【医疗大数据】医疗保健领域的大数据管理：采用挑战和影响

选自期刊**《International Journal of Information Management》**（IF:21.0)

医疗保健领域的大数据管理：采用挑战和影响

1、研究背景

本研究的目标是调查阻止医疗机构实施成功大数据系统的组织障碍，识别和评估这些障碍，并为管理者提供战略解决方案。
大数据被广泛认为是各种组织管理过程的解释，许多机构在应用医疗大数据系统时因可预测和不可预测的障碍而早期失败，这些障碍可能来自组织、医生、患者或政府等不同因素，本研究特别关注由采纳者产生的内部障碍，特别是组织方面。

研究框架 ：
- 基于创新抵抗理论的障碍框架，确定医疗大数据的障碍。
- 通过与直接参与医疗大数据系统采用的重要专家进行半结构化访谈，探索台湾医疗行业的障碍，包括医生、医疗人员和学者。
- 进行文献综述，以识别不同研究中先前指出的障碍，便于比较实践中的固有障碍和理论中提到的障碍。
台湾医疗行业的特别关注 ：
- 台湾受到各种政府和公众的密切关注，使得研究该国具有价值。
- 台湾有超过15,000家诊所采用EHRs，代表了一个覆盖全国人口的巨大医疗数据库。
- 每个台湾患者平均每年看医生15次，实验室测试和处方的复制相当可观。

2、文献回顾

2-1 台湾医疗环境：

台湾自1980年代初期开始医疗改革，受到美国和日本等国家的影响。
1995年建立了全民健康保险（NHI）模式，旨在为台湾公民提供最大的医疗福利。
NHI模式覆盖了预防性医疗服务、处方药、牙科服务、中医服务和家庭护理访问。
到2016年，几乎100%的人口都加入了NHI计划。

2-2 医院信息系统（HIS）：

HIS在医院环境中被广泛采用，强调医院的行政需求。
HIS旨在建立一个无纸化环境，涵盖医院运营的各个方面，如临床、行政和财务系统。
医院需要处理大量的日常门诊访问，这导致了数据在客户端和服务器之间的连续传输。
物联网（IoT）技术通过连接人和物体提供了便捷的生活环境，促进了从集中式计算机方案向分布式环境的转变。
许多医院努力提高行政效率，降低成本，并为患者提供高质量和用户友好的服务。

2-3 医疗中的大数据：

大数据被描述为需要成本效益和创新形式的信息处理的高容量、高速度和/或高多样性的信息资产。
大数据在医疗领域被称为医疗大数据，对医院和诊所的决策过程至关重要。
医疗大数据通常是非结构化和复杂的，需要一个强大的管理系统来提高其有效使用。
大数据挖掘过程可以从大型数据集中提取有价值的信息，关联规则挖掘在数据挖掘过程中非常有用。
机器学习（ML）是计算机科学中的一个热门领域，但在医疗领域缺乏高质量的大数据，面临着相当的挑战。
交互式机器学习（iML）可以通过强化、偏好和主动学习的优势来改善高质量大数据的不足。

2-4 医疗大数据的挑战：

医疗大数据的采用在组织内部面临多方面的挑战，尤其是专业知识、运营、资源、法规和市场准入方面的障碍。
专业知识障碍：缺乏技术专长可能导致组织未能采用技术创新。
运营障碍：组织可能因为过度专业化和对变革的抵制而遇到障碍。
资源障碍：资金不足可能阻碍任何商业企业的成功。
法规障碍：法规和政策的变化和控制给医疗大数据技术的实施带来了困难。
市场准入障碍：创新者必须克服从市场到潜在用户的广泛障碍。

3、研究方法

3-1 专家访谈

目的：通过与行业专家的访谈，确定医疗机构在大数据发展中的阻力因素。
定义：专家访谈是一种研究方法，涉及具有特定组织或机构内特定职能地位的行动、责任和义务所带来的独特知识和经验的专家（Bellamy et al., 2006）。
优势：专家访谈能够提供对受访者的深入理解，快速的招募和安排过程，丰富的数据收集，以及与受访者的直接互动（Froschauer & Lueger, 2009）。
数据收集技术：专家访谈是一种吸引人的数据收集技术，因为它能够基于通用和公开的数据，弥合案例研究和不同国家比较之间的差距，并为比较研究提供对核心维度的控制（Dorussen et al., 2005）。

3-2 分析网络过程（ANP）

提出者：Saaty于1996年提出，旨在解决层次分析法（AHP）在现实世界决策问题评估中的局限性（Saaty & Begicevic, 2010; Saaty, 2006, 2007）。
特点：ANP能够确定现实世界决策问题中因素的权重，考虑到依赖和反馈关系（Lin & Kuo, 2018; Lin, 2015; Lin et al., 2016; Liu et al., 2012）。
应用：ANP被用于策略评估和替代选择，例如基于ANP和TOPSIS技术的策略评估和选择框架（Chang et al., 2019）。
步骤：
1. 构建评估系统的网络结构：精确描述问题，将其划分为包括替代方案群集的群集，并明确节点和群集之间的相互依赖性。
2. 开发成对比较以确定因素的相对重要性：使用Niemira和Saaty（2004）的九点基本尺度进行比较。
3. 进行一致性测试：计算比较的判断一致性，使用一致性指数（CI）和一致性比率（CR）。
4. 建立和计算超矩阵：将局部优先向量放置在超矩阵的适当列中，以实现具有相互依赖关系的系统中的全局优先级。
5. 确定最佳解决方案：通过将加权超矩阵提升到2k次幂来获得长期稳定的权重范围，其中k是一个任意大的数字。

