数据中台，能在医疗信息化建设上发挥什么作用？

   自从出现了“大中台，小前台”概念之后，迅速掀起了一波建造数据中台的热潮，无论是互联网企业还是传统企业，都纷纷搭建起了自家的数据中台。

   若是问起数据中台究竟有何魅力，能让互联网巨头们如此重视，想必许多朋友还不是特别清楚。

   与大多数新概念刚诞生时一样，数据中台目前处于探索中的“定义混乱期”：有人认为它的本质就是数据共享，有人认为它只是云平台的一部分...

   上海艾艺特地写下此文，将从“是什么/为什么/怎么做“三方面，阐述清楚“数据中台”，以及它能为医院带来什么。

（数据中台全景图）

本文目录：

• ▷ 什么是数据中台？

• ▷ 数据中台，数据仓库的区别

• ▷ 数据中台解决了哪些问题？

• ▷ 如何搭建最适合的数据中台？

一、什么是数据中台？

   ThoughtWorks智能服务总监史凯是这样总结的：“数据中台是聚合和治理跨域数据，将数据抽象封装成服务，提供给前台以业务价值的逻辑概念”。

如下图所示：       

   Data API是数据中台的核心，也是连接前台和后台的桥梁，通过 API 的方式提供数据服务，而不是直接把数据库给开发使用。至于过程中，如何让 DataAPI 产生得更快，更清晰，数据质量更好，这些都是要围绕数据中台去构建的能力。

   看完是不是感觉还有点迷糊？没关系，作者准备了白话版本的定义。

   白话理解更容易：

   肯德基，大家肯定都不陌生。

   客人（业务部门）走进肯德基，点上一份巨无霸/原味鸡/奥尔良烤翅（业务应用）。

   后台的厨师（IT开发部门）收到订单后，就得把鸡肉（数据）做成客人想要的套餐内容（各种业务应用）。

   套餐的种类繁多，门店的人流量也不小，如何保证出餐速度呢？

   其诀窍就是——背后有一套标准化制作流程（ETL/BI等数据工具），厨师们只需要按照配方，控制好油炸的温度/撒放调味料的比例（数据算法）。之后无论客人点了的是哪一种套餐，都能迅速出餐。

   如果某一位客人想把小孩的生日派对安排在这里，几十位客人都有各自想品尝的美味（需求量变大）。那就需要致电给店长，告知大概的人数。店内就会提前备好更多肉类/饮料/调味包，还得存进冰箱（数据仓库），这就解决了随用随跳（实时取数）的效率瓶颈。

   整个过程就相当于构建了一个数据中台,在做数据中台之前，要先考虑这三个问题：

   有没有需求？需求频率高不高？需求量大不大？

   数据中台作为所有业务的数据需求的提供方，随着业务对数据服务的不断滋养，将会形成稳健的数据服务，当我们需要构建新的前台应用时，它可以无差别的供给数据服务，点亮创新的火种。

二、数据中台，数据仓库

   一提到“数据”，很多人就会联想到数据仓库。乍一看数据中台的概念，你可能会觉得，它跟数据仓库没啥区别。

   其实不然，为了方便大家理解两者的差异，作者做了一张图，来阐述两者的区别： 

   如图所示，差异主要体现以下四方面：   

● 计算存储

   数据仓库基于OLAP类型的数据库，后续发展为MPP等混合架构。而数据中台从诞生起，就使用Hadoop、Flink等混合架构，随需搭配，满足了各类数据计算的要求。

● 应用场景与价值体系

   与传统数据仓库相比，数据中台的应用场景要广泛得多。传统数仓中存储的数据大多是结构化数据，这些数据只是根据需求针对性抽取的（并不全面），因此对业务支持有限；而数据中台起家于互联网企业，业务需求更繁杂，包含诸多不确定性的应用场景，传统报表很难满足需求，而中台能够提供随需应变的数据服务。

（数据仓库常用系统架构）

● 体系架构

   除了大数据存储和计算平台外，数据中台还包含数据开发IDE、敏捷BI报表开发等多个组件，由众多组件汇集成一整套方案，这一点是传统数据仓库望尘莫及的。

   但两者也有一些相似之处，比如建模方法，数据中台同样采用数仓维度建模法，按照事实表、维表来构建数据模型。

   数据平台的出现，解决了数据仓库不能处理非结构化数据和报表开发周期长的弊端。

三、数据中台解决了哪些问题？

   在数据开发中，核心数据模型的变化是相对缓慢的，但业务创新的速度是非常快的。数据中台的出现，就是为了弥补数据开发和应用开发之间，速度不匹配/响应力跟不上等缺陷。

   数据中台解决的问题可以总结为以下三点：

1、效率问题

● 数据研发效率

   项目初期业务模式不固定，烟囱式开发模式占据主导。随着业务复杂度的不断攀升，重复性开发制约了数据需求交付效率。需求响应速度被业务部门诟病，也就成为了家常便饭。

● 数据发现效率

   面对动辄上万张表，每张表有上百个字段，准确理解每张表的含义非常困难。

   开发数据和使用数据的往往是不同的部门，需要大量的沟通成本，对于数据开发，每天都在回答重复的问题；对于分析师，找所需的数据很麻烦。

● 数据分析效率

   传统分析中，指标有异常波动，需要从哪些维度去剖析，完全靠分析师的经验。数据中台搭建完成后，能够将经验沉淀到产品中，通过系统自动进行全维度的钻取分析，降低数据分析的门槛。

