊疗。什么是标准化的路径呢?

患者只有在患病时才主动进入医疗健康系统;

诊疗服务重点不是为了优化的病人的体验或体现诊疗价值;

相同的疾病,医生会对所有患者均采取相同的临床指导方案。

将数据分析用于医疗的未来状态应该是:医生对患者持续进行监测和给予个性化治疗方案,并在最佳时机完成健康干预。那么,未来诊疗的具体路径又是怎样的?

持续性监测和风险评估;

最大限度地提高诊疗服务的价值;

针对每个个体提供个性化的治疗方案。

有机构预测,医疗领域在应用数据分析后,人均GDP将提高200美元,国家在医疗卫生领域的支出将减少5%~9%,人类的平均寿命将增1年。

2、个性化医疗过程中的利益相关者们

即使国与国之间的医疗环境差异蛮大,个性化医疗的到来将可能改变整个系统利益相关者的命运,下面主要讨论美国的医疗系统,但对全球医疗仍有参考价值。

医疗服务方

为了提供真正的个性化医疗服务,服务方需要集成电子病历系统中的数据来获取患者的一个完整的病情视图。具体的操作方式是利用庞大的病历数据集来搭建智能的临床决策支持工具。

其中,医疗服务方面临的挑战是如何管理这些源源不断的数据流,并将它们应用到医疗中。一个形象的场景是,今天医生看到的是一位哮喘患者。而在未来,医生将会看到哮喘患者的日常活动数据、遗传标记情况和哪类蛋白质表达升高等信息。因此,医生和监管机构需要仔细考虑如何利用这些有价值的信息来进行疾病的预防和治疗。对于国家来说,可能需要调整医疗健康系统内的财政奖励,并转向以价值为基础的医疗保健体系,更强调诊疗过程中“预防”的重要性,以此来推动个性化医疗的发展。

支付方

支付方可以使用数据分析来促进整个医疗系统的价格透明度。在支付方、服务方和制药企业之间建立新的合作关系,并搭建可能对提高价格透明度有所帮助的新的绩效薪酬模式。支付方将会越来越多地参与患者的诊疗过程。虽然建立新的合作关系和搭建新模式的过程可能相当缓慢,但是我们相信,数据丰富的大环境将增强支付方改变的决心。

制药企业和医疗设备企业

大数据和先进的分析方法可以让制药企业的药物预测建模更为精准,加速药物开发过程。制药公司还可以利用基因组学和蛋白质组学的数据,加上数以百万计的患者诊疗记录来设计更好的药物治疗方案。制药企业需要做的是,创新他们的商业模式,为小范围的目标人群提供精准的治疗方案。虽然这一改变会让制药企业面临大的挑战,但个性化医疗在肿瘤领域的应用是对其他疾病领域进行个性化的激励。

3、完成个性化医疗需要做到的三点

将数据分析用于医疗领域会降低成本,延长人类寿命,让人们享受更健康、富有的精彩生活。在医疗服务中,预估最有潜力的三个环节是:远程监测、导诊、个性化医疗。虽然围绕“个性化”产生的大部分讨论都集中在最后一个维度,但如果可以结合激励机制设计以预防和以价值为基础的服务模式,那么远程监测和导诊也可以发挥更大的作用。

完成个性化医疗需要做到哪几方面?

首先,服务方可以使用物联网和数据分析来远程监测患者,在症状严重前就及时进行干预和调整。对于治疗像糖尿病、心血管疾病和呼吸系统疾病这类慢性病,物联网的远程监测与数据分析是一种革命性的治疗手段。这些监测技术的使用大大降低了患者的治疗成本。在新的商业模式中,服务方不妨可以使用这些技术,并结合健康干预措施,来打造一个关注预防、疾病管理和健康解决方案的新疾病管理机制,在用户生病前就帮助解决健康问题。

其次,患者需要在第一时间获得匹配的诊疗方案,让他们远离高成本、高风险的医疗点,此外,创建健康风险监测机构也是非常有必要的,并在其中应用数据分析技术,开展前瞻性的健康风险评估,预测并发症。这样做可以避免不必要的住院时间延长,降低医疗保险支出。

