通过实时分析和可视化工具，所有医疗保健提供商都可以更方便地访问医疗保健数据，而不仅仅是数据工程师，并帮助他们找到效率和做出明智的决策。

医疗保健生态系统正变得更加集成化和以数据为中心，随着支付转移到对护理连续性的结果的奖励，而不仅仅是以非整合的方式进行活动。目标是以可复制的方式以可承受的成本获得高质量的护理。当然，这更像是一个旅程，大数据学习，而不是一个目的地。

从数据争论到洞察

在企业级捕获和使用数据的能力在医疗保健领域开始出现。分娩组织正在取得进展，设法改善病人的结果、价值和护理质量。最初的工作进展缓慢，因为医院和医疗机构正在整合来自零散来源的不同类型的数据，包括临床、财务、索赔、运营、研究，以及越来越多的物联网设备和可穿戴设备。

接口工作，清理和整合这些数据绝非琐碎之事。事实上，数据科学家和分析师通常将80%或更多的时间**花在数据准备工作上，而不是实际的数据科学上，因为数据科学创造了价值。这使得分析费时、昂贵，因此主要是为了解决最紧迫和最具战略性的问题。从本质上说，分析一直是角落办公室的职权范围，让一线人员仅凭手头的数据，辅以直觉和直觉来做出决策。

然而，不断发展的标准正在降低互操作性。这一点，加上内存计算的速度和简化能力，正在彻底改变整个企业对分析的使用。数据科学家和分析师能够从耗时的数据争论转变为创造见解。这种转变是关键，因为当前的分析方法根本无法扩展到企业层面，特别是考虑到缺乏精通数据科学和分析的人才利用图形用户界面（GUI）作为数据的可视化界面，实现整个企业中数据驱动决策的民主化。在前线决策者的工作流程中嵌入分析——并允许他们轻松地提出和回答问题——将产生与医疗领域先前任何突破一样深远的影响。最终，通过更方便的访问和更好的数据查询工具，所有类型的从业者和管理者都将能够在护理点例行使用数据分析来做出明智的决策。

这种数据互操作性、数据分析师的授权和大规模分析的民主化将推动医疗服务的大规模转型系统层面的护理服务。随着参与者越来越善于在日常工作流程中利用分析，免费大数据，下一波的能力将利用机器学习工具，帮助医疗保健组织从越来越大、越来越复杂和不同的数据源中收集深刻的见解。这些工具将帮助他们进一步优化系统并做出基于证据的决策，真正将计量器移向成本节约和提供基于价值的护理。

聚焦于基于价值的护理

医疗生态系统如果不克服几个挑战，就无法移向基于价值的护理。主要的障碍是无法准确地衡量整个护理连续性的质量，因为提供者无法管理未被衡量的内容。在服务线级别整合临床和财务索赔以及运营数据的能力是我们以前没有的一个重要组成部分。

此外，患者和护理人员越来越多地参与到他们的健康管理中，医院现在正致力于以成本效益高的方式提供最优质的医疗服务。设定、理解和改进定价的能力依赖于理解护理交付和护理变化的集体能力。

我们已经在数据共享方面取得了关键的胜利，但我们需要更多。医院需要在他们的思维上取得进步，而不仅仅是保留他们的数据，并且更愿意在各个机构之间共享数据。提供商正朝着更开放的数据访问方向发展，因为他们意识到了共享数据的价值。所有类型的医疗数据都越来越数字化。新的数据源，如基因组学和家庭监控，从可穿戴设备上自动记录，正变得越来越普遍。患者的电子健康记录（EHR）也变得越来越可用，越来越容易被发现，越来越容易被分析系统理解。

使用分析得出更好的结果

分析是基于价值的医疗系统的关键。实时分析允许供应商对正在发生的事情做出更为有机的反应。预测分析的出现使供应商能够从被动转向主动。有了一个所有部门都可以访问的内存计算平台，用户可以提问，将自己的镜头应用到数据过滤器上，并向下钻取答案。可视化层提供基于GUI的数据视图，使医疗生态系统中的所有人都能更容易地访问和使用数据。

通过结合临床、财务、索赔和运营数据，组织可以了解护理交付差异。非结构化数据的使用正在增加。例如，可以使用自然语言处理将病理报告中自由文本中记录的肿瘤标记映射到结构化数据元素中。这样，这些信息就可以更好地为基于现实世界证据的护理决策提供信息。