『壹』 大數據在醫療行業的應用有哪些
大數據專業屬於交叉學科：以統計學、數學、計算機為三大支撐性學科；生物、醫學、環境科學、經濟學、社會學、管理學為應用拓展性學科。所以大數據在眾多行業都有應用，下面說說其在醫療領域的應用。
隨著互聯網規模不斷的擴大，大數據正在改變著這個時代的絕大一部分的行業或者企業，醫療行業也不例外，醫療健康正在成為人們關注的重點問題，以智能化、數字化為特徵的醫療信息化正在蓬勃興起，醫療行業的數據類型也在向海量、復雜、多樣的類型方式轉變。
1.就醫數據進行電子化管理
對電子醫療記錄的收集，包括個人病史、家族病史、過敏症以及所有醫療檢測結果等。在信息系統中進行分享，每一個醫生都能夠在系統中添加或變更記錄，而無需再通過耗時的紙質工作來完成。這些記錄同時也能幫助病人掌握自己的用葯情況，同時也是醫學研究的重要數據參考。
2.健康預測
通過智能手錶等可穿戴設備的數據，建立健康預測模型，通過這些可穿戴設備持續不斷地收集健康數據並存儲在雲端，實時匯報病人的健康狀況。應用於數百萬人及其各種疾病的預測和分析，並且在未來的臨床試驗將不再局限於小樣本，而是包括所有人。
3.醫學影像以及臨床診斷
通過讓大數據機器人來識別記住各類海量的醫學影像，例如X射線、核磁共振成像、超聲波……等各種的圖像。對大量病歷進行深度挖掘與學習，訓練其對影片的診斷，最終實現輔助醫生進行臨床決策，規范診療路徑，提高醫生的工作效率。
4.葯品研發
利用大數據進行數據建模並進行分析，預測葯物的臨床結果，可以為臨床階段的實驗結果提供參考，節省臨床階段的時間並優化臨床實驗結果。制葯公司也可以通過數據建模進行分析，從而生產出治療成功率更高的葯品並極大地縮短葯品從研發到投入市場的時間。
『貳』 關於大數據的九點思考 沒有你想的那麼神奇
關於大數據的九點思考：沒有你想的那麼神奇
大數據思考之一
任何一個網站的數據都是人們互聯網行為數據的很小的一個子集，無論這個子集多麼全面，分析多麼深入，都是子集，不是全集。對於企業來講，競爭對手的數據價值遠遠超過自己網站數據的價值，從量級上，對於所有公司都一樣，自己擁有的數據遠遠小於全集數據。看起來的全數據恰恰是殘缺數據。
大數據思考之二
數據量的大幅增加會造成結果的不準確，來源不同的信息混雜會加大數據的混亂程度。研究發現：巨量數據集和細顆粒度的測量會導致出現「錯誤發現」的風險增加。那種認為「假設、檢驗、驗證的科學方法已經過時」的論調，正是大數據時代的混亂與迷茫，人們索性擁抱凱文凱利所稱的混亂。
大數據思考之三
互聯網用戶的基本特徵、消費行為、上網行為、渠道偏好、行為喜好、生活軌跡與位置等，反映用戶的基本行為規律。體系完整是所有分析性工作的第一步，完整的框架甚至勝過高深的模型。人類的認識最大的危險是不顧後果的運用局部知識。如果只關心自己網站數據，其分析基礎必然是斷裂數據。
大數據思考之四
現在談到大數據，基本有四個混亂觀念：第一，大數據是全數據，忽視甚至蔑視抽樣；第二，連續數據就是大數據；第三，數據量級大是大數據；第四，數據量大好於量小。對應的是：抽樣數據只要抽樣合理，結論准確；連續只是一個數據結構；大量級的噪音會得出錯誤結論；大小與價值關系不大。
大數據思考之五
大數據不是新事物，天氣、地震、量子物理、基因、醫學等都是，借鑒他們的方法有益。他們用抽樣調查。互聯網數據挖掘方法論也如此，不同的是更難，因為人的復雜性。既然是關於人的研究就需應用所有研究人的方法梳理大數據。只要懂編程、懂調動數據的人就可以做大數據挖掘的說法是謬誤。
