慢病主要是指以心脑血管疾病、糖尿病、恶性肿瘤、慢性呼吸系统疾病等为代表的慢性非传染性疾病的总称。据2012年世界卫生组织(World Health Organization，WHO)调查结果显示，每年因慢病引起的死亡数达36亿，而在中国等发展中国家慢病发病率更高，约占世界总死亡数的80％，造成的疾病负担占国家卫生总费用的70%^[1]，是目前危害人们健康的重要公共卫生问题。慢病是多因素复杂性疾病，受遗传因素和环境危险因素的共同影响，是可预防、可控制的疾病。因此，积极控制危险因素和个体化治疗成为降低慢病发生、发展的根本措施^[2]。然而，目前我国慢病防治工作主要在于流行病学研究、群体干预技术及优化方案等传统的公共卫生手段，而缺乏根据人体个体差异的“个体化”干预措施，导致我国慢病防治工作仍然面临着严峻挑战^[3]。因此积极探索新的科学、规范、高质量的慢病个体化管理策略成为了亟待解决的问题。随着信息技术的迅猛发展，医疗数据呈现指数级增长，医疗卫生行业开始进入大数据时代，大数据的建设与广泛应用为慢病管理提供了新方向，不仅能够改善慢病的治疗与展望，而且能首次将重点转向真正的预防^[4]，使“3P”医学(预测、预防、个体化)成为可能。本文通过对国内外医疗大数据在慢病管理方面的应用进展做一综述，以期为我国慢病管理提供一条新途径。

随着信息化的全面建设，数据呈现爆炸式增长，当传统的数据分析能力及统计学分析方法跟不上数据的增长速度时，便产生了“大数据”的概念^[5]。大数据是人们获得新认知、创造新价值的源泉，且早已广泛应用于互联网、金融、电子商务、交通、公共卫生等领域，使人们生活、工作发生了巨大改变。例如，在2009年甲型H1N1流感暴发前，谷歌公司基于十几亿条网页搜索记录，分析既往流感相关词条的检索频率与流感在时间和空间上传播之间的联系，处理了4.5亿个数学模型，以预测流感流行状况，其结果较疾控中心发布消息时间可提前2周，准确率高达97%^[6]，因此在H1N1暴发时，与习惯性滞后的官方数据相比，谷歌成为一个更有效、更及时的指标。在慢病管理领域，由于居民健康卡的普及、各种可穿戴设备的开发以及区域医疗信息化的持续推进，慢病患者的健康数据采集和共享开始成为可能^[7]，如厦门市卫生局建立的基于健康档案的区域信息平台。这些数据不仅包括常规诊疗过程中的医疗数据如电子病历系统，也包括各种可穿戴设备及健康APP等上传的个人健康数据以及一些临床研究、生物信息工程、医保信息、药品的信用卡消费记录等，几乎涵盖了患者整个的健康数据链^{[8, 9]}。大数据通过对这些海量数据进行融合、分析与挖掘及可视化，可以得到准确的预测、推论和高效的决策支持^[10]，为慢病防治流程中的各方面提供服务。如WellDoc公司研发的基于手机APP和云端大数据的糖尿病管理平台，这是首个获食品和药品管理局(Food and Drug Administration，FDA)批准的手机应用，患者可以通过手机实时记录、存储和利用糖尿病数据，并将数据上传到云端，由云端对这些数据进行实时挖掘分析，为患者提供个性化反馈，指导患者进行生活方式干预，并为医生的诊疗提供有效依据^[11]。

慢病作为多因素复杂性疾病，在评价和管理其风险时不仅要考虑环境因素的重要影响，而且不能忽略遗传方面的易感性。大数据可以对健康数据及基因数据进行挖掘分析，从而对慢病高危患者做出合理风险评估，实现慢病的一级预防。

