在中国，医疗数据的传统来源主要是医院诊所等医疗机构。医疗信息化在中国已经热闹了十余年，众多医疗机构都配置了医院管理信息系统（HMIS：Hospital Management Information System，）和临床信息系统（CIS：Clinical Information System，）。HMIS和CIS的各个模块中都沉淀了大量医疗数据。诊疗数据、用药数据、医学检验结果数据以及费用数据都已比较常见。随着技术进步，新的数据源也不断出现，比如基因检测数据。

虽然医疗数据源越来越丰富了，但目前有价值的应用仍然很有限。这当中最主要的原因或许是公立医院的数据基本不开放不兼容，而大多数医疗服务类创业企业只能积累一些非核心医疗数据。

对公立医院来说，虽然医保处和绩效处会有一些数据分析，但总的说来不大重视挖掘医疗数据；而对于医疗服务类创业企业来说，虽然几乎家家谈起其商业模式时，都少不了“对大数据的挖掘和应用”这条，可是实际上所谓数据挖掘和应用往往还停留在简单分析心率/血压/血糖等指标或统计一下锻炼频次/强度，离提升医疗质量和效率这一目标还比较远。不过，近年来资本大举进入医疗服务行业，一批创业企业开始直接办诊所开医院，SaaS 模式的诊所管理系统也开始流行。期待这些变化能有力促进医疗数据的深度应用。

与中国医疗服务机构形成鲜明对比的是，许多美国医疗服务机构都设有庞大的数据部门。这背后最大的动力是美国正在进行的支付方式改革：从传统的按量付费转变为按价值付费，即基于医疗服务为患者和社会创造的价值来付费。一方面，价值需要用所服务人群的详尽数据来证明；另一方面，按价值付费这种模式对医疗服务机构的精细化管理水平也提出了更高的要求。正因如此，医疗数据的挖掘和分析几乎已经成了美国医疗服务机构的必修课。

美国医疗服务机构常用的数据分析方法有如下三种。

描述分析（Descriptive Analytics）：是医疗服务行业中最常用的数据分析方法，主要用于反映和剖析已经发生的事实。比如说，分析某些患者使用的药物以及治疗的效果。

预测分析（Predictive Analytics）：根据历史数据判断出模式，并预测未来的结果和趋势。比如说，如何判断出哪些患者是高风险患者并相应进行预防和干预。

指导分析（Prescriptive Analytics）：基于已有数据，总结及建议一种或多种决定或行动方案，并提供每种决定或行动方案可能的结果。在医疗服务行业中，指导分析常常用于临床决策支持。

通过以上的这些数据分析方法，医疗服务机构能够监控、记录、衡量、分析和管理医疗服务的流程和结果。比如，比较不同医疗机构的服务质量、对患者进行分型管理、设计和调整诊疗路径等等。

来自Allina Health的真实案例：运用预测分析工具降低再入院率

为了更好的了解美国医疗服务机构如何通过医疗数据分析创造价值，我们来看一个实例，位于明尼苏达州（Minnesota）双子城（Twin Cities）的Allina Health。

AllinaHealth是双子城地区最大的医疗集团，拥有11家医院，60家诊所，15家社区药房，4家门诊中心，年收入超过30亿美元。

AllinaHealth的医疗数据挖掘之路始于其2004年的医疗信息化建设。这一年，Allina Health为其下属的全部医疗机构配置了先进的医疗信息系统，给每一位患者建立了电子病历。到了2008年，Allina Health已建立起由近20名数据架构师、数据分析师组成的数据部门，并拥有持续更新的企业数据仓库（EDW：Enterprise Data Warehouse）。EDW中存储的数据均为已清洗数据。

由于患者短期（1至3个月）内反复再住院会导致医疗费用的显著增加，而这种再住院很可能是可以避免的，在美国，考核医疗机构的关键指标是再住院率。

2012年开始，美国医疗保险和医疗补助服务中心（CMS: Centers forMedicare and Medicaid Services）设置了专门的降低再住院率项目 (HRRP：Readmissions Reduction Program)，将各家医疗机构的再住院率与全国平均值进行比对。再住院率过高的医疗机构将面临包括降低医保报销额在内的一系列惩罚。为了降低再住院率，Allina Health的数据部门制定了名为Tackling Readmissions的项目计划（下称TR项目）。

TR项目主要分为两部分。

1.识别再住院风险高的患者

通过运用预测分析方法挖掘过去两年积累的约18万名住院患者的数据，TR项目建立了可自动为每位患者计算再住院风险分值（Readmission Risk Score）的再住院预测模型（ReadmissionPredictive Model）。该模型包括了个人数据和临床数据这两大类变量，数据维度高达数百项。每位住院患者的电子病历里都包含了其再住院风险分值。依据再住院风险分值的高低，Allina Health从本年度的15万名住院患者中识别出约8000名再住院风险高的患者。

2.为高风险患者提供更多支持从而降低其再入院的风险

AllinaHealth为再住院风险高的患者分批安排了交接会议（Transition Conference），希望通过优化协调院内治疗与出院后的随访和康复来降低其再入院的风险。

交接会议是由医护人员与患者及其家属进行的特别会议，主要内容有：梳理患者下一阶段的随访和康复所需资源、组织协调下一阶段的随访及康复安排、培训患者及其家属。对有需要的患者，Allina Health还会提供监控设备、上门随访等资源支持。

通过挖掘自身医疗信息系统积累的数据，Allina Health得以把有限的医疗资源分配给更能产生价值的患者身上。TR项目的成果非常可喜：第一批获得交接会议支持的患者有800名，他们的再入院率平均降低了约15%。