【本書宗旨】
醫療實務與涵括醫療實務的產業正在經歷急遽轉變。不過，雖然健康照護體系的變化已廣泛受到關注與討論，健康照護這個產業在五年、十年、甚至十五年內的發展，卻還是所知甚少。根據我們的觀察，這座受到高度規範的市場，經歷過好幾階段的演化（有人或許視為革命）。〈可負擔健保法〉（ACA）已經為近幾年的發展，制定了方向，但是健康照護體系革新後，會往什麼方向發展？
健康照護體系的發展方向與電腦資訊技術息息相關。許多作者著重的是電腦技術的革新，但本書著重的是目前與未來可以如何使用這些經過電腦處理的材料，亦即數據與數據分析技術。本書作者群談到將個人健康資訊整合進「大數據」之中的方法，目的在於改進健康照護服務產業的品質、增進與顧客間的互動。健康照護服務產業才剛開始體認到健康照護服務的資訊錯綜複雜，卻具備無窮的發展潛力，無論是為美國還是為全球，皆能帶來助益。
資訊學好幾年前就已經將數據納入課題內，而新浮現的問題包括：是否可以取得大量數據、這些數據需要迫切處理的程度、分析技術又需要達到何種規模才能處理這些重要的數據。這些問題統稱為大數據。在第8章，強森（Bruce Johnson）明確指出：「大數據這個概念的重點，在於任一機構深入分析手上的資料後，能夠獲得的價值利益。換言之，大數據的概念不在於某個資料庫或資料架構，而是各種用以分析、搾取資料價值的方法。在健康照護領域中，機構必須真正瞭解該如何取得、管理和利用資料，才能發揮大數據的功效。」然而讀者會發現，本書中有幾項定義互有重疊。
本書宗旨在於透過各項案例提供架構，闡述大數據及分析技術如何在現代的健康照護體系中發揮作用，包括將公共衛生資訊應用於健康照護服務的方法。本書是針對健康照護專業人士而撰寫，目標對象也包括高層主管。本書並非透過專業艱澀的統計分析、或是機器學習演算法，來讓讀者瞭解大數據，也並未述及設計資料庫的複雜流程，主要呈現的是目前產學界研究人員與領導者的研究，論述方式適合平時就在注意健康資訊的人；若是您很關心如何利用健康資訊來改善病人的治療成效，或是想瞭解能改善治療成效的醫療院所營業實務，本書也應能提起您的興趣。
我們強調的是「使用」，畢竟如果不在需要的時間提供正確資訊給需要的人，資料蒐集工作就不會增加什麼價值。因此，本書中所有作者提出的許多例子，旨在闡明大數據的管理及使用如何能改善照護利用程度，同時減低成本、提高品質。
然而，因為大數據與健康照護分析技術目前仍未發揮應有價值，而常遭受批評，從某種角度來看，批評者於理有據。在2014年於健康照護資訊科技新聞（Healthcare IT News）網站刊登的一篇文章中（p.1），舒曼（Carl Shulman）提及「快速簡便的科技」何等重要。現在這個時代，快速簡便的電子健康資訊其實相當難以取得。資訊固然已蒐集好，卻缺乏計畫，無法使資訊完整而有效的因應各種目的。如今大數據及健康照護分析技術面臨的挑戰，包括以下：
♦ 將生物醫學資料等新興資訊及新興技術，整合至儲存大數據的電子健康紀錄（EHR）中。文字資料需要研發特殊演算法來處理，遺傳資料數量會很龐大，至於持續受到監控的生理資料，其細分程度則可能很分歧。
♦ 推動全面應用國際疾病分類第十版（ICD-10-CM/PCS）編碼。此編碼系統提供了各種特定診療資訊，但是要處理複雜的編碼，資料系統及相關營業實務的投資工程相當浩大。從更大的層面來看，從蒐集的原始資料、到所需的標準標籤方式，中間可能會出現資訊流失的狀況。
♦ 分析醫學影像及文字紀錄等未結構化資料，使其發揮更大效用。
♦ 營造資料分享的風氣，並建立應有架構，例如，針對資料的交互運作提出對策，以因應醫療體系的需求，包括符合未來「有意義使用」（Meaningful Use）的原則。
♦ 建立符合責任制醫療機構（ACO）需求、以及其他給付改革類型需求的資料系統。
