大数据驱动医疗转型

15 通过大数据分析转型医疗保健

15.1 引言

15.1.1 数据驱动的决策制定

可以明显观察到，大多数医疗机构/行业正在从按使用付费方法转向基于价值的方法，发生了根本性变化。基于价值的方法主要涉及数据，即具有 meaningful 的数据，可用于预期目的。麦哲森在2016年进行了一项调查，对基于价值的报销模式与按使用付费模型进行了比较和分析，结果表明，大多数服务提供商和支付方都希望改变其对商业模式的看法，以支持医疗保健领域提供的基于价值的服务。甚至支付方也在调整其网络策略，使其与基于价值的建模策略保持一致。

医疗财务管理人员协会（HFMA）指出，由于从基于支付的方法向基于价值的方法转变，医疗服务提供者必须能够应对由此可能产生的结果，并且必须增强其能力或容量以应对以下挑战。

• 资格验证 ：切实识别并找到符合基于价值模式安排的患者的能力。
• 互操作性 ：在不同网络、不同医院以及医生所进行的不同医疗实践中，整合个人相关医疗信息的能力。
• 商业智能 ：系统收集、分析并利用数据建立模型的能力。
• 实时数据访问 ：在提供服务时，医疗服务提供者提供 meaningful 数据的能力。
• 护理标准化 ：为个人提供的护理应实现标准化，从而提供一个可有效利用数据的适当基础设施。
• 回报评估 ：系统根据价值监督和观察不同机会，并将其与实施涉及的成本进行比较的能力。
• 慢性疾病的护理管理 ：该模型提供有效系统和智能处理的能力，可加强对患者在健康、维护和管理方面的照护，尤其针对数量较大且治疗成本较高的慢性疾病患者。
• 出院后随访 ：该系统在患者出院后提供帮助和支持的能力，通过有效的随访系统实现。这可能包括提供居家健康服务、采用标准化协议的结构化随访模式。
• 医生薪酬 ：通过引入一种灵活的方式，实现基于价值的模式和基于支付的模式的医生薪酬提供能力。

15.1.2 医疗保健人群

为患者提供适当的医疗保健取决于通过分析来自标准化组织和机构（如责任医疗组织（ACO）、保险企业、研究组织、电子病历（EMR）以及可穿戴或植入式健康设备）的稳定数据流，从而实现更好的预防、临床治疗以及有效结果。患者的增值数据有助于医生做出精确、准确且个性化的建议。这也有助于医生理解并分析健康趋势，进而改善人群的整体健康状况。可以说，具有增值属性的医疗保健数据量越大，患者死亡率就越低[8]。

15.1.3 患者体验

首先，患者可以被视为消费者。消费者通常期望获得一种高效体验，使其能够轻松快速地访问最重要的信息。而在利用大数据为患者提供个性化体验时，组织能够更好地预见患者及其需求，从而提供更优质的护理服务。

15.1.4 适当的临床护理

由于医疗保健系统正在向基于价值的模式发展，数据分析在为患者提供治疗及其康复过程中变得至关重要。另一个重要概念是循证模式，随着大数据的出现以及医疗保健领域大量信息的可获得性，该模式变得无处不在且普遍，为医疗保健提供方和支付方所广泛使用。

15.1.5 管理

与运营和财务管理相关的决策主要依赖于实时涉及的真实世界数据。如今，当考虑大数据时，它呈现出不同的格式和结构，这给确定合适的基础设施带来了挑战，以便能够提供更快速、准确的洞察。医疗保健数据分析主要基于以下几个方面。

15.1.5.1 预防性医疗改善

这对于医生和医疗从业者来说至关重要，有助于他们在疾病有充分机会完全发作之前进行防范。在医学领域，正产生着大量不同格式（结构化、半结构化和非结构化）以及来自不同来源（电子健康记录、扫描报告等）的数据，使人脑难以实时处理。如果能开发一个模型来负责监控和分析这些数据，就能在出现任何缺陷之前或即时发生时识别出一些预警信号。