最后,也是最关键的一环,就是为每位患者匹配个性化的治疗方案。这可以由人工智能驱动的临床决策支持系统来完成,人工智能系统可以通过梳理数百万患者病历、基因组序列以及其他健康行为数据来确定对个体最有效的治疗方案。这样可以最大限度地提高药物、手术和其他治疗方案的疗效,减少不必要的浪费和有害副作用。

动脉网公众号:vcbeat,后台回复关键词“基因检测”,获取动脉网独家研究报告《消费级基因检测市场报告》

关键字:医疗领域数据分析生物标志物

本文摘自:36kr

x 麦肯锡:大数据时代下的医疗如何崛起? 扫一扫
分享本文到朋友圈
当前位置:大数据业界动态 → 正文

麦肯锡:大数据时代下的医疗如何崛起?

责任编辑:editor007 作者:动脉网 |来源:企业网D1Net  2017-03-30 16:08:26 本文摘自:36kr

 

在麦肯锡发布的报告《大数据的下一个前沿:创新、竞争和生产力》中,它看好5大应用领域,分别是欧洲公共领域、美国健康医疗、制造业、美国零售业以及基于地理位置的服务。就现在回头来看,大数据的确是大玩了一把。

其中,影响最大的是零售业和基于地理位置的服务,因为这两个领域的用户以数字土著(那些出生于80年代末,90年代初这一批及其以后的年轻一代人)为主,所以传播也最快,数量级也就最大。相比之下,制造业、公共领域和健康医疗影响就没那么深了。据统计,数据分析体现的价值还不到5年前预估潜在价值的30%。也就是说,它们之间的差距在越拉越大。

麦肯锡:大数据时代下的医疗如何崛起?

数据分析在5大领域中实现的潜在价值占比(2011年)

此外,数据分析还创建了几大颠覆性创新模式。下面简述几种能打破既定产业格局、突破信息孤岛和创建新格局的新型数据集。如超大规模数字平台可实现实时交易,这对效率低下的商品市场是很有用的;精细化数据可用于个性化产品/服务的设计,尤其是医疗;而新的分析技术可以促进发现创新。综合来看,数据分析让循证决策更精准更高效。

所以在大数据商业探索的过程中,利益相关者们可能会从变化莫测的数据分析中迷失,不知所措。不过在医疗领域却又是另一番景象,因为法规会对此进行约束,从而产生阻碍。2011版报告预估,数据分析在医疗领域每年能够产生3000亿美元的潜在价值,年生产增长率为0.7%。但2011年只能实现10~20%,也即产生300~600亿美元的价值。原因有两个,一个是需要临床试验证明;再一个就是数据共享与互操作的实现还存在大量问题。

截至目前,美国健康医疗仅仅抓住了数据分析在医疗领域中10~20%的机会。还有一系列问题亟待解决,比如缺乏激励、机构改革困难、技术人才短缺、数据共享挑战和法规监管。

但也确实取得了一些成效,如临床上,最大的成功就是电子病历的采用,虽然目前看来其中的海量数据尚未完全挖掘出来。但支付方已经在逐步利用大数据来制定报销决策,因此数据分析在公共卫生监督方面将产生创新性效用。另外,许多制药企业也在将数据分析应用在研发上,尤其是在简化临床试验方面。但如果继续落后半拍,将会错失大量改革临床护理和个性化用药的机会。

数据分析实现个性化

数据分析可以从深层次将事物区别开来,最强大的功能之一就是基于人的特征给人群贴标签,由此向用户提供个性化的服务/产品,比如教育、旅游休闲、传媒、零售、广告等行业。

如果将这些与患者的行为、基因、分子数据连接起来,将会对医疗服务产生深远影响。基因组测序的成本下降,蛋白质组学的出现,以及实时监测技术的发展有可能产生出一种新的超精细化数据。

这些数据可以以两种方式重新定义健康医疗。第一个,它们可以帮助解决医疗系统的信息不对称和激励问题。这样在看到患者的一个病情完整数据图后,医院和其他医疗服务方就可能将焦点从治病转为预病及健康管理,从而节约巨额的医疗支出和改善生活质量。其次患者拥有精细化的数据就可以实现精准诊疗。制药企业和医疗设备公司也可借此提升药物研发效率。但是它们有一个挑战就是,要向更小范围的目标患者提供治疗方案。

