美国医疗集团巧用算法让医疗数据物尽其用

Sanford健康是一个价值45亿美金的乡村综合医疗系统，为300多个社区的近250万人提供医疗服务，覆盖面积达25万平方英里。在这期间，Sanford健康收集了大量的病人健康资料，包括从入院、诊断、治疗到出院的全过程，甚至连一些医患之间的网络交流信息和医院自身的信息也都收入囊中。这些信息无疑将成为医院未来发展一笔财富，但是关于如何使用这些医疗信息，任然没有统一的答案。

尽管Sanford拥有良好的信息硬件设施，包括一支优秀的信息汇总及分析团队，强大的独立虚拟数据可连接所有数据竖井，以及严格的信息管理，但该集团还是决定和其他专业数据公司合作来解决这一难题。

Sanford直接从学术界选择合作伙伴，如大学的数学、科学、信息技术学院和医学院等，并同他们一起寻求改善医疗服务和降低医疗成本的方案。作为交换，Sanford为这些合作伙伴提供大量因为隐私保护和同业竞争协议等原先不予公开的医疗数据。大学科研机构可以通过这些数据进一步加深对医疗数据的研究并同时为医疗服务提供现实的解决方案。

Sanford和合作机构对医疗数据的研究已经进入第二年，其成效吸引了越来越多的区域和国家的机构加入其中。通过对医疗数据不断地研究和摸索，Sanford逐渐发现了可以改善医疗服务、患者参与度和诊疗过程的数据驱动创新方法，其中有三个创新应用极有潜力：

发展“规范计算机算法”

对于慢性疾病，疏于治疗和反馈迟缓都会导至急诊风险增大或是增加可避免的住院数。一线医疗工作人员可以通过辨识具有潜在此类风险的病人，了解他们就医和行为特点，从而提供更有针对性的医疗服务。

Sanford携手北达科他州立大学医学院的人口健康部，共同研发出一个旨在预估糖尿病患者紧急就医风险的新型计算机算法。此算法基于前沿的机器学习分析，可以以 80%的准确率预测任何一个给定的糖尿病人需要紧急医疗服务的可能性。算法借助病人大量的医疗数据，包括吸烟情况、身体质量指数、既往诊断治疗史等作出判断。该算法已被用于试点医疗机构，有望在不久将来被大规模推广使用。

增加病人参与度

病人参与度的提升对于病人自身的健康有决定性的作用。极为不幸的是，度量病人参与度非常困难。主要表现在：1. 耗时；2. 病人参与调查意愿低；3. 愿意参与调查的病人普遍属于参与度高的病人，从而影响了数据的准确性。综上所述，医疗系统就不能很好地研究病人参与度对医疗的影响。

为了解决这一难题，Sanford联手北达科他州立大学信息科学和卫生科学学院共同研发出了一个用于测算病人参与度的计算机算法。该算法通过学习慢性疾病患者的既往行为研究，得出的数据可以更为准确地反映病人的急诊和住院风险。算法得数包括诸多因素，如病人对网络医疗数据的使用情况和按时就医等信息，医务人员可以根据这些信息尝试改变病人的就医行为，改善医疗服务。

改善医疗服务可及性

医疗机构人员变动一直是医疗服务面临的重大难题。这些问题在美国乡镇地区显得尤为突出，这些地区很难招募和吸引一线医疗工作从业人员。为了应对这一难题，Sanford携手沃顿商学院对这一问题进行了深入的研究。研究不仅仅止于预测医疗从业者的去留，更为重要的是为未来政策的制定提供坚实的基础。

尽管Sanford联合数据研究才在起步阶段，但是对于改善医疗服务产生的结果是可喜的。Sanford对病人数据隐私在保护的基础上通过跨平台合作达到了诸多满意的结果。通过针对性治疗，减少不必要的急症和改善医疗服务可及性等诸多医疗数据应用，相信Sanford和越来越多的医疗机构可以通过对数据的应用，使“智能医疗”越走越远。