大数据时代的SFE小角色

SFE作为制药企业中的一个部门，看待大数据、信息化总是从医药公司的角度出发。其实，制药企业只是整个医疗行业中很小的一部分。

在整个医疗行业中，大数据日益重要。现在的大数据分析技术也能处理相比20年前更大量、多样、实时（Volume、Variety、Velocity）的数据。

大数据时代

在麦肯锡的《医疗行业的大数据革命》报告中指出，大数据将节省12~17%的医疗成本。以美国目前的2.6万亿美元医疗开支计算，相当于节省3000~4500亿美元。

在目前医疗服务业5大领域（临床业务、付款/定价、医药研发、新的商业模式、公众健康）中，大数据的分析和应用都将发挥巨大的作用，提高医疗效率和医疗效果。

临床业务上的应用：

比较效果研究、临床决策支持系统、医疗数据透明度、远程病人监控、对病人档案的先进分析

付款、定价：

自动化系统、基于卫生经济学和疗效研究的定价计划

医药研发：

预测建模、提高临床试验设计的统计工具和算法、临床实验数据的分析、个性化治疗、疾病模式的分析

新的商业模式：

汇总患者的临床记录和医疗保险数据集、网络平台和社区

公众健康：

公共卫生部门可以通过覆盖全国的患者电子病历数据库，快速检测传染病，进行全面的疫情监测，并通过集成疾病监测 和响应程序，快速进行响应。

罗伯特·瓦赫特在《数字医疗》一书中将目前可预知的医疗卫生信息化过程分为4个发展阶段。

第一阶段：实现整个医疗卫生服务体系的数字化；

第二阶段：不同的医疗信息系统间实现互联；

第三阶段：充分发挥医疗大数据的价值；

第四阶段：创造技术工具、完善医疗制度、建设医疗机构、改进医院文化，在前三个阶段的基础上，提升大众健康和改善医疗质量。

如果将这四个阶段高度概括的话，可总结为“建库、互联、AI和落地”。

大数据再配以机器学习，就构成了AI医疗的基础。

谷歌旗下人工智能子公司-“深度思维”（DeepMind），其最知名的人工智能就是“阿法狗”。在战胜围棋世界冠军柯洁后，该公司就宣布此后这一程序不再参加到人机大战的竞技中去。

最新参与的医疗行业应用是从视网膜图像，辅以各种因素如年龄、性别、吸烟史、血压等数据中，可以预测心血管疾病的风险，他们构建的系统使用了130,000个视网膜图像进行训练，成功率7成左右。

国内医疗数据现状

近年来我国老龄化程度日益加重，且慢性疾病人群庞大，所以对医疗资源的需求逐年增加。医疗资源的配置合理性也有待大幅提高。同时，现行医疗保险支付压力大，且商保不能有效补充，对医疗的支付控费需求强烈。

所以，加大医疗行业数据的应用，以进一步推进人工智能和AI医疗，提高医疗效率，是必然的趋势。

2017 年7月20 日，国务院正式印发《新一代人工智能发展规划》，将人工智能上升为我国国家战略。

《规划》重点提出应加快人工智能创新应用，为公众提供个性化、多元化、高品质服务，包括：

推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系；

探索智慧医院建设，开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊；

基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发，推进医药监管智能化；

加强流行病智能监测和防控。

国家毫无疑问在推进医疗行业的数据信息化，通过国有资本相关的市场企业实现。市场企业通过帮助医疗数据信息化，寻求商业变现。大方向应该是这样的。所以，乐观的话，三到五年整个医疗行业数据或者信息化会有明显的进步。

当然，目前国内医疗行业的大数据地域、行业分割严重，仍需要进一步的融合、格式化及标准化。

一方面，各地医疗机构的信息系统由多个信息化厂商提供，缺乏统一的建设标准指导；

另一方面，医院部门间、医院间数据不开放，共享难。医疗服务机构数据（如电子病历、影像、放射、基因等）、药店数据、医药研发数据、商业保险数据等系统接口未打通，不能形成数据闭环。

通过智能可穿戴设备收集的个人健康数据，也未能形成共享和连通。

从量变到质变，时间的积累以及创新是解决问题的关键。‍‍

‍

‍

‍‍‍‍

SFE为什么要“关心”大数据？

确实，就目前制药行业的数据应用情况，在SFE日常工作范围内，3~5年内暂时不会有很大的变化。

在医药公司里，SFE很多时候扮演的是IT和业务之间的桥梁。

对于IT部门来说，SFE就是业务的代表，大部分跟业务相关的系统或者技术运用，都是通过跟SFE合作而实现。而对于真正代表业务的销售、市场部门来说，SFE就是他们眼中的“Geek”。销售、市场提出业务上的需求和应用场景，而SFE会把这些内容付诸以各种系统和工具去支持业务的需求。

大数据时代，制药企业需要跟上时代的变革，企业内部也需求懂得业务和大数据应用的人员。而SFE懂业务、懂数据结构，天然是未来企业内部Data Scientist的摇篮。

那么从SFE到Data Scientist需要什么样的思维方式和技能呢？

从思维方式和技能来说，未必需要SFE会写SQL或者其他IT编程语言，毕竟SFE不是专业的IT人士，而且IT相关的技能日新月异。但是SFE需要具备“编程思维”。

编程思维，最重要的就是抽象分析能力和逻辑思考能力。

因为在编写程序是，首先需要把一件事情抽象出来，再用逻辑化的方法表达出来，所以编程的过程，就是锻炼抽象思维和逻辑表达能力的过程。

再具体点说，通过分解、模式识别、抽象和算法四个步骤，一个棘手的复杂问题先被拆解成一些列容易解决的小问题；每个小问题被单独检视、思考，设计解决方案；然后聚焦几个重要节点，形成解决思路；最后，设计步骤，执行，进而问题得到解决。

SFE的人员在日常工作中，把对业务、管理的理解和解读进行抽象化、数据格式化以及系统逻辑化，是非常必要的。

未来铺面而来，你准备好了吗？

图片@网络，版权归原作者所有