海量信息突破信息孤岛

在产品创新上,数据分析在材料科学、合成生物学和生命科学领域产生了重大影响,比如药企巨头正在使用数据分析进行药物开发,从而确定药物化合物,作为一种治疗多种疾病的有效药物。如在2016年4月,阿斯利康与美国测序公司Human Longevity、英国桑格研究院以及芬兰分子医学研究所展开合作进行200万例全基因组测序,为今后的药物研发提供指导。而且,阿斯利康将从公司的临床试验中选取50万份样本用于全基因组测序。

根据协议,阿斯利康将要建立一个专门的基因组学研究中心,将临床样本的基因组测序数据和相关的临床治疗和药物反应信息有效整合。阿斯利康还计划公开发表此次合作项目中的所有研究结果。这种模式在推进科技和药物开发中非常有价值。

数据分析在医疗领域内的潜在机会

我们强调的机会有五大类:临床、报销、研发、商业模式创新和公共卫生。在临床中,主要的成功就是电子病历的快速扩张,已经从2010年的15.6%提升到2014年的75%,这其中很大的推动来自平价医疗法案的实施。如Sutter Health,它的新EMR系统要比旧系统快40倍,而且在预测再住院率上准确率大大提高。

支付方也在逐步开始利用大数据制定报销决策,而且已经可以看到一些趋势。加上国家级医疗保险和医疗补助服务中心的动作,医疗价格的透明度已有所提高,同时超过30个州建立了所有保险索赔数据库以作为大型报销信息库。几家保险公司也因此盈利,比如联合健康集团的一个业务板块Optum就通过梳理处方药的索赔记录帮助雇主节约医疗支出。

对于制药企业来讲,算是取得了更大进展,许多公司应用数据分析助力研发。大多数制药企业在从动物试验到I期临床试验期间,使用预测模型来优化给药,但数据分析还没应用于后期的试验中,如各类药物临床试验入组和排除标准。此外在研发上的应用可以快速确定目标人群,从而节约时间,降低成本。如合同研究组织(Contract research organizations)比5年前应用更广泛,以前是使用统计工具改善临床试验管理,现在可以从数据中得出更多结论。一些领先的玩家一直在使用临床试验数据来给药物贴标签(也就是说,看药物有没有其他用途)。同时,FDA与医疗保险公司和电子病历提供商合作开展Sentinel Initiative项目,收集1.78亿患者的药品不良反应的数据。

在商业模式创新上也不断生根发芽,例如Explorys,一家可以查看4000万份美国患者病例的分析公司,在2015年4月被IBM收购,来加强其健康数据分析工作力度。

患者交流社区(如PatientsLikeMe)也是一个不错的数据源,它在公共卫生监测中的应用正在产生新的重要作用,如2014年爆发的埃博拉和齐卡病毒。

总之,想要整合数据分析,医疗领域还有很长的路要走。但同时,这个可能性要比5年前设想的大得多。我们不要心急,随着尖端技术的慢慢渗,整个医疗系统会随之革新。在将来,随着深入学习的进步,尤其是自然语言和视觉技术的发展,可能有助于医疗活动的自动化,节约劳动力成本。现在一家医院劳动力成本占了60-70%,这将是一个重要的商业机会。

那么,数据分析应用在医疗领域存在的问题又是什么呢?答案即为缺乏可以让数据实现交互性的操作。患者的生理数据常常存在于不同的系统中,各个系统不能便捷地实现无缝信息共享。

医疗领域的数据共享,存在很多抑制其进共享的因素。例如,服务方和制药企业可能不愿与支付方共享更多数据,因为数据可能会暴露企业的盈利模式。除此之外,在个人健康管理的过程中,收集数据的可穿戴暂时还没有显示出临床应用价值。同时,鉴于医疗健康行业的大环境和政府政策,导致数据的利用过程可能会比较缓慢。

不过虽然数据分析在医疗的应用存在一些抑制因素,但相比过去的诊疗方式,我们可以看到大数据在当今诊疗过程中的意义。传统意义上,诊疗依赖于病史、医学检验和实验室检查结果。如今,一系列新的数据表正在由用户的可穿戴和家庭健康设备(如血压监控仪或胰岛素泵)产生,这部分数据是有很大参考价值的。一些创新者正在试验,希望这些数据对于临床也可以起到直接有效的作用。