在任何感染发生之前或在严重情况出现之前发现问题的能力，意味着医疗专业人员可以更快、更有效地进行治疗，并确保在疾病造成严重损害之前有更大的治愈机会。

15.1.5.2 降低成本

最近观察到，为了从数据中获得 meaningful 且有用的洞察，医疗保健专业人员在很大程度上依赖于大数据技术。医生试图找到有效的方法，在拥有大量患者负荷的情况下缩短治疗时间，更有效地挽救生命。主要目的是最小化数据存储、处理和管理的成本。由于近期技术的发展，产生了大量的医疗保健数据，从而增加了处理这些数据的成本。因此，可以有效利用大数据技术，通过存储、处理、检索、管理等方式来克服成本增加的问题。

15.1.5.3 提高护理质量

在为患者提供优质服务和护理时，医疗专业人员、医院和专家必须考虑到，仅仅治疗患者的生理疾病是远远不够的。认识到这一点可以极大地改善医疗保健行业。多项关于患者对医疗机构或医院期望的调查显示，患者期望获得清晰一致的沟通、受到重视的尊重以及良好的医院工作人员对待。基于这些分析可以明确，护理质量对患者而言极为重要，因此医疗行业必须高度重视，并采取措施提升护理和服务的质量。不同的医院和医疗机构已开始利用大数据作为确保向个体患者提供服务质量与护理水平的工具。

在这个大数据时代，借助Hadoop、Spark等高效且新兴的技术，并将其集成到不同平台，可以极大地改变医疗行业和医院。医生可以随时即时获取所需信息，患者能够提供和接收反馈，整体护理质量将得到显著提升。本章节阐述了随着大数据技术解决方案的发展和应用，医疗保健行业的转型。

15.2 医疗保健中的数据分析

由于数据量巨大，主要问题在于数据所有者花费大量时间管理数据，而不是尝试对数据进行推断或分析，以从中获得有价值的洞察。另一个问题是选择合适的技术或技术应用于数据。因此，研究人员和数据科学家需要努力为医疗机构/服务提供者提供支持，而不是将时间花费在数据收集、验证这些数据获取方法、确保适当的数据类型、重新格式化、数据修剪、数据清洗以及保证数据的合规性以用于分析与报告上。

数据分析方法包括两个主要概念。第一个是探索性数据分析 (Exploratory Data Analysis, EDA)，有助于发现数据中的模式并识别关系。下一个方法是验证性数据分析 (Confirmatory Data Analysis, CDA)。这些技术使用统计技术来确定有关数据集的假设是否可能为真或为假。简而言之，探索性数据分析（EDA）涉及发现事物的过程，而验证性数据分析（CDA）涉及理解和得出适当的假设结论。数据分析可分为两种类型，即定量数据分析和定性数据分析。定量数据分析涉及对可以比较和测量的数值数据进行分析；定性数据分析涉及理解非数值数据的背景，包括文本、音频、视频和图像。

15.2.1 医疗保健中的数据分析生命周期

数据分析生命周期。

数据分析生命周期如图 15.1 所示。它包含以下解释的4个主要处理阶段。

15.2.1.1 集成

集成阶段涉及从不同的内部和外部来源进行数据聚合。这些数据具有不同的格式和结构，无法直接使用。此数据集成过程是数据分析生命周期过程的第一阶段。

15.2.1.2 预处理

从各种来源集成的数据若要有效利用，需要进行预处理。这是预处理阶段，已发展出多种技术来处理和转换数据，使其成为可用格式。

15.2.1.3 分析

分析是一个重要环节，数据所有者、数据分析师和研究人员在此尝试推断并从中获取有用信息。这可能包括对数据的理解，进行预测，并有效应用于决策过程，以确定未来结果。

15.2.1.4 验证

基于分析，已开发出多种模型。这些模型的验证至关重要，因为它们有助于确定数据的有效使用，主要目标是从中获取有价值的洞察。

15.2.2 数据分析师的作用

数据分析师的角色包括利用数据推断出有价值的洞察，其唯一目的是通过有效决策来提升涉及数据的商业应用。尽管数据科学家的角色已经渗透到更多传统和保守的数据分析领域，但两者之间仍存在诸多显著差异。

数据分析师、设计师和架构师能够从庞大的数据集中挖掘出信息和事实。然而，他们通过 SQL 查询以及常用的分析对应工具包来对这些数据集进行细分。凭借深厚的机器学习和工程/编程知识与经验，数据科学家能够自主操控和利用数据，进而揭示并发现深刻见解。

数据分析师不受程序的束缚或阻碍。虽然典型的数据分析师主要关注先前的历史数据以及过去发生的情况，但数据科学家则必须在此基础上更进一步，预测未来。从头到尾应用高级复杂统计和复杂数据建模，这有助于揭示模式，并制定和整合未来的预测与预测。