2、质量问题

● 数仓设计

   主要看这三方面—完善度、复用性和规范性。

   完善度就是“要啥有啥”。如果其他汇总层要使用相同的数据，都需要从ODS层去引用(跨层引用），就存在重复清洗的问题。

   复用性强调的是一个表被多表征用的情况，复用性越高，说明数仓设计越合理；

   规范性指的是数仓中的表、字段的命名规范统一，相同指标、维度、度量的标识是一致的。

● 指标一致性

   如果遇到不同数据产品中相同的指标，结果不一致，可能是口径不一致/数据来源不一致导致的。

   指标是数据加工的结果，指标管理的核心在于确保指标的业务口径、计算逻辑和数据来源的一致，消除指标的二义性。

3、成本问题

   包括计算资源成本/存储资源成本

   数据就像电脑里面的文件，如果不定时清理，存储空间永远不够。如果出现数据成本比业务增长还要快，多半是烟囱式开发导致重复加工，浪费了计算和存储资源。

   以上三类问题都会导致开发进度缓慢。而数据中台的妙用就是——使前台开发团队的开发速度不受后台数据开发的影响。

   让我们把视线转回到HIT行业，目前的医疗信息化开展面临以下两大挑战：

挑战一，如何利用数据赋能业务

   要利用数据，首先得实现数据的互联互通，集成标准化和结构化。采集到优质数据，才能迅速发现问题，并且根据问题，使用辅助决策系统改善医疗质量，提升临床效能。

挑战二，如何应对专科个性化需求

   专科系统都有特定的专科知识/诊疗规范/服务环节/数据分析指标。

   系统都由不同厂家提供，硬件要求不同，都需要做接口，这给信息科造成了很大的困扰。更要命的是，系统之间是交叉的，一旦某种疾病的知识体系改变了，将会影响相关系统的使用（比如静脉血栓栓塞症的知识改变了，会影响抗凝药物的使用推荐）。

   面对医院海量数据难以利用的窘境，数据中台能够对症下药，完成数据集成/形成模型//数据决策/生成临床应用/业务重塑（场景化人机协同）。

四、如何搭建最适合的数据中台

   建造数据中台的过程说起来很简单，大概是这样：明确需求/原型设计/需求评估/严格测试/成功上线/时刻跟进问题...

   建立初期，一定要搞明白业务对于数据的诉求，把数据和业务当成一体去看，而不是将数据仅仅当作支持工具。

   回到自身的业务流程，一步步拆解出各个指标数据，切勿在业务场景还没有明确、价值度量体系尚未建立起来的时候，就着急开工。这样的数据平台完工后，一堆功能看上去很厉害，但由于缺乏应用场景，做不到开箱即用。

   例如出行业务，业务流程大概是：用户提交订单——司机接单——乘客上车，订单开始——到达目的地，用户下车——用户支付（自行决定是否评价）——订单结束。

（业务流程）

   根据以上流程，我们可以挖掘出数据指标，例如：某区域1小时内订单发起数、订单取消率、订单平均响应时间、订单好评/差评率等等。

那医院如何搭建数据中台呢？

   重构流程关键在于深入临床路径，这样才能发现更深层次的信息。首先要匹配业务需求，然后根据需求优化流程。梳理过程包括：收集指南/按照疾病主流程进行拆解/形成决策树。

第一，实现数据标准化和结构化；

   通过自然语言处理（NLP）和本体映射的方式，实现数据标准化、结构化。

自然语言处理（NLP）是指机器理解并解释人类写作、说话方式的能力。

   NLP的目标是让计算机／机器，在语言理解方面像人类一样智能。最终目标是弥补人类交流（自然语言）和计算机理解（机器语言）之间的差距。

第二，构建统一的数据质量和监控体系；

   最终的目的就是完成数据的一致性，标准化，合理性。体系完工后，对及时发现医疗质量问题和风险有非常大的帮助。

第三，建立统一疾病数据模型，人工智能辅助临床诊疗决策；

   建立疾病模型的步骤大概是，罗列出疾病核心变量，临床研究表单收集内容，补充疾病变量，从而形成疾病数据模型。

   国外已有可供参考的案例，美国杜克医疗基于人工智能技术，建立起了脓毒症预警模型，对及时发现病症起了很大的帮助。比如败血症，败血症本身并无特殊临床表现，临床表现也可见于其他急性感染。而人工智能建模预警，能够及时检测出败血症。所以，非常期待这项技术能够在国内加快落地应用。

总结

   中台的出现，从某种角度上来说，主要源自于数字化转型升级的需要。如火如荼的中台建设浪潮背后，是传统企业面临转型的东风。

   值得期待的是，中台的能力，已经蔓延出了互联网领域的边界，回望医疗信息化产业，在当今的大环境下，医院对数据中台的需求是呼之欲出的。

   无论数据中台是个方生方死的风口，还是孕育下一代BAT的黄金摇篮，每个相关方都需要尽快认知，并决定出是进是退。

   毋庸置疑的是，数据中台已走到了价值验证的关键路口。

   如果您有数据中台建设的打算，欢迎咨询「艾艺」，我们会根据你提供需求及商业模式，提供相应的数据中台建设解决方案。在开发完成后，会有专门的测试人员解决使用过程中出现的所有问题BUG。咨询热线：17702199087（同微信）。

文章来源：HIT思想荟   作者：老罗