个性化的医疗服务

因每个人疾病史和基因构成的不同,所以标准化治疗方案根本不适合所有人。但是每个人的特征却对定制化的服务很有用。随着基因测序成本的下降、蛋白质组学(蛋白质分析)的出现,以及越来越多能够提供实时数据流的传感器、监视器和诊断技术的突破,患者的数据集将变得越来越精细。未来的创新技术(如免疫和CRISPR/Cas9 基因组定点编辑技术)可以最大限度地提高每个人的体格。

先进的分析方法可以将标准化的疾病治疗转化为个性化的风险评估、诊断、治疗和监测。一些医疗服务方已经应用在工作中,临床发展潜力无限。如,美国中西部地区的一个医疗保健系统Essentia Health,就正在对充血性心力衰竭患者进行家庭监护,将30天再住院率降到2%,远低于全国25%的平均水平。

麦肯锡:大数据时代下的医疗如何崛起?

1、医疗的现状与未来

在医疗领域,个性化是基于患者的生物标志物、遗传情况和具体症状的数据来实现的。使用这些精细化数据,可以确定量身定制的个人治疗方案。除此之外,个性化医疗其实可以改变整个健康医疗大系统。

在世界上许多国家,尤其是美国,信息透明度的缺乏导致医疗健康系统机能失调。大多数患者的现状是,只有当他们已经患病时才会主动进入医疗机构接受诊疗。并且诊疗服务的重点也不是为了优化病人的体验或体现诊疗价值。导致这一现状的原因是个人健康数据一般是不会提供给患者本人的,所以他们不能及早发现并调整自身情况,只有当生病时才会去就医。这样看来,显然更好地利用数据可以帮助用户在没有生病前就了解到自身的健康风险所在,这也是对自己健康负责的关键所在。医疗保险公司也可以通过数据来了解他们的客户。通过敦促客户针对潜在的健康问题采取预防性措施,从而降低医疗保险费用支出。

在整个医疗健康系统中,当前状的态是:患者沿着一个统一化、标准化的治疗流程进行诊疗。什么是标准化的路径呢?

患者只有在患病时才主动进入医疗健康系统;

诊疗服务重点不是为了优化的病人的体验或体现诊疗价值;

相同的疾病,医生会对所有患者均采取相同的临床指导方案。

将数据分析用于医疗的未来状态应该是:医生对患者持续进行监测和给予个性化治疗方案,并在最佳时机完成健康干预。那么,未来诊疗的具体路径又是怎样的?

持续性监测和风险评估;

最大限度地提高诊疗服务的价值;

针对每个个体提供个性化的治疗方案。

有机构预测,医疗领域在应用数据分析后,人均GDP将提高200美元,国家在医疗卫生领域的支出将减少5%~9%,人类的平均寿命将增1年。

2、个性化医疗过程中的利益相关者们

即使国与国之间的医疗环境差异蛮大,个性化医疗的到来将可能改变整个系统利益相关者的命运,下面主要讨论美国的医疗系统,但对全球医疗仍有参考价值。

医疗服务方

为了提供真正的个性化医疗服务,服务方需要集成电子病历系统中的数据来获取患者的一个完整的病情视图。具体的操作方式是利用庞大的病历数据集来搭建智能的临床决策支持工具。

其中,医疗服务方面临的挑战是如何管理这些源源不断的数据流,并将它们应用到医疗中。一个形象的场景是,今天医生看到的是一位哮喘患者。而在未来,医生将会看到哮喘患者的日常活动数据、遗传标记情况和哪类蛋白质表达升高等信息。因此,医生和监管机构需要仔细考虑如何利用这些有价值的信息来进行疾病的预防和治疗。对于国家来说,可能需要调整医疗健康系统内的财政奖励,并转向以价值为基础的医疗保健体系,更强调诊疗过程中“预防”的重要性,以此来推动个性化医疗的发展。

支付方

支付方可以使用数据分析来促进整个医疗系统的价格透明度。在支付方、服务方和制药企业之间建立新的合作关系,并搭建可能对提高价格透明度有所帮助的新的绩效薪酬模式。支付方将会越来越多地参与患者的诊疗过程。虽然建立新的合作关系和搭建新模式的过程可能相当缓慢,但是我们相信,数据丰富的大环境将增强支付方改变的决心。