这可以从三个方面进行解释，包括数据采集、数据供应和数据分析在阶段段。采集方面：这包括从大量数据中获取关键要素，并确保数据质量。另一个重要部分是整合数据，以提供系统的有效操作流程。

在数据供应中：数据供应角色涉及将数据转换为可用于技术处理的格式，主要目的是进行可视化，即在医疗领域供临床医生和专家使用。

在数据分析中：数据分析部分涉及对数据的解释，以获得新的洞察和信息，并确保数据的质量（另见图15.2）。

15.2.3 医疗分析

医疗行业正在以快速迅猛的速度发展。首要考虑的是大数据的转型，这为医疗服务提供者和机构带来了巨大的机遇和偶尔的机会，以提升患者健康效果和结果，同时控制成本。

医疗分析影响数据驱动的革命并实现转变。专家团队和医疗服务提供者无缝协作，结合各种策略、大数据的高级分析以及处理操作的运行与执行，主要目标是改变医疗服务提供者思考、感知、决策和进一步行动的方式。

数据分析。

15.2.4 分析类型

由此可见，随着数据量的不断增长，所需进行的分析也会因目的不同而有所差异。高德纳（Gartner）提出并研究的不同类型分析如图15.3所示，此处予以说明。

15.2.4.1 诊断分析

诊断分析是一种重要的高级分析形式，可用于检查和审查数据、事实和内容，以回答“为什么会发生？”这一问题及相关议题。它通过数据发现、数据挖掘、数据下钻以及相应的相关性和关联性等技术来实现。诊断分析有助于更快速地理解数据，从而回应那些被认为是关键劳动力查询的问题。

基本基石展望为大多数组织提供了前所未有的更快速、更简便的方法，以向其各自员工提供更具重要意义的洞察，并进一步揭示各种劳动力问题。大多数交互式数据可视化技术和工具允许管理员直接查找或搜索、整理和评估通过集中和整合信息，基于跨领域的基础人才组织集合来评估和比较个人。

例如，客户能够发现合适的精确候选人来填补职位，选择具有高潜力的劳动力进行晋升，并快速评估和汇总所选员工的晋升度量及绩效重新评估，从而揭示有关人才群体的重要洞察。

过滤器还允许针对跨多个分组（如地区、分布和部门、绩效以及所有权）的劳动力情况进行快照分析。

15.2.4.2 描述性分析

目前，90%的行业和组织都在使用描述性分析，这种分析被认为是分析中最基本且至关重要的形式。描述性分析最直接有效的表述方式就是帮助回答一个关键问题：“过去发生了什么？”通过此类分析，可以评估和分析实时数据以及时间序列数据，以获得洞察，指导未来的发展方向。描述性分析的主要目的是揭示在早期阶段出现重大成功或失败背后的动因。

这里的早期阶段指的是事件发生的几个特定时间，可能是一个月前，也可能是刚刚。大数据分析的绝大部分主流应用可以被组织用于描述性分析的归类中。

大型企业通过回顾过去的活动和行为，逐渐掌握如何理解这些行为对未来的影响力和结果的决定作用。当企业希望了解整体绩效时，便会受到描述性分析的影响。

公司在综合层面展示其多样化的特征。描述性分析主要基于数据库中标准的综合聚合工具，目前需要具备基础学校数学知识。

大多数社会分析被称为描述性分析。它们可能基于对一些指标的简单计算，来总结特定的组合。大多数点赞、关注者、粉丝、帖子等被视为事件偏移量。这些指标和度量可用于社会分析，例如平均响应时间、每帖平均回复数、页面浏览总量、百分比指数等，这些结果均来自基本算术运算。

阐述描述性分析的典型示例是行业通过谷歌分析工具从网络服务器获取的结果。产品结果有助于理解历史上实际发生的情况，并基于页面浏览量等关键因素，验证推广活动是否成功。

这同样占据了跨行业大数据的主要部分，通常侧重于分析发生了哪些错误，或探讨并回答结果为何高于或低于预期的原因。

大多数人实际上是在进行描述性分析时被涵盖的。描述性分析的一个典型示例是为医院提供对当前现有状况的更深入理解，例如有多少患者已经接种了肺炎球菌疫苗，或在内分泌科中有多少糖尿病患者的血糖水平低于预估水平。

