大数据使得在宾夕法尼亚大学医学院的差异

临床医生和医学信息学专家迈克Draugelis，在费城宾夕法尼亚大学医学院的首席科学家的数据，带领球队忙的这些日子。从大规模并行计算机集群使用的见解，存储数据，该团队正在建设的新医疗方案原型，测试他们与病人和结果反馈到算法，使计算机能够从错误中学习的体积庞大。

这大数据的方法来改善医疗服务的质量已经造就了一个重要的成功:宾夕法尼亚大学团队提高了临床医生能够预测哪些病人在患败血症的风险,一个高度危险的条件,它现在可以识别这些患者早于24小时前它可以介绍的算法。

Draugelis和他的同事在宾夕法尼亚大学的医院工作。在学术研究方面，该大学的医学院已推出生物医学信息研究所（IBI）利用大数据的技术做基础研究。在2013年宣布，IBI现在命名杰森·穆尔博士，谁在达特茅斯成立了类似的机构，作为其主管合并后几个月。IBI将集中于精密医学，即开始起飞的基因测序成本下降的一个热点领域的努力。

The effort to link genomic differences with "phenotypes" – the variations in patients’ characteristics and diseases – has been underway for five years, says C. William Hanson III, M.D., chief medical information officer and vice president of Penn Medicine and a member of IBI. But he sees this kind of research quickly accelerating.

Steven Steinhubl，医学博士，the的数字医学主任斯克里普斯转化科学研究所加州拉霍亚(La Jolla)对此表示赞同。他表示:“在我们将从大数据中学到什么方面的曲线上，我们仍处于上升阶段。”“它正在迅速增长，但随着像宾夕法尼亚大学这样的大型医疗中心利用他们已经收集的数据，并在此基础上添加基因组学，它将加速增长。”

改变临床路径

Draugelis的团队在宾夕法尼亚大学医学院使用算法来调整，医生和护士按照诊断和治疗特定条件的准则。当协议的变化，他解释说，临床团队必须开发新的保健途径，指定医生的工作流程的每个步骤。这是非常紧张的工作，所以被编码必须在算法进行调整，从病人护理的前线反馈的变化。

“我们正在进行两周的冲刺，临床医生调整他们的路径，我们根据他们的需要调整算法，”Draugelis说。

该团队建立约每半年进行一次特定条件的原型一个新的途径。目前，它的重点是找到更好的方法来预测哪些病人有充血性心脏衰竭，并且有可能从医院出院后要被重新接纳。此外，该团队正在急性疾病如送货和严重败血症后产妇恶化。

“我们正在基于数千个变量创建机器学习预测模型，”Draugelis说。“我们实时观察他们，但我们通过数百万病人的记录训练他们。”

在脓毒症的案例中，团队从一个称为SIRS(系统性炎症反应综合征)的专家模型开始，该模型使用特定的温度、心率、呼吸率和白细胞计数作为脓毒症风险的关键指标。加载病人的所有可用数据后，包括电子健康记录（EHR）的数据，计算机使用算法来确定病人的特征如何紧密地匹配那些谁在过去发生脓毒症患者。当病人该配置文件相匹配，对患者临床医师关怀收到警报后，作用于它或不和饲料他或她的反应回算法进行改进。

[相关:如何大数据分析可以帮助医院停止杀手]

宾州医学的床边监视器持续跟踪生命体征，并将其记录在电子病历中。汉森指出，这种生命体征的自动记录在五年前还没有出现。Steinhubl说，它在重症监护病房之外还没有普及，但是当它成为常规时，它将对Draugelis的团队所做的工作起到很大的推动作用。

院长Sittig，博士，在教授生物医学信息的得克萨斯大学健康学院在Houston，喜欢连续监测和馈送数据到计算机算法的想法。与此相反的平均楼面护士，谁只能眼睁睁的，如果她有五个病人，当时患者的20％“的计算机可以寻找每分钟的连续监测和监视的想法是非常强大的，”他说。“如果你能教什么，护士要寻找的电脑，电脑可以大大[比护士]更加警惕。”

