又是一年年底，医生们面对来自医院与科室的压力，又到了苦口婆心地对患者说「某某药没有了，您换家医院看看」的时候；也到了翻遍全年电子病历却发现没有足够的有效数据支持研究的时候——医保运行，真的应该是这个样子吗？电子病历，难道不能更有用吗？
临床一线积累下的各种医疗大数据，到底有什么用？
适应机器，还是机器适应你？
听上去很美好的电子病历，一直都被寄予着减轻医生负担、方便患者就医的厚望。然而，不论是医院自建还是购买，电子病历系统最后通常都难逃被医生厌弃的命运：要么需要花费大量时间录入数据，要么就是充满了随手复制粘贴的过往病例，让医生在真正需要调取查询病例时束手无策。
于是，初衷本是「详细记录诊疗过程」的电子病历，反而被医生们一眼看穿：这些填不完的表单、反复弹出的对话框、难以实现的信息共享，与其说是方便医生，不如说是在帮助相关部门不断完善监管手段。
那么，你有没有产生过这种疑问：究竟是电子病历在服务你？还是你在服务电子病历？
事实上，医生们的典型工作流程，并没有那么依赖电脑。大多数医生，还是更习惯于口述、在纸上写几行笔记这些做法。而电子病历中，如果只包含患者的部分数据，却对案例备注、扫描文档和珍贵的医生笔记视而不见，显然是巨大的浪费。
电子病历，应该是什么样？
在电子病历发展上先试先行的美国，更早地意识到大量医疗记录没有被获取或开发这一问题。 Apixio 研发总监 Vishnu Vyas 曾表示：「在医疗领域中，非结构化数据的数量是结构化数据的 10 倍。而且我们发现，真正的价值蕴藏在非结构化数据中。」
事实上，现在医疗行业中，一些最具影响力的大数据用户的重心，已不是如何获取更多数据，而是怎样深入分析现有的数据。
一方面，要尊重医生的工作习惯，不强迫他们使用计算机语言与思考方式；另一方面，又能将其诊断记录、临床案例备注这些非数字化数据与电子病历结合，实现顺畅地读取与索引，进而支持医疗决策——这才是「数据驱动技术」真正酷炫的地方。
Apixio 能做到这点。他们通过将自然语言处理（NLP）与机器学习算法相结合，打通各系统，并从信息海洋中打捞、标示出关键信息。更令人惊叹的是，用户响应还可以融合到智能层。也就是说，像 AlphaGo 一样，「信息」可以不断地培训「系统」——电子病历终于不再是那个只会提醒配伍禁忌和病案书写质量的呆子了，它能变得更聪明，更有用。
Vyas 表示：「借助极其强大的大数据分析平台，我们可以分析结构化和非结构化数据，甚至能够解答以前想象不出的问题。」
而 Vyas 口中「极其强大的大数据分析平台」，背后正是来自英特尔技术强有力的支持。
Apixio 的许多工作负载都属于计算密集型，对计算和内存有非常苛刻的需求。基于英特尔至强处理器的服务，倚靠英特尔出色的性能和吞吐量、大量内核与线程、大容量内存，及迅捷的响应性能，才得以保障这些海量数据的处理与支持。
帮助机器，还是机器帮助你？
医保是另一个让人头疼的话题。患者嫌起付线高、报销比例低、医保目录窄；医疗机构则在总额控制下小心翼翼；人社部门怕基金池穿底，对入选医保的目录和报销比例慎之又慎。这些都导致医保在有效管控成本和风险方面，探索和进步都太局限。
美国同样面临这一问题。
美国的诊断编码和操作编码均使用 ICD-9-CM，编码系统是风险管理的关键要素，直接影响着临床决策、医疗服务优化、结果评估和赔偿等方方面面。
但在实际中，一项由 Apixio 发起的调查研究发现，超过 60% 的关键临床信息在电子病历的编码层丢失。此外，在电子病历结构化问题的清单中，有 30%～50% 的信息是伪造的。这些充斥在诊断编码中的大量错误和遗漏，对患者、医疗机构和保险支付方而言，都是重大的基础性毁灭。
作为医生和医疗机构的决策者，往往会产生无力感：临床一线积累下的大量珍贵数据，何时能反哺临床实际问题？
对此，Apixio 针对结构化和非结构化医疗数据的处理能力，有相当大的价值空间。其不但迅速提升了图表审查流程的效率，实现自动化审查，而且还帮助提升了病例的完整性，并从病例大数据中发现以前未编码的病情，不断补充完善编码系统，最终使每位患者获得更精准的风险评分。
随着美国 Medicare 向价值导向型医护服务的演变，Scripps 健康计划服务合规性与性能改进总监 Linda Pantovic 表示，Apixio 这种将非结构化数据进行结构化的处理，「有助于医生和医疗机构更准确地评估系统运行状况，进而实施预防性更强的护理，并了解其如何影响治疗效果。」
由此，医疗信息更加透明，医生、医保方，甚至患者，都能根据完整的病例，准确了解真实的病情，从而更好地把控风险，做出最佳决策。
而带动并激活这些不断增长的医疗大数据，使这些敏感数据在安全的前提下，得到有效的应用，以满足医疗分析的多重要求，背后依然是英特尔技术所提供的强有力支持。