大數據思考之六
大數據分析中分析構架為第一要著，演算法也極為關鍵，在最近的大數據處理中發現：解析網址後的分類是是一個難點，主要有幾個方面，一個千萬人的網路行為數據一天產生的域名大約50000個，雖然有一些演算法，但是混淆、難以辨認、連續更新與判別是分析中的重要步驟，簡單分易，精細分難。
大數據思考之七
演算法中，只要包含文本，就必然有兩個關鍵基礎技術：關鍵詞（字典）與語義分析，關鍵詞技術成熟，語義技術是瓶頸，中文語義太難，能解決50%的團隊就不錯了，尤其是社交語言，比如＂真可以！＂何解？需上下文。希望風投們多鼓勵此類基礎技術研發，突破此瓶頸是大數據挖掘的關鍵點之一。
大數據思考之八
社交數據挖掘中，很多團隊集中在運用推特瀑布思路，就是可視化技術，其構圖精美值得稱道，問題是，其理論還是沿用三十多年前的社會計量法，概念還是局限在點、橋、意見領袖等小群體分析，不適合巨網，突破可視化框架的社交分析需要理論探索和實踐努力。
大數據思考之九
移動互聯網對社會生活的影響本質是時間與空間的解構，分析這類大數據需要把握這兩點，如果僅僅分析app和網路使用行為，那麼分析上就失去了移動的意義。單純看流量、點擊率等簡單數字無法解決復雜的營銷問題。不創新的延續原有思維模式是人類思考惰性。
以上是小編為大家分享的關於關於大數據的九點思考 沒有你想的那麼神奇的相關內容，更多信息可以關注環球青藤分享更多干貨
『叄』 健康大數據分析技術有哪些
21世紀是以生命科學為主導、科學技術迅猛發展的世紀，科技競爭力已成為決定國家前途和命運的重要因素，是推動經濟發展、促進社會進步和維護國家安全的關鍵所在。醫學在生命科學中佔有極其重要的地位，衛生科技的創新和進步，將促進醫療衛生事業的發展，提高全民族的健康素質，增強中國的科技競爭力和綜合國力。世界最新醫學科研技術是包括醫學、葯學、分子生物學、數學、計算科學、以及大數據分析技術等多種學科和技術的綜合。
大數據分析技術主要包括是以最新應用數學、前沿計算科學和信息工程學為核心，以數據挖掘、數據倉庫、商務智能等智能化的信息科技技術為手段，它不僅能夠大幅提高傳統的醫學科研技術，而且在最新的分子生物技術的發展中也發揮著關鍵的作用。
一項新技術的採用，往往意味著全新的方向。如同倫琴射線在醫學上的應用，開創了全新的醫學視角一樣，隨後的CT,MRI,B-US,PETS等新技術的採用一次次的推動了醫學的發展，擴展了醫生的視野，如今，影像學已經是不可缺少的組成部分。信息學的重點是對一切可觀測的指標（如年齡，住址，性別，化驗，治療，影像等一切通過現有手段可以觀測的數據）整合後，結合應用數學，系統工程學，進行再分析、再處理。
少量的個案往往不足以揭示規律和知識，當數量足夠大時，規律才有可能顯現。所以整合成數據倉庫也是必要的。而規律並不僅僅浮在數據表面，所以統計學和數據挖掘成為必要的手段，而在線式的方法提高了速度，基於系統工程的向導式結構有利於穩定大數據分析質量。
當年倫琴射線引入醫學的時候，一定不會想到今日的局面。而將KDD引入醫學領域，在中國廣闊地域，巨大的人口基數下，基於這些特點形成的巨大的衛生信息數據，僅僅是用在線式的傳統方法就可以發現大量有價值的醫學知識，而結合數據挖掘，數據倉庫，系統工程，發現新知識的可能性更是大大增加了。
健康大數據分析技術
大數據分析技術主要包括：