♦ 產出健康照護提供者與消費者皆得以理解的資訊。
♦ 集結得以識別出個人身分的資料時，就算沒有〈健康保險可攜性及責任法〉（HIPAA）十八個安全停泊資料項目的規範，也必須維護病人隱私。
美國國家科學院（National Academy of Sciences）曾經談到，應如何教導學生擷取大數據的價值。這背後的涵義，其實是我們應該要知道學生該具備哪些知識。在健康照護產業中投入大數據及醫療分析技術的我們，目前面臨的主要挑戰，正是如何向不同領域的醫療專業人員，展現醫療大數據分析技術的附加價值。
本書的章節編制
本書共分成三部，蒐羅了可取得的資料與可使用的分析方法，包括醫療資料的來源與使用、營業實務及人力訓練、資料呈現及分析架構。每一部皆呈現了如何透過資料集（data set）的分析，來改善健康照護服務，這些資料涵括族群資訊、臨床數據、行政資料等。
第一部 醫療資料的來源與使用
本書首先談論哪些類型的醫療資料可以整合至大數據。第1章小東納胥（Donald Donahue）提到處理醫療領域的資料時，「難就難在知道該注意什麼」。一旦找出可用的資料，若要將其整合成方便取得的資料來源，同時又要維持資訊的完整，必須考慮哪些要素呢？
小東納胥和第2章的作者派克希爾（David Parkhill）都提出實例，闡述醫療資料經過整理與判讀後，如何更有效的使用。知道該注意的事項後，就能應用至第2章所提的那些大量且未結構化的資料，包括文字檔案、臨床影像等。
第3章扼要說明將不同的資料集，轉變成大數據時面臨的困難。撰寫此章的分析人員皆在大型醫療機構服務，協助不同的醫療實務，以便識別、集結、並分析資訊，改善病人照護品質。他們遇到的問題包括：自行其是的資料結構、資料定義欠缺共同的標準、跨領域人力的需求、以及適合處理大數據的分析工具。
第4章到第7章的重點，在於利用各種醫療資料來解決特定問題。在第4章，山德夫（Ryan Sandefer）與馬克（David Marc）討論了美國聯邦政府大數據之生態、以及在健康照護方面的應用，例如開放政府計畫HealthData.gov。作者接著說明，以開放原始碼工具分析開放原始碼數據的方法，舉出的例子是聯邦老人醫療保險暨聯邦醫療輔助計畫服務中心（CMS）通過第一階段「有意義使用」認證的數據，分析的根據則是傳統流行病學的原則：分析時須同時考量分子（通過第一階段有意義使用認證的醫院數量）與分母（一特定區域裡的醫院總數）。作者也指出：成功的大數據分析仍需要健全的研究方法，才能有效執行。
第5章的作者葛雷德（Roland Grad）及同僚評估了醫學新訊通知服務的成效，這類服務包括電子郵件、應用程式、RSS訂閱等將臨床資訊推播給醫師的工具。在2006年，他們開始蒐集一萬名加拿大醫師及藥師的意見回饋，瞭解InfoPOEM（病人切身資訊）的實用程度。他們也建議幾項評估方法，未來可協助改善這些提供給醫療工作者的近乎即時的臨床新知工具。
在第6章，史蒂芬斯（Gregory Stevens）再次闡述了可使用的群體資料來源，但他的文章重點放在基層照護醫師，以及如何利用社群的數據來建立脆弱性一般模式。透過這些模式，能進一步為個人規劃促進健康的介入方式。社群的健康觀念及健康照護施行方式，確實會影響病人的健康習慣，也會影響改變這些習慣的機率。
第7章是伊蒂尼梅蘇比（Martine Etienne-Mesubi）與同僚從國際觀點，探討在新興經濟體中建立並使用健康資訊系統的成效。他們的重點只有一項，即人類免疫不全症病毒（HIV）的照護，但其經驗可以應用於開發中國家的多數健康照護類型。這章的結尾提出了一項問題：在缺乏資源的情況下，從零開始建立醫療資訊及分析系統，是否比較困難？抑或是，從既有的行政與臨床系統中，重新整合電子健康紀錄系統，花費的時間和成本比較多？