3-3 VIKOR方法

定义：VIKOR是多标准决策制定中的一种最佳折中编程方法，旨在定义理想解（正理想解）和负理想解。
理念：理想解是指所有替代方案中所有评估因素中最好的，而负理想解是评估因素中最差的替代方案。
评估和排序：通过比较替代方案与理想接近度的估计值来对替代方案进行优先级排序。
特点：VIKOR方法包括最大化"群体利益"和最小化"对个体遗憾的反对"，以便政策制定者接受折中解决方案。
计算步骤 ：
1. 寻找理想和负理想解：确定每个替代方案的理想和负理想解。
2. 计算替代方案的总体利益和个体遗憾：计算每个维度和指标与理想解之间的差异。
3. 计算和排序替代方案的综合利益：使用总体利益和个体遗憾来建立综合利益并排序替代方案。

4、实际分析和结果

4-1. 专家访谈

研究方法 ：进行了32次专家访谈，访谈对象包括医生、医疗人员和学者。
参与者背景：31位专家来自台湾的大型知名医疗机构，如台北荣民总医院、台中中国医药大学医院和台南成功大学医院。1位专家是加拿大多伦多大学的大数据专家和研究员，由于地理距离，通过电话进行访谈。
访谈时长：每次访谈时长在45至60分钟之间。
访谈地点：在参与者的工作机构进行。
参与者多样性：表1展示了参与访谈的专家的人口统计学多样性。

分析方法：分析了参与者的交流内容，并总结了他们分享的主要主题。
主要障碍维度 ：识别出五个主要的障碍维度，包括专业知识、运营、法规、资源和市场准入障碍。

抵抗因素：在每个维度中，参与者揭示了各种具体的抵抗因素，这些因素最终被分为四个组，每组包含每个维度最常提及的因素。
分析工具：使用ANP方法分析这些维度和抵抗因素。

4.2. Analytic Network Process (ANP)

ANP定义 ：ANP是一种实用工具，用于将问题建模为因素和备选方案的网络，这些因素和备选方案可以以多种可能的方式相互78关联。
因果关系：通过ANP实施，研究揭示了维度和抵抗因素之间的因果关系及其权重。
权重计算：使用ANP计算因素的权重，每个维度只有一个主成分。
权重矩阵：通过标准化和转置总影响矩阵获得相对权重矩阵（表2），提供相对重要性权重后获得加权超矩阵（表3）。

收敛过程：通过乘以自身，加权超矩阵的依赖关系逐渐收敛，得到极限超矩阵（表4）。

最优权重：组件权重的超矩阵是最优权重（表5）。

4.3. Vlse Kriterijumska Optimizacija I Kompromisno Resenje (VIKOR)

理想与负理想解：通过问卷获得VIKOR相关值，因素得分范围从0到10。设定理想解为10，负理想解为0，权重值为ANP计算后的值。
总体利益与个体遗憾：使用ANP获得相对加权值。表8展示了医疗大数据的重要性指数。
综合利益排序：根据VIKOR方法的最后步骤，计算每种策略的Rvk值。表9展示了在不同v值下Rvk的值，使用v=0.5追求最大总体利益和最小个体遗憾。
策略序列：使用v=0.5评估适当的备选方案，并建立追求最大总体利益和最小个体遗憾的指标。表10展示了当v=0.5时参与者的Rvk策略序列，结果表明与医生和医疗人员相比，学者对医疗大数据发展最为关注，并为消除医疗机构实施大数据系统的障碍提供了最坚实的建议。

5、讨论

5-1 主要障碍

操作障碍：主要源于数据收集和质量问题。医疗大数据的非参数模型可能导致数据网络的隐藏节点和计算复杂性的指数增长，从而产生障碍。
市场准入障碍：主要问题是对医疗大数据增值应用的限制。

5-2 专家群体的观点

学者：被视为能够为医疗机构提供最战略性和可靠性咨询的专家。
医生和医疗人员：虽然他们对医疗机构的内部发展有深入了解，但对医疗大数据的不信任和对新系统的困难感知可能限制了他们的洞察力。

5-3 研究限制和未来研究

研究范围有限，主要数据收集在台湾进行，可能需要在更广泛的背景下进行研究以确保数据的可信度和适用性。
参与者群体之间的平衡不足，特别是医疗人员和学者的数量较少。
只涉及了医生、医疗人员和学者三组专家，未来研究可以包括工程师、政府和患者等其他重要利益相关者的观点。