以數據挖掘為核心的知識發現技術，
以數據倉庫為核心的數據整合技術，
以商務智能為核心的智能決策技術。
一、以數據挖掘為核心的知識發現技術
以數據挖掘為核心的知識發現技術可以直接挖掘醫學新知識，幫助科研人員加速取得科研成果，甚至重大科研發現。
運用多種數據挖掘技術探索數據規律，為科研人員的科研設計提供科學依據，為科研命題指明方向，保證了科研的成功率。
數據挖掘是一種突破傳統的分析手段，為各類科研技術提供新的技術方法，大大縮短科研和分析周期，深入揭示醫學潛在規律。
數據挖掘，又稱知識發現（KDD），是從大量的數據中，抽取潛在的、有價值的知識的過程。數據挖掘所探尋的模式是一種客觀存在的、但隱藏在數據中未被發現的知識。例如，KDD可直接挖掘疾病高發人群，疾病及症狀間的未知聯系，化驗指標間的影響關系及化驗指標與疾病間的潛在影響，對未知的檢驗項值進行預測等等。通過可觀測指標推斷不可觀測指標，或通過簡單易行的觀測指標推斷昂貴的或有創的指標。由簡而知繁，由易而知難。再如，在科研設計中利用聚類分析、因子權重分析，我們可以對數據進行科學分組、考察多因素的不同權重、幫助確定析因分析或嵌套分析等不同的科研設計。KDD在醫學中應用非常廣泛，為醫學研究提供傳統方法不能企及的前沿技術手段，例如：
聚類分析關聯規則分析因子權重分析回歸預測分析特性抽取分析
二、以數據倉庫為核心的數據整合技術
以數據倉庫技術為核心的醫學數據整合系統，獨立於已有的醫療機構業務系統，以全新的設計將分散的業務系統產生的不一致的數據進行整理、變換、集成，整合得到全面、高效、一致的信息。
數據倉庫技術還使得對歷史的全部海量數據進行在線的、實時的、深入的分析成為可能，並使其變得很輕松。
直接利用積累的現有醫學數據，使科研成本大大降低，相同的的科研經費取得更多科研成果。
應用數據倉庫的整合技術，使獲得大數據科研樣本數據易如反掌。
結合中國龐大的人口基數和橫跨寒帶溫帶熱帶的廣闊地域，可建成世界上最大的衛生信息數據倉庫，其全面的信息量是每個醫務人員夢寐以求的。如能與世界各國合作，共享，整合，將成為與人類基因組計劃齊名的壯舉。
三、以商務智能為核心的智能決策技術
應用成熟的專業分析系統提供一致的准確的實時的數據分析，為各級各方面衛生決策提供可靠依據，使資源和效率得到優化，還能從經營決策和管理上獲取經濟效益和社會效益。
將商務智能技術（BI）應用於衛生決策分析，使決策者擺脫傳統報表的束縛，以全新的先進的分析手段多維度地深入理解需要的數據，為廣泛而深入的分析提供了新的有力工具。
專業的分析報表如累計貢獻度分析，分攤百分比分析，嵌套排名分析等專業分析報表使決策者對歷史和現狀一目瞭然，對各種業務表現的因果關系能輕松的了如指掌。
健康大數據分析的應用
健康大數據分析技術在如下四個方面得到應用：
疾病與健康研究
環境與健康研究
醫葯生物技術研究
衛生宏觀決策支持
大數據分析技術將在以上方面發揮著特殊的作用。
『肆』 大數據挖掘在虛擬醫葯科研方面的思考
大數據挖掘在虛擬醫葯科研方面的思考
1.基於大數據挖掘的虛擬醫葯科研案例
數據挖掘發展到今天，按照時下的概念應該到了「大」數據挖掘的時代了。我們還是先從幾個相關案例開始吧。
1.1 虛擬臨床試驗-大數據採集