制药企业和医疗设备企业

大数据和先进的分析方法可以让制药企业的药物预测建模更为精准,加速药物开发过程。制药公司还可以利用基因组学和蛋白质组学的数据,加上数以百万计的患者诊疗记录来设计更好的药物治疗方案。制药企业需要做的是,创新他们的商业模式,为小范围的目标人群提供精准的治疗方案。虽然这一改变会让制药企业面临大的挑战,但个性化医疗在肿瘤领域的应用是对其他疾病领域进行个性化的激励。

3、完成个性化医疗需要做到的三点

将数据分析用于医疗领域会降低成本,延长人类寿命,让人们享受更健康、富有的精彩生活。在医疗服务中,预估最有潜力的三个环节是:远程监测、导诊、个性化医疗。虽然围绕“个性化”产生的大部分讨论都集中在最后一个维度,但如果可以结合激励机制设计以预防和以价值为基础的服务模式,那么远程监测和导诊也可以发挥更大的作用。

完成个性化医疗需要做到哪几方面?

首先,服务方可以使用物联网和数据分析来远程监测患者,在症状严重前就及时进行干预和调整。对于治疗像糖尿病、心血管疾病和呼吸系统疾病这类慢性病,物联网的远程监测与数据分析是一种革命性的治疗手段。这些监测技术的使用大大降低了患者的治疗成本。在新的商业模式中,服务方不妨可以使用这些技术,并结合健康干预措施,来打造一个关注预防、疾病管理和健康解决方案的新疾病管理机制,在用户生病前就帮助解决健康问题。

其次,患者需要在第一时间获得匹配的诊疗方案,让他们远离高成本、高风险的医疗点,此外,创建健康风险监测机构也是非常有必要的,并在其中应用数据分析技术,开展前瞻性的健康风险评估,预测并发症。这样做可以避免不必要的住院时间延长,降低医疗保险支出。 

最后,也是最关键的一环,就是为每位患者匹配个性化的治疗方案。这可以由人工智能驱动的临床决策支持系统来完成,人工智能系统可以通过梳理数百万患者病历、基因组序列以及其他健康行为数据来确定对个体最有效的治疗方案。这样可以最大限度地提高药物、手术和其他治疗方案的疗效,减少不必要的浪费和有害副作用。

动脉网公众号:vcbeat,后台回复关键词“基因检测”,获取动脉网独家研究报告《消费级基因检测市场报告》

在麦肯锡发布的报告《大数据的下一个前沿:创新、竞争和生产力》中,它看好5大应用领域,分别是欧洲公共领域、美国健康医疗、制造业、美国零售业以及基于地理位置的服务。就现在回头来看,大数据的确是大玩了一把。

其中,影响最大的是零售业和基于地理位置的服务,因为这两个领域的用户以数字土著(那些出生于80年代末,90年代初这一批及其以后的年轻一代人)为主,所以传播也最快,数量级也就最大。相比之下,制造业、公共领域和健康医疗影响就没那么深了。据统计,数据分析体现的价值还不到5年前预估潜在价值的30%。也就是说,它们之间的差距在越拉越大。

数据分析在5大领域中实现的潜在价值占比(2011年)

此外,数据分析还创建了几大颠覆性创新模式。下面简述几种能打破既定产业格局、突破信息孤岛和创建新格局的新型数据集。如超大规模数字平台可实现实时交易,这对效率低下的商品市场是很有用的;精细化数据可用于个性化产品/服务的设计,尤其是医疗;而新的分析技术可以促进发现创新。综合来看,数据分析让循证决策更精准更高效。

所以在大数据商业探索的过程中,利益相关者们可能会从变化莫测的数据分析中迷失,不知所措。不过在医疗领域却又是另一番景象,因为法规会对此进行约束,从而产生阻碍。2011版报告预估,数据分析在医疗领域每年能够产生3000亿美元的潜在价值,年生产增长率为0.7%。但2011年只能实现10~20%,也即产生300~600亿美元的价值。原因有两个,一个是需要临床试验证明;再一个就是数据共享与互操作的实现还存在大量问题。