第二部 營業實務及人力訓練
第8章作者強森（Bruce Johnson）探討的是大數據及醫療分析技術所需的資料架構。作者闡述的是我們應該如何善用大數據的複雜特性。各機構在訂立資料標準、為系統建立新技術、培養分析能力的時候，必須考量大數據的複雜性。
處理大數據的營業實務做法，要與儲存技術與分析技術一同並進。在第9章，狄米特羅普洛絲（Linda Dimitropoulos）與湯普森（Charles Thompson）討論的是：如何在資料治理與管理的最佳實務以及使用者需求之間找尋平衡點。本章透過資料治理協會（DGI）的一般資料治理框架，逐一闡明要點。資訊長可要多加注意了，本章談到多項問題及解決方法，主題涵蓋治理架構與流程的建立、找出可靠的利害關係人的方法、風險的管理、定義明確指標的方法、以及確保資料安全的方法。
在第10章，多博拉（Matthew Dobra）與同僚從另一個戰術角度，觀察資料的治理。他們檢視了影響醫療資料的多項政府法規與現行醫療實務，以及可能危及病人照護服務的負面結果，最後則針對大數據的蒐集、儲存、使用，提出政策面與實務面的建議。
第11章概要闡述了人力訓練的需求，透過訓練發揮大數據及分析方法的潛在效用。作者哈荻（Lynda Hardy）同時檢視了兩個相關領域，即健康資訊學與健康資訊管理。哈荻指出，精進這兩個領域的技能，便能讓大數據發揮最大效益。健康資訊學專家的工作是研發並處理電子健康紀錄與數據，如此一來，在臨床實務與營運上，才能有方便取得又能妥善運用的數據。健康資訊管理者更應注重的是健康紀錄的內容，包括資料編碼與正確性。這兩個領域的專家具備共通的技能，例如要熟悉政府法規與安全性規範；但也各有所長，如健康資訊學專家必須有深度分析的能力。哈荻也強調：整合健康資訊學與健康資訊管理的技能後，若再加上臨床上的知識見解，就可以發展出新領域的專才，例如護理資訊學家及醫師資訊學家。
第三部 資料呈現及分析架構
複雜資料內特定模式之間的互動方式是個難以釐清的問題。在第12章，來自美國馬里蘭大學人機互動實驗室（HCIL）的普立隆（Catherine Plaisant）、許耐德曼（Ben Shneiderman）及同僚說明了病人個人資訊、處方紀錄、全球疾病負擔（GBD）等資訊，可以透過新穎的互動視覺化工具呈現出來。利用他們研發的Lifelines與Eventflow分析系統，能將醫療實務的模式辨別出來，而且用戶簡單就能判讀。
第13章作者杰安（Kim Jayhan）處理了大眾健康管理的議題，藉由這個當今頗為熱門的概念，呈現如何應用商業智能，來改善病人照護品質。杰安提供了個案研究分析，說明如何實現「醫療三大目標」：促進大眾健康、改善就醫體驗、降低人均照護成本。
第14章繼續說明如何透過數據分析，改善以下四大領域的決策：減少健康照護成本、協助病人做出適當的醫療決定、改善介入方案的設計與選擇，以及防範醫療費用申報之詐欺、浪費等弊端。隨著數據分析持續發展，畢昂娜多特（Margrét Bjarnadóttir）及同僚也在本章總結部分指出了未來尚待解決的問題。
本書最後一章的作者，一點都不認為懷抱雄心壯志有什麼疑慮。在第15章，里茲（Derek Ritz）依據過程控制理論與大數據分析技術，建立一套電子健康計畫的評估架構。無論是國際間還是美國、美國各州，健康照護體系都是研究與討論的重大主題。健康照護體系要具備何種要素，才稱得上有效率且運作良好？醫療照護服務方便取得的程度如何量度？消費者應如何融入此體系中，又應如何時時使用此健康照護服務？
透過本書作者群提供的資訊，讀者應能瞭解與醫療大數據相關的議題。不過，我們更期盼的是，對於醫療大數據未來的發展，讀者能充滿信心，甚至能透過本書獲得豐富知能，一起加入實現理想的行列。
2024專利防護中