为了使决策支持警报有用的，但是，工作人员已准备春季行动，尤其是像败血症的条件，Sittig说。此外，该警报的触发算法必须相当准确。“作为一个经验法则，如果计算机是正确超过一半的时间 - 尤其是正经事像败血症 - 临床医生会注意，但如果这是唯一正确的10％的时间，它开始是很麻烦的事情。“

精密药

两项重要的发展结合在一起，使得宾夕法尼亚医学院的IBI正在进行的精准医学研究成为可能。首先，电子病历在过去几年中已经广泛应用:大多数医院和超过80%的医生现在都使用了这种系统。其次，基因组测序的成本已经降到了一个完整基因组的1000美元左右。部分基因组或外显子组测序的成本要低一些。由于这些趋势，将基因型和表型变异联系起来以发现个体对疾病和药物的反应的想法现在是可行的。

为了进行这类研究，宾夕法尼亚医学院已经创建了一个专门的“生物银行”，到目前为止，在患者的许可下已经存储了大约20000个基因组样本，医疗保健系统的医疗技术和学术计算副总裁Brian Wells说。他指出，一个单独的个性化诊断中心已经对5000多名患者的肿瘤基因组进行了排序。

[相关:可云协作和数据分析治愈癌症吗？]

基因组数据的绝对数量是惊人的。例如，宾夕法尼亚大学医学院在其较高的磁盘空间，实现2个PB进行计算机集群，并计划扩大韦尔斯说。

“一位研究人员告诉我们，在未来的几年中，他可能会从神经系统科学测序空间五到PB级30去。所以，我们正在准备，我们需要要补充的，”他说。

CMIOs和cio面临的挑战

汉森面临佩恩医药凭借其大数据项目抓斗的最大的挑战，他说，电子病历之间缺乏互操作性，并需要良好的，干净的，结构化的数据。目前，佩恩在其医院，急诊室，ICU和门诊的做法不同的电子病历，但它移动到一个单一的系统。结构化临床数据是很难实现，但是，因为“医生倾向于文档中的非结构化的方式，”他说。

佩恩打算在电子病历使用自然语言处理（NLP）矿非结构化数据，并将其转换成结构化的信息，韦尔斯的笔记。“这是回顾性分析，而不是临床决策支持，因为你不能依靠它在它的100％的时间，”他补充道。

Steinhubl说，目前的大数据方法已经足够处理海量的基因组数据，但是知道如何使用这些数据的生物信息学家供不应求。他预测，当医疗保健提供商开始审查预计将从移动设备和可穿戴传感器流入的生理数据时，数据处理和存储将出现瓶颈。

然而，Steinhubl非常激动关于大数据的精度一样医学和临床质量改进领域的承诺。“最终，这将彻底改变医药和我们治疗常见的慢性条件的方式，”他说。

例如，他指出，高血压大多数情况下，被定义为一个单一的疾病。“所以我们把他们都放在一个篮子里，并把它们以同样的方式。有了这些工具，我们就可以改进他们的表型和基因型的和更好的对待这些人。现在，它主要是试验和错误。”

汉森冷静地思考了几句，为人们对大数据的厚望增添了一些色彩。首先，他指出，大多数提供商还需要一段时间才能准备好引入远程监控数据，因为这些数据必须经过预先筛选才能用于患者护理。其次，虽然精准医疗是个好主意，但大多数人还没有被测序，而且“我们没有一个一致的方法来解释他们的基因型数据，并使其可操作。”

虽然肿瘤学家越来越多地使用有关个别癌症患者之间的遗传差异的信息，这将是一段时间，汉森说，这种方法筛选到初级保健医生之前。然而，精密医学研究的宾夕法尼亚大学医学快速移动和其他领先的学术医疗中心。“我们是在一个爆炸性发展的边缘，”他说。

这个故事，“大数据使得在宾夕法尼亚大学医学院的差异”最初发表首席信息官 。