研究表明，如能控制慢病的主要危险因素，至少可以预防80％的心脏病、卒中和2型糖尿病以及超过40％的恶性肿瘤，而WHO也确认对高危人群的危险因素进行个体化干预是减少慢病患病率的有效措施^[12]。大数据通过智能分析包括高危患者体征、运动频率、吸烟量等在内的健康数据，实现高危患者的风险评估，进而个性化的提供专业医疗建议。例如：Steinberg等人在大数据分析平台上对60万个化验结果及18万条索赔事件数据进行挖掘分析，以对个体和群体发生代谢综合征的风险进行评估，这样医生可以通过建议患者使用他汀药物或减重等干预方法来减少10内代谢综合征的发病率^[13]。而近期一项研究利用5万余例健康体检人群的数据，纳入了31项可能的危险因素进行数据挖掘分析，对心血管事件发生进行风险评估，其5年预测准确率与Framingham模型相当(C指数均为0.782)^[14]，这在一定程度上拓宽了风险评估模型的适应性，有利于慢病患者进行自我评估，更有目的性的改善生活方式。此外，大数据也可以对慢病高危患者的基因组信息进行分析，以评估患者的遗传易感性。例如：有研究者综合分析了来自25万名人的基因和健康数据，结果发现有32个单核苷酸多态性(single nucleotide polymorphisms，SNPs)与体质指数(body mass index，BMI)增加有关，并利用其中29个SNPs构建了遗传危险分值，用以评估发生肥胖的风险^[15]。

因此，可以看出，大数据对基因数据和健康数据进行合理挖掘分析后，可以提供更为准确的风险评估及个体化干预措施，实现了在了解遗传易感性的基础上，进行更针对性的改变不良生活习惯等危险因素的方法。

国外发达国家无论是医疗信息化建设还是大数据挖掘技术均优于我国，已经产出了一批医疗大数据高水平的应用技术和产品，用于辅助慢病诊断、治疗等方面，极大的提高了医疗诊治及服务水平。大数据分析能够从已有的或是实时收集的医疗数据中提取有用信息，为慢病管理的个体化治疗提供参考。如Jeffrey GK^[16]利用大数据挖掘方法从 11344份医嘱数据中抽取 50个因素组成贝叶斯网络，实现了实时更新的个体化最优用药方案推荐，其受试者工作特征曲线下面积(area under the receiver operation characteristic curve，AUC)约0.9，这对帮助临床决策，实现慢病患者规范化、个体化治疗有十分重要的意义；而迪肯尼斯医疗中心(Beth Israel Deaconess Medical Center，BIDMC)的ICU则可以将其临床信息系统收集的生命体征数据进行实时分析，以帮助临床医生及时对慢病危重患者进行个体化干预^[17]；此外，大数据还能将生物学数据如：基因、蛋白质组学、代谢组学等的相关数据和医疗数据进行融合分析，使慢病患者的个体化治疗变为临床实践。如：韩国生物医学中心计划运行国家DNA 管理系统，将DNA 和患者医疗数据结合，通过大数据分析方法，为患者提供个性化的诊断和治疗^[18]；大数据也能通过可穿戴设备等将收集到的个人健康数据与传统的健康数据联系起来进行数据挖掘及可视化展示，实现慢病患者的个体化家庭自我管理。已有研究者利用云计算方法对糖尿病患者的院内外数据进行挖掘分析，并为患者提供人机交互服务，用以实现糖尿病患者的个性化管理。研究结果显示，此种方法可使98%的患者改善血糖控制(56%)或(和)足部情况(89%)，而且糖化血红蛋白由10.0%降至8.9%(P＜0.01)^[19]。总之，大数据分析为慢病患者个体化治疗的实现提供了有效载体^[20]。