15.2.4.3 预测分析

数据缩减的后续步骤是预测分析。通过评估和分析过去的历史模式和数据中的趋势，可以准确地为企业提供有关不久将来可能发生情况的信息。这些信息极大地有助于制定行业所需的切实的原始目标、进行有效规划以及防止预期前景的偏差。该行业广泛使用预测分析来学习数据，并通过观察来回答“根据先前研究的趋势和观察到的模式，未来可能发生什么？”这一问题。

组织整合适当的数据，并将其与客户用户表现数据集以及网络服务器的信息和数据相结合，以在预测分析过程中获得真实事实洞察。

公司如果保持现状，可以预测未来的业务增长。预测分析提供了改进建议和推荐，以获取更多潜在答案，用于进行商业智能无法回答的未来预测。

此外，预测分析可以分类如下表所示 15.1。

组织必须在2016年充分利用一批数据科学家，运用统计技术和有效的机器学习算法，以推动预测分析并设计出有效的企业商业方案。

情感分析是一种常见的预测分析类型。用于学习的模型接收纯文本格式的输入，学习模型的输出为情感评分，以帮助确定情感被分析为正面、负面或中性。

大数据主要用于发现模式，进行预测并确定未来可能性，以避免可预防的事件发生，从而降低医疗成本。因此，总体而言，责任护理组织最常提出的问题是，将会是再入院的患者比例被翻译了吗？有多少患者会使用急诊室？

探索大数据平台，采用一种能够根据个人的风险汇总或基于其档案分析（例如个人是否存在慢性状况）进行评分的工具，以便医疗保健提供者能够进一步推进更有效的护理改进。

15.2.4.4 规定性分析

大数据可能极大地增强和强调作用，同时有助于企业全面了解这些问题或事件发生的原因。企业和医疗机构可以利用备份数据以及在整个数据集中识别出的因素，主要目标是针对业务需求中涉及的问题提出建议，这些问题可能引发进一步的观察、推断和结论。

规范性分析是预测分析的后续阶段，它还能支持对未来事件的操控。该方法会针对采取行动后可能产生的各种解决方案和结果提出建议，从而有助于提升和改善关键业务指标。此外，它还利用模拟和优化方法来回答“企业必须采取什么措施？”这一问题。

规范性分析主要基于高级分析的概念，其解释如下所述：

• 优化技术极大地促进并有助于实现最佳可能的结果。
• 随机优化有助于理解和实现最佳结果，同时识别并分类数据中的不确定性，以做出更好的决策。
• 重现未来，在各种假设下，允许进行情境分析；与各种优化方法结合，允许进行规范性分析。

结果。规范性分析会发现各种可能的活动，并根据已占用数据集的描述性分析和预测分析的结果，推荐相应行动。

表 15.2 显示了分析类型的概述。

规范性分析可以说是数据、各种数学表示形式以及不同商业规则的融合。用于规范性分析的数据可以包括内部数据（即组织内部所包含的数据）和外部数据（例如来自社交网络数据的数据）。这些数据本质上也具有相当的多面性，此外，许多公司目前尚未在日常业务运营中广泛使用它们，因为其管理较为复杂。大规模组织和机构利用规范性分析来进行供应链管理中相关账户的准备和分配，通过优化生产来提升个性化客户体验。

规范性分析在医疗领域的主要应用包括支持和加强药物开发、识别特定患者以进行临床试验和测试观察等。随着组织数量的增加，人们意识到大数据是一种积极领先优势和益处，因此必须确保选择合适的数据分析阐明方法和解决方案，以提高投资回报率、降低运营成本并提升服务质量（另见表15.3）。

15.3 医疗保健中的大数据：部署中的挑战

15.3.1 使用预测分析生成新知识

• 在生成或执行预测分析时，存在两种传统方法：完全依赖数据，即无论是否有事先了解，以及一个数据可能支持也可能不支持的建议企业目标。
• 结合这两种分析方式，企业能够加强并促进对企业和个体客户所需洞察力、理解和认知的提升。这可以使决策过程更加优雅，并因此更具优势。
• 同样，预测分析所涉及的这两种方法都有其局限性；在审查其结果时，必须考虑风险管理和管理。