我們首先來看這樣一個案例。2011年06月，輝瑞制葯有限公司宣布開展一項「虛擬」臨床研究，該項研究是一個得到美國食品和葯物管理局批準的試點項目，首字母縮寫為「REMOTE」。「REMOTE」項目是在美國開展的第一項病人只需使用手機和互聯網、而不用重復跑醫院的臨床研究，該項目的目標是要確定此類「虛擬」臨床研究能否產生和傳統臨床研究一樣的結果。而傳統的臨床研究要求病人住在醫院附近，並且定期前往醫院或診所進行初次檢查和多次後續檢查。如果這一項目有效，那它可能意味著全美國的病人都能參加今後的許多醫學研究。這樣一來，原先的科研項目中未得到充分代表的群體將得以參加，數據收集速度將大大加快，而且成本也很可能會大幅下降，參與者退出的幾率也很可能會降低不少。
從上例中，我們可以看到，利用互聯網可以收集遠遠大於傳統臨床科研樣本數目的超大量病人的臨床數據，而且其中有些臨床數據可能來自於更加便捷的可穿戴健康監測設備。如果這樣的研究，在科研設計嚴謹、質量標准得到有效執行、各種誤差得到有效控制的情況下，科研的效率和成果的可信度可以顯著提高。正如輝瑞公司首席醫療官弗蕾達?劉易斯-霍爾所說的：「讓更多樣化的人群得以參與研究有可能會推動醫學進步，並為更多的病人帶來更好的療效。」
1.2 虛擬葯物臨床試驗-大數據挖掘
我們再來看另外一個案例。1992年，抗抑鬱葯物帕羅西汀（Paxil）獲准上市；1996年，降膽固醇葯物普拉固（Pravachol）正式開售。兩種葯品生產企業的研究證明：每種葯物在單獨服用時是有效且安全的。可是，患者要是同時服用兩種葯是否安全，沒有人知道，甚至很少有人想過。美國斯坦福大學的研究人員應用數據挖掘技術分析了數萬例患者的電子病歷後，很快發現了一個出人意料的答案：同時服用兩種葯物的患者血糖含量較高。這對於糖尿病患者來說影響很大，過多的血糖對他們來說是一種嚴重的健康威脅！科學家還通過分析血糖檢測結果和葯物處方，來尋找隱藏的規律。
對於單個醫生來說，他所經歷的同時服用這兩種葯物的病人是很有限的，雖然其中可能有少數的糖尿病患者莫名其妙地血糖升高了，但醫生很難意識到這是由於病人同時服用了Paxil和Pravachol造成的。因為這是一種掩藏在大數據中的隱含規律，如果不是有人有目的地專門研究Paxil和Pravachol聯合用葯的安全性的話，個體醫生是很難揭示這個規律的。但是，臨床葯品成千上萬，我們怎麼可能對任意組合的兩、三種葯聯合應用的安全性和有效性進行逐一研究呢？數據挖掘很可能是一種有效的、快速的、主動式的探索多種葯聯合應用問題的方法！
研究者不必再召集患者去做臨床試驗，那樣做的話花費太大了。電子病歷及其計算機應用的普及為醫療數據挖掘提供了新的機遇。科學家不再局限於通過召集志願者來開展傳統的課題研究，而是更多地從現實生活中的實驗中，如日常的大量的臨床案例中篩選數據並開展虛擬科研，這些並非來自計劃的課題立項的實驗數據保存在許多醫院的醫療記錄中。
類似本案例，應用數據技術使得研究人員可以找出在葯物批准上市時無法預見的問題，例如一種葯物可能對特定人群產生怎樣的影響。另外，對醫療記錄的數據挖掘不僅將為研究帶來好處，還會提高醫療服務系統的效率。
1.3 虛擬葯物靶標發現-知識發現
我們再看看這樣的一類研究。通常新葯研發的過程都比較漫長,投入巨大，風險也很高。有數據表明，新葯研發的平均時間長達15年,平均耗費超過8億美元。但是,由於葯物療效的不佳和毒副作用太高，使得許多葯物的研發經常在臨床階段就失敗了，造成了巨大的經濟損失。作為葯物研發的源頭,葯物靶標的發現和識別對葯物的研發成功率具有舉足輕重性的作用。隨著生物信息技術的不斷發展,以及蛋白質組學數據、化學基因組學數據的日益增長,應用數據挖掘技術結合傳統生物實驗技術,可為葯物新靶標的發現提供新的技術手段,為靶標識別預測提供新的方法。構建葯物靶標資料庫，利用智能計算技術和數據挖掘技術對現有的葯物靶標數據開展深入探索，以期發現新的葯物靶標正是這樣一類研究，我們也稱之為葯物靶標的知識發現。
