醫保行業可以通過大數據和高級分析來獲得巨大收益。請看下面醫保行業里的五個大數據產品案例。以下為譯文：

醫保的成本推動了對大數據驅動的醫保應用系統的需求。醫保行業中的技術決策者不會忽略大數據帶來的效率提升，經濟吸引力和快速的創新步伐，這些都可以用在醫保行業中并使行業受益。許多人發現，對醫保數據進行數字化和共享的新標準和激勵措施–以及商用硬件產品在存儲和并行處理方面的改進和價格的下降–正在導致醫保行業的的大數據革命，其以更低的成本提供更好的服務為目標。

醫保行業可以通過大數據和高級分析來獲得巨大收益。本文將介紹在醫保行業里的五個大數據產品案例。

1. Valence Health: 提升醫保結果和財務狀況

Valence Health 使用MapR公司的數據融合平臺(Converged Data Platform）來建立一個數據湖并作為公司主要的數據倉庫。 Valence每天從3000個數據輸入源接收45種不同類型的數據。這些關鍵數據包括實驗室測試結果、患者健康記錄、處方、疫苗記錄、藥店優惠、賬單和付款, 以及醫生和醫院的賬單, 這些都用來提升決策來改善醫保結果和財務狀況。該公司快速增長的客戶和日益增加的相關數據量正在壓垮現有的技術基礎設施。

在采用MapR的解決方案之前，如果收到一個數據源發來的2千萬個實驗室測試結果，他們需要22個小時來處理這些數據。MapR把這個處理時間從22小時降到20分鐘，并且使用更少的硬件。Valence Health現在也可以處理之前很難滿足的客戶要求。例如，一個客戶可能打電話來說”三個月前我發給你們了一個錯誤的文件，我希望把那個文件拿掉。”他們傳統的數據庫解決方案可能要3到4周的時間才能找到那個數據并刪除。MapR的快照功能提供了定點恢復，這使得Valence可以分分鐘回滾到那個時間點并刪除那個文件。

2.UnitedHealthcare: 欺詐，浪費和濫用

UnitedHealthcare 為近5千1百萬用戶提供健康保險和服務。和該公司合作的有超過85萬醫師和護理人員，全國范圍內大約有6100所醫院。他們的賬目完整(Payment Integrity)小組的艱巨任務是確保所有賬單都按時正確付款。面對每天超過1百萬個的賬單(10TB的數據)，他們之前的處理方式是特制的，嚴重依賴于規則，并受制于數據孤島和碎片化的數據環境。UnitedHealthcare 采用了一個獨特的雙模型策略，既集中關注業務收益，同時也追求利用最新的技術來不斷創新。

他們是這么做的：針對業務收益，該集團建立了一個預測分析’工廠’用來系統地可重復地識別不準確的賬單。Hadoop用做現在一個單一平臺的數據框架，該平臺上建有多種工具來分析各種信息，包括賬單，處方，醫保參與人，合作醫護人員，以及賬單審查結果。

他們集中了業務里所有數據孤島的數據，包含36處數據資產。他們手邊現在有多個預測模型(PCR,確定欺詐True Fraud，Ayasdi 等)，這些模型提供了一個潛在的欺詐排序列表，使得他們可以有針對性地和系統化地處理欺詐。

3.Liaison 科技：醫保行業數據記錄的流處理

Liaison 科技提供了一個云端解決方案來幫助企業來集成，管理和安全保障其數據。它的一個垂直解決方案是針對醫保行業和生命科學行業，這兩個行業有2個挑戰–滿足HIPAA合規要求和數據格式及其展現形式的多樣性。利用MapR 流，合規挑戰中的數據可回溯要求迎刃而解，因為流處理將系統數據記錄變成了一個無限的，不可更改的數據轉換日志。多樣性的挑戰在于，一個患者記錄可以有多種使用方式-可以是一個文檔，可以是一幅圖，或者是查詢結果 -這取決于不同的用戶，可能是制藥公司，醫院，診所或醫生。利用流處理實時地將數據變化輸出到 MapR-DB,HBase,MapR-DB JSON文檔，圖和搜索數據庫，用戶可以得到最新的和最適合的數據。另外，通過在 MapR 融合數據平臺上開發這一服務，Liaison 可以保障所有數據模塊的安全，避免了其他方案的數據和安全孤島的問題。

4. Novartis Genomics

下一代基因測序（NGS）是一個經典的大數據應用，它面臨雙重的挑戰，即巨量原始異構的數據，以及NGS最佳實踐的快速變化。另外，許多前沿研究需要與外部組織的不同數據進行大量的交互。這需要強大的工作流程工具來處理大量的原始NGS數據，而且足夠靈活以跟上快速變化的研究技術。它還需要一個方法來將這些大量外部組織的數據有意義地整合到Novartis的數據, 如1000 Geomes, NIH 的 GTEx (Genotype-Tissue Expression,基因型組織表達)和 TCGA (The Cancer Genome Atlas,癌癥基因組圖譜)-特別是臨床數據, 表型性數據, 實驗數據和其他相關數據。

Novartis 團隊選擇了 Hadoop 和 Apache Spark 來構建工作流程系統，使其能夠集成，處理和分析各種數據來為下一代基因測序（NGS）研究服務并緊跟科研腳步。

5. 醫保 IoT 創業企業：更快的檢測心臟狀況

目前的心律分析過程較慢而且是手動分類的。醫務人員首先將各類設備上采集的數據批量上傳到分析軟件，然后醫療分析師查看并分類數據并向醫生和醫院提交報告，最后由他們對患者作出醫療決定。該過程耗時24小時以上 – 這使得醫生訪問患者數據長時間滯后，增加了緊急情況下的醫療風險。

利用MapR-FS，Telemed能夠通過NFS將各種醫療設備的數據直接采集到其數據集群并實時產生患者洞察報告。該解決方案需要具備高可用性并提供多用戶訪問(來自 HIPAA 的要求)，因為他們存儲了各種醫院患者的數據和醫療設備公司的數據。能夠按客戶分治數據是非常重要的。

在MapR專業服務的幫助下，他們能夠在HIPAA審查期限7月18日前搭建好解決方案。該方案架構滿足了高可用HA，多用戶和實時洞察報告的要求。該公司首席執行官履行了投資者給他的要求和時限，他們將在第3或第4季度開始發售其SaaS解決方案。

結論

以同樣或更低的成本提升患者的治療結果對于任何醫保提供者來說都是非常大的生意, 在美國, 醫保的總體花費在以15% 的速度高速增長。全面的數字化轉型是實現這一目標的關鍵, 數字化、增強的通信和大數據分析是支持轉型的重要工具。大數據分析的許多新興案例都和基于Hadoop的解決方案的能力緊密相關, 它們可以從任意數據源獲取并存儲巨量異構的數據，不管是結構化的或是非結構化的, 并將其用于深度分析中。

選擇大數據平臺時, 特別是 Hadoop 的發布商, 要確保該平臺非常擅長融合處理醫保行業里各類數據，通常它們都在存儲在各種數據孤島上，比如，醫院的臨床數據在一個孤島上，藥品供應商的數據在另一個孤島，醫院用品的后勤數據在另外一個。這個平臺應該足夠靈活, 使醫護人員可以使用各類復雜的數據, 如醫生的筆記和影像文件進行真正的病理分析, 而不僅僅是存檔。

原文：5 Examples of Big Data in Healthcare

作者： Carol McDonald