15.3.2 使用大数据平台HADOOP实时分析患者数据

基于云的解决方案正变得流行，可帮助组织和机构跨企业聚合、处理和保护数据。他们提供的一种垂直解决方案专门面向医疗保健和生命科学领域，该方案需应对两大挑战：一是符合 HIPAA 合规要求，二是数据格式及其表示形式的多样性。通过使用 MapR Streams，合规性挑战中的数据谱系部分得以解决，因为流本身既是一个记录系统，也是所有数据变更的持续、不可逆的日志。通过将数据的实时流式传输变化应用于 HBase、MapR‐DB、MapR‐DB JSON 文档、搜索数据库和图数据库，个人用户始终能够以相应合适的格式获得最新、最全面的数据视图。

15.3.3 预测应急服务最可能需要的地点

医疗保健中的预测分析仍可通过分析个体患者在高峰期的当前状况，来阻止重要急诊护理子部门和领域或急诊室中的瓶颈问题，从而为服务提供者提供信息，并提供机会规划额外人员或采取其他措施以安排患者接受治疗。在当今资源稀缺、容错空间微小的现代世界中，必须细致地发现和识别导致拥挤的具体且相关来源，以便应对性管理干预能够产生最大影响和结果。

15.3.4 为患者群体优化护理

为了为患者提供优化的医疗服务，必须考虑并分析多个查询。

• 是否可以减少程序的数量？
• 特定项目的成本是否可以降低？
• 能否缩短测试结果所需的时间？
• 是否发现了重复订单？

工作组的成员接下来需要执行以下操作。

• 建立最佳实践。
• 通过协作、对真实流程的检查、研究探索和实验，全面推广统一的护理流程模型。
• 在整个机构和组织中实施创新的医疗质量提升流程，以支持最优质的临床与功能性操作实践，实现有效的护理提供。
• 扩展通常且一致地限制测量的标准化指标和度量。
• 监督和观察这些指标度量，以确保持续合规并跟踪改进。

15.3.5 降低护理成本

要完全理解成本并进行分类，识别浪费区域，基本前提是需要高质量的数据。作为 EDW 呈现的医疗企业数据仓库是整合与关联所有数据潜力的首要方法。EDW 可以将临床医疗系统、患者满意度、财务详情和管理数据组织成一个单一事实来源，为数据驱动的改进提供基础。

定价、计费以及医疗临床系统通过满足统计、声称和成本类别（例如直接可变费率）来提供数据。当所有这些数据被整合到一个地方时，可以轻松地将其组织成实验工作流程，以确定哪些实践构成了大部分护理。一旦数据被聚类，它将解释每个实验工作流程中的潜在差异。变异帮助我们识别、分类并消除浪费。

15.4 大数据平台

15.4.1 可扩展的大数据分析

如今，应用程序正从贵企业内部的多种来源产生前所未有的数据量，并扩展到现实世界中，各种设备都能够捕捉重要信号用于分析。所产生的数据/事实的程度正以迅猛速度增长[2]。此外，高度非结构化、未处理的原始数据能够适应您的处理环境以及相应的消费者和客户，只需简单触发即可实现有效扩展。自早期以来，分析与机器智能即可为网络应用实现有效扩展。云计算环境和框架可大幅缓解可扩展性问题。这些技术还有助于从相应应用程序和环境中确定洞察。

15.4.2 优雅管理的无服务器洞察

大数据平台与云基础设施相结合，能够极大地提升医疗行业，使客户能够在整个网络范围内更广泛地分析数据。凭借对 SQL 的专业知识和熟悉，以及优雅管理、无服务器框架与架构的支持，后端框架与基础设施完全由终端客户、客户或服务消费者负责。

15.4.3 快速查询与可扩展数据集

数据集正在迅速增长，因此面对海量数据，技术必须能够适应，以便有效处理和管理不断增长的数据（例如拍字节数据）。为此已开发出许多工具，如大查询，可显著提升查询性能。

15.4.4 统一连贯的流式与批处理

许多工具和技术正在被开发，用于开创完全可管理的服务，这些服务可用于处理数据以推断详细信息[4]。这些数据可能是随时间变化的流式数据，也可能是需要进行批处理的数据。

15.4.5 云环境中的 Hadoop 和 Spark

大多数企业组织、医疗机构和提供商都依赖于 Hadoop、Spark、Hive、HBase、Pig、Sqoop 等标准化技术。随着数据量的不断增长，客户可以在云环境中轻松创建和调整所需集群的大小，以处理各自的应用程序。