截至目前,美国健康医疗仅仅抓住了数据分析在医疗领域中10~20%的机会。还有一系列问题亟待解决,比如缺乏激励、机构改革困难、技术人才短缺、数据共享挑战和法规监管。

但也确实取得了一些成效,如临床上,最大的成功就是电子病历的采用,虽然目前看来其中的海量数据尚未完全挖掘出来。但支付方已经在逐步利用大数据来制定报销决策,因此数据分析在公共卫生监督方面将产生创新性效用。另外,许多制药企业也在将数据分析应用在研发上,尤其是在简化临床试验方面。但如果继续落后半拍,将会错失大量改革临床护理和个性化用药的机会。

数据分析实现个性化

数据分析可以从深层次将事物区别开来,最强大的功能之一就是基于人的特征给人群贴标签,由此向用户提供个性化的服务/产品,比如教育、旅游休闲、传媒、零售、广告等行业。

如果将这些与患者的行为、基因、分子数据连接起来,将会对医疗服务产生深远影响。基因组测序的成本下降,蛋白质组学的出现,以及实时监测技术的发展有可能产生出一种新的超精细化数据。

这些数据可以以两种方式重新定义健康医疗。第一个,它们可以帮助解决医疗系统的信息不对称和激励问题。这样在看到患者的一个病情完整数据图后,医院和其他医疗服务方就可能将焦点从治病转为预病及健康管理,从而节约巨额的医疗支出和改善生活质量。其次患者拥有精细化的数据就可以实现精准诊疗。制药企业和医疗设备公司也可借此提升药物研发效率。但是它们有一个挑战就是,要向更小范围的目标患者提供治疗方案。

海量信息突破信息孤岛

在产品创新上,数据分析在材料科学、合成生物学和生命科学领域产生了重大影响,比如药企巨头正在使用数据分析进行药物开发,从而确定药物化合物,作为一种治疗多种疾病的有效药物。如在2016年4月,阿斯利康与美国测序公司Human Longevity、英国桑格研究院以及芬兰分子医学研究所展开合作进行200万例全基因组测序,为今后的药物研发提供指导。而且,阿斯利康将从公司的临床试验中选取50万份样本用于全基因组测序。

根据协议,阿斯利康将要建立一个专门的基因组学研究中心,将临床样本的基因组测序数据和相关的临床治疗和药物反应信息有效整合。阿斯利康还计划公开发表此次合作项目中的所有研究结果。这种模式在推进科技和药物开发中非常有价值。

数据分析在医疗领域内的潜在机会

我们强调的机会有五大类:临床、报销、研发、商业模式创新和公共卫生。在临床中,主要的成功就是电子病历的快速扩张,已经从2010年的15.6%提升到2014年的75%,这其中很大的推动来自平价医疗法案的实施。如Sutter Health,它的新EMR系统要比旧系统快40倍,而且在预测再住院率上准确率大大提高。

支付方也在逐步开始利用大数据制定报销决策,而且已经可以看到一些趋势。加上国家级医疗保险和医疗补助服务中心的动作,医疗价格的透明度已有所提高,同时超过30个州建立了所有保险索赔数据库以作为大型报销信息库。几家保险公司也因此盈利,比如联合健康集团的一个业务板块Optum就通过梳理处方药的索赔记录帮助雇主节约医疗支出。

对于制药企业来讲,算是取得了更大进展,许多公司应用数据分析助力研发。大多数制药企业在从动物试验到I期临床试验期间,使用预测模型来优化给药,但数据分析还没应用于后期的试验中,如各类药物临床试验入组和排除标准。此外在研发上的应用可以快速确定目标人群,从而节约时间,降低成本。如合同研究组织(Contract research organizations)比5年前应用更广泛,以前是使用统计工具改善临床试验管理,现在可以从数据中得出更多结论。一些领先的玩家一直在使用临床试验数据来给药物贴标签(也就是说,看药物有没有其他用途)。同时,FDA与医疗保险公司和电子病历提供商合作开展Sentinel Initiative项目,收集1.78亿患者的药品不良反应的数据。

在商业模式创新上也不断生根发芽,例如Explorys,一家可以查看4000万份美国患者病例的分析公司,在2015年4月被IBM收购,来加强其健康数据分析工作力度。

