7、医疗大数据与机器学习：开启与挑战

医疗大数据与机器学习：开启与挑战

1. 医疗大数据分析2.0的起步

在医疗领域开展成功的分析2.0工作，需从项目早期着手。首先，要争取合适的赞助并构建清晰且有吸引力的用例。赞助至关重要，没有它，项目可能在产品完成前就因挫折和困难而失败。用例则是项目团队和赞助者判断进展和轨迹的指引，能限制范围蔓延并设定成功参数。

其次，了解技术基础设施很关键。医疗组织中传统的关系型数据库管理系统（RDBMS）平台虽常见且特征明确，但分析2.0环境通常由开源应用构建。尽管这些应用免费，但有许多供应商可协助创建支持生态系统，让机构在构建和维护生产环境时不孤立无援。

再者，对用于操作和管理数据集的工具进行初始盘点是必要的。在考虑扩展前，了解已有工具很有帮助。许多供应商已创建从分析1.0到2.0世界的迁移路径，选择现有供应商可利用现有培训和关系。不过，若主要基于开源创建自己的工具生态系统，虽能降低成本，但会增加交付时间和项目整体风险。

另外，要了解组织环境的成熟度。对于分析1.0能力成熟的机构，分析2.0成功所需的许多学科已存在，只需扩展和完善；而对于环境不成熟的组织，数据发现、数据特征化和数据目录创建等能力至关重要，支持这些工作的工具可从供应商处获取或使用开源替代方案。

同时，要了解项目可用的数据源。纳入第三方供应商和政府来源的数据有助于展示引入新数据进行分析的强大力量，这些数据源特征明确且成本较低。还要理解分析2.0环境中数据保真度与分析1.0环境中数据质量的作用差异，大数据的多样性和速度要求根据数据保真度对真实性有上下文理解，遵循相关框架可获得实用建议。此外，了解目标消费者的成熟度也很重要，精心设计的用例能让客户采用并利用见解规划业务轨迹，创建使项目团队更接近