傳統的葯物靶標的發現，通常大都是通過大量的、反復的生物化學實驗來實現的，不僅成本高、效率低，成功率也很低，猶如瞎子摸象一樣，不好掌握方向。而應用數據挖掘這一自動的、主動的、高效的探索技術，可以開展虛擬葯物靶標發現，不僅大大加快了葯物靶標發現的進程，而且大幅減少了生物化學實驗的次數和成本，同時也提高了傳統生化實驗的成功率。
2. 數據挖掘在虛擬醫葯科研上的應用
大數據時代，醫葯研發面臨更多的挑戰和機遇，為了更好的節約研發成本，提高新葯研發成功率，研發出更有競爭力的新葯，可以應用數據挖掘技術開展虛擬醫學科研和葯物研究。數據挖掘在虛擬醫葯科研上的應用，可以總結為如下幾個方面。
2.1 通過預測建模幫助制葯公司降低研發成本提高研發效率。模型基於葯物臨床試驗階段之前的數據集及早期臨床階段的數據集，盡可能及時地預測臨床結果。評價因素包括產品的安全性、有效性、潛在的副作用和整體的試驗結果。通過預測建模可以降低醫葯產品公司的研發成本，在通過數據建模和分析預測葯物臨床結果後，可以暫緩研究次優的葯物，或者停止在次優葯物上的昂貴的臨床試驗。
2.2 通過挖掘病人數據，評估招募患者是否符合試驗條件，從而加快臨床試驗進程，提出更有效的臨床試驗設計建議。例如: 通過聚類方法對患者群體進行聚類，尋找年齡、性別、病情、化驗指標等方面的特徵，判定是否滿足試驗條件，也可以根據這些特徵更好的設立對照組。
2.3 分析臨床試驗數據和病人記錄可以確定葯品更多的適應症和發現副作用。在對臨床試驗數據和病人記錄進行分析後，可以對葯物進行重新定位，或者實現針對其他適應症的營銷。通過關聯分析等方法對試驗數據進行挖掘可能會發現事先想不到一些成果，大大提高數據的利用程度。
2.4 實時或者近乎實時地收集不良反應報告可以促進葯物警戒。葯物警戒是上市葯品的安全保障體系，對葯物不良反應進行監測、評價和預防。通過聚類、關聯等大數據挖掘手段分析葯品不良反應的情況，用葯、疾病、不良反應的表現，是否跟某種化學成分有關等。例如不良反應症狀的聚類分析，化學成分與不良反應症狀的關聯分析等。另外在一些情況下，臨床實驗暗示出了一些情況但沒有足夠的統計數據去證明，現在基於臨床試驗大數據的分析可以給出證據。
2.5 針對性葯物研發：通過對大型數據集(例如基因組數據)的分析發展個性化葯物。這一應用考察遺傳變異、對特定疾病的易感性和對特殊葯物的反應的關系，然後在葯物研發和用葯過程中考慮個人的遺傳變異因素。很多情況下，病人用同樣的用葯方案但是療效卻不一樣，部分原因是遺傳變異。針對同病種的不同的患者研發不同的用葯，或者給出不同的用法。
2.6 對葯物化學成分的組合和葯理進行挖掘，激發研發人員的靈感。例如針對於中醫葯物研發，用數據挖掘手段對於中葯方劑和癥候進行分析研究，探討方劑和針對症狀之間的聯系，從功效、歸經、葯性和葯味等方面進行分類特徵分析。
3. 虛擬葯物臨床試驗分析系統
