醫療數據之怪
　　醫療領域可以產生非常可觀的結構化資料。在有一千張病床的醫療院所裡，每位病人的醫療紀錄可能就有足足上萬個單字，一整年下來，光是一位病人就可以累積出將近1.2 GB 的結構化資料。病歷紀錄這類型的資料不但易讀，也可直接用於資料分析，可以提供許多檢驗管理績效的指標，例如病人平均住院天數、每年每張床的接收人次、三十天內有多少人次回診等等。

　　不過，龐大的資料量當中，粗估約有80% 其實是欠缺結構化的，諸如文字記載、語音說明、圖像資料等。因此，難就難在如何讓這些欠缺結構化的資料產生有效的用途。我們現在正處於科技發展的十字路口，湧入的龐大新資料洪流雖然有更進一步加以分析的可能，但是我們還沒有能力有效運用這些唾手可得的資料。

　　這就是大數據的概念會吸引人的緣故。

　　在大數據的環境底下，每位病人結構化的資料不論多大，都不是問題，各種可用的分析工具都已經能夠妥善處理世界上那有限的20% 結構化資料，找出其中的趨勢和重點所在。問題的關鍵在於資料來源的取得、彙整，去蕪存菁後形成有用的資訊。我們該如何把結構化與欠缺結構的資料整合在一起，形成一套可以運用的資料庫呢？
當前的挑戰

　　目前，健康資訊科技系統已能做出各式各樣的報表，基本上可以用來呈現某一功能類別內的績效，譬如財務狀況或是臨床成效指標，只是這些報表的內容也複雜得讓人無法負荷。套用醫療顧問史圖德（Quint Studer, 2013）的話來說：「要監控、做決定和解決問題的領域，實在太多了，只要一個不小心，就會讓你一整天都花在被動回應問題上，無力主動出擊、聚焦在真正有成效的課題上……然後就這樣，日復一日，年復一年」。醫療主管會被多如牛毛的各種系統所產生的各種管理報表淹沒，反而看不清真正能改善績效的深入見解。

　　試以「系統績效」個案研究要解決的問題為例：以成本和病人滿意度的表現來看，哪個醫療院所的表現最糟糕？為什麼？這個問題的資料來源包含了將近四百萬筆紀錄，是超過一百家醫療院所，經過五年時間累積下來的，資料內容包含183 種分類方式，像是：

• 每個人的個人資料如性別、年齡和族裔
• 掛號資訊，諸如：
• 醫療院所代號
• 各種診斷與代碼
• 各種療程與代碼
• 住院時間、總成本、治療結果、醫療保險種類 病人滿意品質指標

    雖然這種呈現方式完整描述了許多指標項目，但是卻沒能提供可供操作的資訊，只會讓人納悶：這些資料裡面真的有值得注意的地方嗎？我能夠看出來什麼地方為什麼出了問題嗎？如果一切照舊的話，我能夠做出什麼預測？有沒有可以用來長時間分析解決成效的關鍵點？

答案就在眼前

　　決策可以概分成三個漸進式的行動方案：描述問題、分析預測和提出解方（Bell, Raiffa, and Tversky, 1998）。在醫療領域中，用來深思熟慮以描述問題的資訊，包括病人人數管理、臨床醫療品質及效能、特殊的醫療院所與病人種類、輸入代碼錯誤（甚至是更嚴重的蓄意詐欺），這些都能有效衡量或反映已經發生的問題。分析預測可以處理的課題，包括30 天、60 天和90 天內的營收、回診次數（像是鬱血性心臟衰竭的病人會在30 天到90 天內回診）、病人類別的風險調整。提出解方則會影響日後的結果，像是病人流量控管、更精確的成本核銷和資產管理。背後的基本想法是：主動影響結果總比被動回應已經發生的事件來得有用。

　　 再回過頭講一下先前提到的個案研究。醫療領域控制成本與提升品質的壓力愈來愈沉重，業內推行的研究案如美國醫學研究所的報告、以〈可負擔健保法〉為首的國家政策，再加上追求市場競爭力等的各種目標，都需要能夠對改善醫療成效的驅動力，有更進一步的瞭解。