患者交流社区(如PatientsLikeMe)也是一个不错的数据源,它在公共卫生监测中的应用正在产生新的重要作用,如2014年爆发的埃博拉和齐卡病毒。

总之,想要整合数据分析,医疗领域还有很长的路要走。但同时,这个可能性要比5年前设想的大得多。我们不要心急,随着尖端技术的慢慢渗,整个医疗系统会随之革新。在将来,随着深入学习的进步,尤其是自然语言和视觉技术的发展,可能有助于医疗活动的自动化,节约劳动力成本。现在一家医院劳动力成本占了60-70%,这将是一个重要的商业机会。

那么,数据分析应用在医疗领域存在的问题又是什么呢?答案即为缺乏可以让数据实现交互性的操作。患者的生理数据常常存在于不同的系统中,各个系统不能便捷地实现无缝信息共享。

医疗领域的数据共享,存在很多抑制其进共享的因素。例如,服务方和制药企业可能不愿与支付方共享更多数据,因为数据可能会暴露企业的盈利模式。除此之外,在个人健康管理的过程中,收集数据的可穿戴暂时还没有显示出临床应用价值。同时,鉴于医疗健康行业的大环境和政府政策,导致数据的利用过程可能会比较缓慢。

不过虽然数据分析在医疗的应用存在一些抑制因素,但相比过去的诊疗方式,我们可以看到大数据在当今诊疗过程中的意义。传统意义上,诊疗依赖于病史、医学检验和实验室检查结果。如今,一系列新的数据表正在由用户的可穿戴和家庭健康设备(如血压监控仪或胰岛素泵)产生,这部分数据是有很大参考价值的。一些创新者正在试验,希望这些数据对于临床也可以起到直接有效的作用。

个性化的医疗服务

因每个人疾病史和基因构成的不同,所以标准化治疗方案根本不适合所有人。但是每个人的特征却对定制化的服务很有用。随着基因测序成本的下降、蛋白质组学(蛋白质分析)的出现,以及越来越多能够提供实时数据流的传感器、监视器和诊断技术的突破,患者的数据集将变得越来越精细。未来的创新技术(如免疫和CRISPR/Cas9 基因组定点编辑技术)可以最大限度地提高每个人的体格。

先进的分析方法可以将标准化的疾病治疗转化为个性化的风险评估、诊断、治疗和监测。一些医疗服务方已经应用在工作中,临床发展潜力无限。如,美国中西部地区的一个医疗保健系统Essentia Health,就正在对充血性心力衰竭患者进行家庭监护,将30天再住院率降到2%,远低于全国25%的平均水平。

1、医疗的现状与未来

在医疗领域,个性化是基于患者的生物标志物、遗传情况和具体症状的数据来实现的。使用这些精细化数据,可以确定量身定制的个人治疗方案。除此之外,个性化医疗其实可以改变整个健康医疗大系统。

在世界上许多国家,尤其是美国,信息透明度的缺乏导致医疗健康系统机能失调。大多数患者的现状是,只有当他们已经患病时才会主动进入医疗机构接受诊疗。并且诊疗服务的重点也不是为了优化病人的体验或体现诊疗价值。导致这一现状的原因是个人健康数据一般是不会提供给患者本人的,所以他们不能及早发现并调整自身情况,只有当生病时才会去就医。这样看来,显然更好地利用数据可以帮助用户在没有生病前就了解到自身的健康风险所在,这也是对自己健康负责的关键所在。医疗保险公司也可以通过数据来了解他们的客户。通过敦促客户针对潜在的健康问题采取预防性措施,从而降低医疗保险费用支出。

在整个医疗健康系统中,当前状的态是:患者沿着一个统一化、标准化的治疗流程进行诊疗。什么是标准化的路径呢?

患者只有在患病时才主动进入医疗健康系统;

诊疗服务重点不是为了优化的病人的体验或体现诊疗价值;

相同的疾病,医生会对所有患者均采取相同的临床指导方案。

将数据分析用于医疗的未来状态应该是:医生对患者持续进行监测和给予个性化治疗方案,并在最佳时机完成健康干预。那么,未来诊疗的具体路径又是怎样的?