現在越來越多的臨床科研和葯物臨床試驗都是從日常的臨床工作中生成的大數據中經過嚴格的條件篩選來提取數據的。正如我們在本文1.1和1.2中提到的案例一樣，所謂虛擬葯物臨床試驗，是以更廣泛的臨床數據採集，和從海量的醫院電子化的病歷中按照事先的設計需求經過嚴格的條件篩選來開展的，雖然是虛擬的方法而不是傳統的方法，這種葯物臨床試驗研究有樣本代表更廣泛、成本低、效率高、研究成果更豐富等優點。採用虛擬研究的方法可以完全替代某些傳統的葯物臨床研究，也可以作為某些傳統的葯物臨床研究的預試驗或探索性研究，以使真正的葯物臨床研究工作多、快、好、省。我們現在來看一下虛擬葯物臨床試驗分析系統是如何工作的。
3.1 虛擬葯物研究的基本思路
1、建設葯物臨床試驗數據倉庫，充分整合和積累的臨床數據和葯物應用數據。 2、設計、選取葯物臨床試驗的觀察組樣本與對照組樣本。 3、應用數據挖掘技術探索葯物對於疾病治療的效果和產生的副作用。 4、應用統計學技術進行葯物臨床試驗效果的推斷和評價。
3.2 建立葯物臨床數據倉庫
建設葯物臨床試驗數據倉庫有兩種途徑，一種是通過經典的葯物臨床試驗設計來定製化和採集相關數據，傳統的方法主要記錄在紙質文檔上，也有專門數據錄入軟體，這種方法採集的數據是按照預先設計進行的，直接形成葯物臨床試驗的專用數據，但通常樣本數據量不會太大；另外一種是將醫院大量的、歷史的臨床用葯數據進行抽取、變換、裝載，然後充分整合積累的其他臨床數據和葯物應用數據，形成葯物臨床試驗數據源，為生成葯物臨床試驗數據提供支撐，這樣的樣本數據量可能很大，我們後面演示的方法就是採用種數據進行「虛擬」樣本篩選和分析的。
3.3 葯物臨床試驗樣本設計
葯物臨床試驗樣本根據葯物研究的需要可以有很多設計，例如單因素單水平設計，單因素兩水平設計，單因素多水平設計，配對設計設計，區組設計設計，重復測量設計等。我們這里以兩因素區組設計為例來介紹一下樣本篩選。本例僅以方法演示為目的，不考慮嚴格的醫學專業意義。
本研究的疾病為動脈硬化心臟病，處理因素為葯物應用，共有三種葯物，分別為倍他樂克、諾和靈、硝酸異山梨脂。區組因素為年齡，分了三個年齡段。觀察指標為血鈉。我們科研設計按照「三要素、四原則」進行數據篩選。所謂「三要素」是研究人群，處理因素和觀察對象。所謂四原則是指隨機、對照、重復、均衡等原則。按照如下圖一的輸入條件，可以將數據集篩選出來，然後再用統計分析工具進行統計分析。
3.4 葯物臨床數據挖掘
應用數據挖掘技術不僅可以提高葯物臨床數據的利用程度，而且可以探索和發現葯物臨床應用中的新的積極作用和新的消極作用。利用多種數據挖掘方法分析臨床試驗數據和病人的電子化數據，可以確定葯物更多的適應症和發現未知的副作用。在對臨床試驗數據和病人記錄進行挖掘分析後，可以對葯物進行重新定位，或者實現針對其他適應症的推廣應用。通過對葯物試驗數據進行挖掘可能會發現意想不到一些成果，大大提高數據的應用效益。
如本例，我們使用數據挖掘的方法深入研究葯物對於實驗室指標的影響。探索和發現葯物臨床應用中的正負影響，可以通過觀察病人用葯前後的很多醫學特徵和生理指標來進行，而觀察更加客觀的各種實驗室指標是很多葯物研究的必備設計之一。下面是一個應用倍他樂克葯物治療冠心病的研究，我們應用了數據挖掘的有關技術分析了倍他樂克的血葯濃度的變化對病人各個實驗室指標的影響，如下圖二，顯示了部分實驗室指標的影響結果。
以上結果需要與臨床醫務人員以及葯物研究人員共同探討。在刨去了各種人為因素以及業務系統客觀影響因素之後，我們可以發現先前未知的倍他樂克對病人生理指標的影響，其中有些影響在醫學上可能是積極的，而有些影響在醫學上可能是反面的。