15.4.6 受控数据库、对象存储及其归档

涉及企业或医疗保健应用程序的特定查询可能会被提出，这些查询可能被认为非常难以预测或预见。在考虑应用程序环境中的处理时，不会丢弃任何有价值的信息、元数据和事件。数据所有者试图以经济的方式存储信息，以便日后可以利用这些信息获得洞察。根据用途，用户客户端或客户可以从多种存储产品中选择数据存储介质，从 SQL 到 NoSQL 选项，以及其它归档产品均可使用。

15.4.7 下一个领域‘机器智能’

在大规模应用适当的机器学习算法和分析，可极大地增强并为大多数组织和企业带来长期机遇。其中主要包括与相关应用有关的真实世界数据，这些数据可通过网络实现大规模扩展。

这被称为涉及海量数据集和深度工作负载的预测分析。结合 Hadoop 和 Spark 框架，云计算环境在确保任务集成和运行大规模工作负载以执行预测分析方面发挥着至关重要的作用。为了推广和普及机器学习方法的使用，谷歌最近发布了“TensorFlow”这一开源库函数技术。

谷歌还推出了云机器学习产品，其中包括多种预定义和训练好的代表性模型，这些模型可开箱即用，并集成了谷歌推出的云语音 API、云视觉 API 和云翻译 API。

15.5 医疗保健核心：大数据

15.5.1 元数据的细粒度管理

将所有数据实例集中在一个单一位置是巨大的。然而，实际上，如果您想使用这些数据，则必须使其保持简单、易于处理，并在整个生命周期中便于管理。确认并确定系统/方法在数据被使用时是否通过元数据展示了全部数据。元数据必须尽可能深入地嵌入到粒度中，最好深入到各个基层。

15.5.2 隐私管理

在医疗保健领域，仅将数据存储库的访问权限进行锁定是不够的。所有提供的解决方案都必须遵守“1996年健康保险可携性和责任法案（HIPAA）”和“健康信息信任联盟（HITRUST）”，并且必须严格控制对用户客户和消费者的访问权限。因此，安全解决方案的设计必须从底层开始，直至实施复杂的、严格的数据治理，确保每个客户只能查看和使用其被授权访问的数据或资源，且该授权基于相关标准和政策（根据同意书或协议）。

15.5.3 数据转换

所开发的方案和结构必须能够以实时方式处理数据，并仔细且有选择性地提取数据，对其进行加密，并在之后再次识别等。一旦收到请求，即可给出适当响应，即向客户端请求提供授权的经过认证的信息，而无需任何人工干预来验证用户真实性。

15.5.4 与旧有系统良好协作

系统架构必须主动支持与其他先前存在的框架和基础设施的互操作性。这也为维护和支持已有的投资提供了途径。

15.5.5 减少数据冗余

数据的管理和存储可能相当昂贵。因此，许多组织和企业正期待对先前可用的解决方案进行进一步改进，以通过使用或提供虚拟化数据集来降低存储需求，这些数据集在导出之前可能是非实体或无形的。用户还可以考虑提供安全高效医疗保健的解决方案，该方案可通过云由外部站点进行管理和操作。

15.6 结论

每天每个微型设备都会在扩展的远程患者监测系统中累积成千上万条与大量公民相关的健康数据。远程医疗方案利用 Fitbit 设备、智能手机、蓝牙及其他传感器，收集有关身体活动、血压、血糖水平、处方、药物摄入和体重等方面的信息。这些相关数据事实随后被汇总到一个仪表板上，以便医生、护理人员和亲人们能够实时监控患者的状况并提供积极的实际护理，即使相隔数百英里也能实现。因此，这有助于为管理复杂健康状况的个体提供一项宝贵无价的服务。所收集的健康信息/数据将用于支持医疗和科学决策，并推动个性化预测医学的发展。然而，目前尚缺乏整合手段来推进临床检查和试验，以及促进更优健康实践的形成。通过确保更优化的大数据分析：可保证临床试验、流行病学、基因组学、健康与身体状态医疗计费操作/保险以及高效患者护理的实施。上述应用程序产生的全部数据将提供新的洞察，进而推动患者护理传统及其医疗功能的进步。当您展示出初步价值后，下一步便是让您的安排与方案尽早与其他部分对接，以在整个生态系统中获取更高的价值。