我国在大数据个体化管理方面的研究起步较晚，但经过近几年的探索也已做出了部分成绩。如有研究者^[21]利用云计算技术，将传统数据挖掘模型整合到MapReduce框架中，设计研发了慢病管理健康云平台，通过采集的大量异构生理信号数据进行快速分析处理，再将检测结果与建议准确及时地传递给患者，实现了健康监护和实时预警，有利于患者进行及早干预；此外，一项研究^[22]基于Hadoop计算平台，通过整合患者的基因、联合用药、药物效应及疾病的大数据信息，预测药物可能起效的结合位点，以达到提高药物疗效、降低不良反应发生，实现患者个体化治疗的目的；而我们团队在首次提出了"高血压患者的个体化"这一理念后，近年在湘雅临床大数据系统的建设中，也在大数据在高血压患者个体化治疗的应用方面取得一定成绩，如通过云计算平台将高血压患者院内、院外数据进行融合分析，逐步形成了高血压临床大数据共享平台，并在此基础上，通过相关的统计分析和数据挖掘等技术，对高血压患者的相关风险、药物疗效及安全性进行了评价，最终建立了高血压患者的定量药理模型以及辅助决策系统，以指导医生进行个体化处理及临床用药。

通过随访可以动态全面的建立并更新慢病患者健康档案，为慢病患者的药物治疗、生活方式、体育锻炼等提供指导，为社区居民的健康管理提供重要的科学依据^[23]。互联网、可穿戴设备与大数据分析融合形成的交叉领域，可以随时获得患者出院后的健康数据，高效跟踪患者的康复情况，进行跟踪治疗。例如Google 的大数据医疗Flatiron Health、三诺生物的糖护士移动血糖仪等，可以随时随地记录患者的健康信息，使患者随时掌控自己的健康情况，主动进行生活方式干预，更重要的是通过传感器将记录的血糖、血压等数据传送给医生，可以使医生指导患者进行及时有效的个体化疾病干预措施。一项在全球范围内针对移动医疗服务效果的临床研究显示，出院后的远程监护可将病人的全部医疗费用降低42%，延长看医生的时间间隔71%，降低住院时间的 35%^[24]。但目前，国内智能化技术水平也较低，难以开发真正精准的医疗可穿戴设备，导致娱乐性有余实用性不足；而且由于存在标准不统一，市场价格混乱等问题，使得可穿戴设备在慢病随访中的应用受到一定限制。

尽管大数据分析可以从各个方面为慢病患者提供服务，但目前对于我国来说还存在一些问题和不足值得关注。一方面，2009年始美国政府已建立一个数据开放的门户网站Data.gov，旨在全面开放美国联邦政府拥有的全部数据，实现数据共享。同时，澳大利亚及美国政府正推行PCEHR^[25]的电子医疗的档案管理系统，这是一种被誉为“从出生到坟墓的健康管理系统”，实现了全国电子病历的统一，为数据共享垫底了坚实基础。而我们国家信息化建设起步相对较晚，对大数据在医疗方面的应用认识普遍不足，"信息孤岛"广泛存在，相应的慢病数据共享平台缺乏，导致可供分析的慢病数据严重不足。另一方面，随着大数据的汹涌而来，也意味着数据安全、隐私安全越来越重要，大数据迫切需要制定一个符合它自身发展又保障用户权力的规则框架。美国健康保险流通和责任法案(Health Insurance Portability and Accountability Act，HIPAA)已通过一些隐私安全和条例以保证个人信息受到保护^[26]。但目前我国尚未形成具体的法律框架来确保患者隐私安全。此外，我们国家技术相对落后，对于如何有效利用“大数据”方法从海量医疗相关数据中提取知识，建立起有效、规范、合理的慢病管理新模式等仍需深入探讨。

目前的慢病管理模式已经难以满足我国慢病管理的需要，大数据分析在对慢病高危患者、慢病患者进行实时数据收集和监测的基础上，通过云计算和数据挖掘等技术，对慢病高危患者进行危险评价预警，指导其进行有效的生活方式干预，对慢病患者进行个体化治疗及随访，不仅能有效降低慢病发病率，减少医疗费用，也有利于改善疾病的预后，提高患者的生活质量，适应了新医改的发展方向，有利于解决医疗卫生资源分布不均的情况。大数据在慢病管理中的应用和发展无疑将成为未来慢病管理的新方向，为慢病患者带来新的前景和希望。