3.5 統計分析設計
虛擬葯物臨床試驗分析系統的統計分析模塊，包含了葯物研發中常用的統計分析方法，如T檢驗、方差分析、相關分析、回歸分析、非參數檢驗等，設計思路按照統計學思維，首先對數據進行驗證，根據驗證結果選擇統計分析方法。下面我們以重復測量設計為例進行說明。
本研究的疾病為動脈硬化心臟病，處理因素為葯物應用倍他樂克，觀察指標為我們從數據挖掘中發現有影響的血鉀指標。我們可以使用3.3提供的模塊對篩選的樣本進行提取和分析，也可以從本模塊直接選取所需的數據並分析。重復測量分析有兩種方法，一個是Hotelling T2檢驗，另一個是方差分析，本系統提供了這兩種統計檢驗方法。
部分樣本數據如下圖三所示：
這里，我們僅觀察一下方差分析方法的結果輸出，如下圖四所示。
從圖中我們可以看到，根據P值得到：處理因素「倍他樂克」葯物對血鉀起作用，測量時間對血鉀有影響，處理因素和測量時間有交互影響。從而驗證了我們應用數據挖掘得到的結果。
4. 數據挖掘在中葯研發上的應用
以上內容，我們重點是以西葯的研究應用為例來說明以數據挖掘為特色的虛擬醫葯研究的方法。其實，數據挖掘和虛擬葯物研究還非常適合於中醫中葯的研究工作，因為中醫學本身是一個經過幾千年不斷摸索、積累和驗證的、知識體系龐大的、具有完整理論體系的醫學科學，但我們還需要應用現代知識不斷地深入理解、挖掘、提高和應用，以便與現代科學能更好地融合。而數據挖掘正是探索和解釋中醫學奧秘的有力工具！
國內許多單位也開展一些中醫中葯數據挖掘的局部性的嘗試。現在，我們就將這些數據挖掘在中醫中葯研究中的嘗試加以匯總，分列如下： 1、中葯配方中的文本數據挖掘； 2、對「葯理」起關鍵作用的「有效成分」——單體或化學成分的挖掘； 3、中葯方劑配伍規律的數據挖掘與研究； 4、方劑配伍物質基礎與葯效如(證侯、症狀)關系的數據挖掘； 5、方劑配伍的用量與方劑效用級別間的關系(量效關系及模型) 挖掘； 6、中葯葯性理論與中葯有效成份的關系挖掘； 7、方劑中各葯味間的相關性挖掘； 8、相似病症的隱含相似關系挖掘； 9、同種疾病不同葯方的相似性和差異性的挖掘和研究。 10、數據挖掘用於不確切病症的分類和研究。
『伍』 大數據在醫學領域有什麼應用
1、健康監測
大數據技術可以提供居民的健康檔案，包括全部診療信息、體檢信息，這些信息可以為患病居民提供更有針對性的治療方案。並且通過智能手錶等可穿戴設備，隨時帶著，可以實時匯報病人的健康情況。應用於數百萬人及其各種疾病的預測和分析，並且在未來的臨床試驗將不再局限於小樣本，而是包括所有人。
2、數據電子化管理
患者的影像數據，病歷數據、檢驗檢查結果、診療費用等各種數據錄入大數據系統，統一管理起來，每位醫生都能夠在系統中查到病人的詳細資料以及變更記錄。而無需再通過耗時的紙質工作來完成，這對於大夫更好地把握疾病的診斷和治療十分重要。
3、醫療科研
在醫療科研領域，運用大數據技術對各種數據進行篩選、分析，可以為科研工作提供強有力的數據分析支持。例如健康危險因素分析的科研中，利用大數據技術可以在系統全面地收集健康危險因素數據，包括環境因素，生物因素，經濟社會因素，個人行為和心理因素，醫療衛生服務因素，以及人類生物遺傳因素等的基礎上，進行比對關聯分析，針對不同區域、家族進行評估和遴選，研究某些疾病發病的家族性、地區區域分布性等特性。