持续性监测和风险评估;

最大限度地提高诊疗服务的价值;

针对每个个体提供个性化的治疗方案。

有机构预测,医疗领域在应用数据分析后,人均GDP将提高200美元,国家在医疗卫生领域的支出将减少5%~9%,人类的平均寿命将增1年。

2、个性化医疗过程中的利益相关者们

即使国与国之间的医疗环境差异蛮大,个性化医疗的到来将可能改变整个系统利益相关者的命运,下面主要讨论美国的医疗系统,但对全球医疗仍有参考价值。

医疗服务方

为了提供真正的个性化医疗服务,服务方需要集成电子病历系统中的数据来获取患者的一个完整的病情视图。具体的操作方式是利用庞大的病历数据集来搭建智能的临床决策支持工具。

其中,医疗服务方面临的挑战是如何管理这些源源不断的数据流,并将它们应用到医疗中。一个形象的场景是,今天医生看到的是一位哮喘患者。而在未来,医生将会看到哮喘患者的日常活动数据、遗传标记情况和哪类蛋白质表达升高等信息。因此,医生和监管机构需要仔细考虑如何利用这些有价值的信息来进行疾病的预防和治疗。对于国家来说,可能需要调整医疗健康系统内的财政奖励,并转向以价值为基础的医疗保健体系,更强调诊疗过程中“预防”的重要性,以此来推动个性化医疗的发展。

支付方

支付方可以使用数据分析来促进整个医疗系统的价格透明度。在支付方、服务方和制药企业之间建立新的合作关系,并搭建可能对提高价格透明度有所帮助的新的绩效薪酬模式。支付方将会越来越多地参与患者的诊疗过程。虽然建立新的合作关系和搭建新模式的过程可能相当缓慢,但是我们相信,数据丰富的大环境将增强支付方改变的决心。

制药企业和医疗设备企业

大数据和先进的分析方法可以让制药企业的药物预测建模更为精准,加速药物开发过程。制药公司还可以利用基因组学和蛋白质组学的数据,加上数以百万计的患者诊疗记录来设计更好的药物治疗方案。制药企业需要做的是,创新他们的商业模式,为小范围的目标人群提供精准的治疗方案。虽然这一改变会让制药企业面临大的挑战,但个性化医疗在肿瘤领域的应用是对其他疾病领域进行个性化的激励。

3、完成个性化医疗需要做到的三点

将数据分析用于医疗领域会降低成本,延长人类寿命,让人们享受更健康、富有的精彩生活。在医疗服务中,预估最有潜力的三个环节是:远程监测、导诊、个性化医疗。虽然围绕“个性化”产生的大部分讨论都集中在最后一个维度,但如果可以结合激励机制设计以预防和以价值为基础的服务模式,那么远程监测和导诊也可以发挥更大的作用。

完成个性化医疗需要做到哪几方面?

首先,服务方可以使用物联网和数据分析来远程监测患者,在症状严重前就及时进行干预和调整。对于治疗像糖尿病、心血管疾病和呼吸系统疾病这类慢性病,物联网的远程监测与数据分析是一种革命性的治疗手段。这些监测技术的使用大大降低了患者的治疗成本。在新的商业模式中,服务方不妨可以使用这些技术,并结合健康干预措施,来打造一个关注预防、疾病管理和健康解决方案的新疾病管理机制,在用户生病前就帮助解决健康问题。

其次,患者需要在第一时间获得匹配的诊疗方案,让他们远离高成本、高风险的医疗点,此外,创建健康风险监测机构也是非常有必要的,并在其中应用数据分析技术,开展前瞻性的健康风险评估,预测并发症。这样做可以避免不必要的住院时间延长,降低医疗保险支出。

最后,也是最关键的一环,就是为每位患者匹配个性化的治疗方案。这可以由人工智能驱动的临床决策支持系统来完成,人工智能系统可以通过梳理数百万患者病历、基因组序列以及其他健康行为数据来确定对个体最有效的治疗方案。这样可以最大限度地提高药物、手术和其他治疗方案的疗效,减少不必要的浪费和有害副作用。

动脉网公众号:vcbeat,后台回复关键词“基因检测”,获取动脉网独家研究报告《消费级基因检测市场报告》

关键字:医疗领域数据分析生物标志物

本文摘自:36kr

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^