01「大數據 」 在慢性病防控中的意義
傳統慢性病管理模式仍存在一定不足：（1）人群監測範圍受限，監測的危險因素種類少，監測數據的準確性、連續性和完整性難以保證；（2）預防和管理策略多具有通用性，在制定和實施時未能充分考慮個體需求的差異；（3）個體自我管理能力較弱、缺乏慢性病相關知識、依從性較差，導致健康干預效果減弱。而「大數據」的利用成為改變現狀、突破「瓶頸」的關鍵點。
在「大數據時代」，數據已成為世界各國的基礎性戰略資源。做好數據治理不僅有助於提高政府的社會治理能力，還有利於提升公共服務水平。此外，「大數據」技術的產生與發展也推動了信息技術的飛速發展。移動健康管理設備可通過人體體徵傳感器獲取個體的健康「大數據」，並將其上傳至雲平台，進而使患者/醫務人員能夠隨時隨地對自身/患者的健康狀況進行監測，有效地改善了傳統慢性病管理模式下，人群健康數據可獲得性水平較低、連續性不足和時效性較差等問題。除了可助益個體水平上的慢性病防控外，醫療健康「大數據」的應用還能為群體水平上的慢性病防控帶來新模式，助力實現慢性病群體特徵刻畫、慢性病發展預測等，進而可促進慢性病併發症風險防範和預警效果、慢性病防治工作水平的提升。
02「大數據 」在慢性病風險預測中的應用
作為分析「大數據」價值的關鍵技術，機器學習技術使研究人員能夠更好地分析健康醫療「大數據」複雜多變的內部聯繫，已被廣泛應用於數據挖掘、病因探索等領域，在疾病早期預測與診斷及預後評估中發揮著重要作用。
周陽等選取了約20萬份居民健康檔案，通過機器學習中的邏輯回歸、隨機森林和支持向量機算法建立了3種高血壓風險預測模型，並對3種模型在高血壓風險預測中的應用價值進行比較、分析。研究結果顯示，基於支持向量機建立的高血壓風險預測模型的預測性能最為優異，預測準確率達87%。
GUIDA等利用邏輯回歸算法構建了基於循環蛋白生物標誌物的肺癌風險預測模型。相比於傳統基於吸菸情況建立的肺癌風險預測模型，該模型的靈敏度和特異度均得到明顯改善。
REZAEE等通過遞歸特徵消除法（RFE）自動篩選用於預測的最佳變量集構建了具有良好預測性能和可重複性的異質性心血管疾病風險預測模型，該模型對冠狀動脈疾病、卒中的區分能力均處於中等水平。
而在人工智慧技術探索的道路上，更多高性能、靈活性更強的機器學習算法被開發出來。
WANG等利用縱向監測病例隨訪隊列信息資料庫，基於長短時記憶循環神經網絡（RNN）開發了一種多疾病風險預測模型，該模型能夠較好地預測患者未來發生疾病的風險。我國學者黃旭等採用隨機森林、梯度提升決策樹和極端梯度提升 3 種集成學習算法對慢性病進行分類，將多疾病風險預測問題轉化為多標籤分類問題，並進一步建立了神經網絡模型，以實現對多種疾病風險的預測。
CHOI等考慮了逐步邏輯回歸（SLR）等變量選擇和預測方法對2型糖尿病風險預測模型性能的影響，以及單核苷酸多態性（SNP）數據集對風險預測效能的影響，發現包含人口統計變量和遺傳變量的預測模型與僅包含人口統計變量的預測模型相比，在預測2型糖尿病發生上更準確。MARS等評價了全基因組多基因風險評分（PRS）在冠心病、2型糖尿病等5種慢性病風險預測中的附加價值，並評估了不同 PRS水平下個體的終生患病風險及不同PRS水平對疾病發病和風險預測的影響。
目前，國內外相關風險預測模型中變量的種類較為局限，模型構建時使用的算法較為單一。同時，訓練數據集和測試數據集的代表性不足，也可能導致研究結果的論證強度受限。未來在開展慢性病風險預測研究時應注意以下3點：（1）將膳食、睡眠等健康相關因素和生物標誌物納入模型；（2）合理選擇建模方法，提高模型的實用價值；（3）利用針對不同地區、人群開展的大型隊列研究數據對模型進行驗證。此外，還應注重對慢性病風險預測模型的轉化及推廣，進而助力實現慢性病的早期發現、慢性病防控「關口前移」。疾病風險預測模型的開發也為慢性病綜合防控平台的搭建奠定了堅實的基礎。
03「大數據」慢性病綜合防控平台的建設
上海市
基於3 000多萬份居民電子健康檔案數據和100億條臨床診療記錄，建立了「上海健康雲」信息平台，該平台不僅能夠為居民提供慢性病管理、預約掛號、預防接種、家庭醫生等線上服務，還支持通過個體健康風險評估細化對慢性病患者的分類管理，可更好地為居民提供覆蓋全生命周期的慢性病健康服務。徐匯區將營養干預與「網際網路+」深度融合，基於糖尿病患者的健康數據研發並啟用了「合理營養自評系統」和「營養門診諮詢管理系統」，兩大系統的應用使糖尿病患者的血糖、血脂水平得到了有效改善，並為系統化的慢性病營養干預模式的建立奠定了基礎；閔行區利用居民電子健康檔案開展糖尿病等疾病患者的篩查、管理及干預工作，通過採用基於「大數據」構建的、具備自動評分與識別功能的糖尿病篩查評分系統對轄區居民進行糖尿病篩查，目前已使近萬名糖尿病前期患者得到了及時治療。
浙江省寧波市鄞州區
基於「網際網路+健康」推出了系列管理工具。自2016年起，逐步開發和使用的「大數據」平台也為高脂血症、糖尿病及高血壓等慢性病的篩查和干預提供了更加科學、精確的依據，使慢性病管理工作的效率及效果得到了明顯的提高。然而，不同地區在工作開展機制、資源稟賦、經濟基礎和適宜技術開展情況等方面存在差異，要建立符合自身特色的慢性病綜合防控平台還需要不斷探索。
許多學者也開展了慢性病綜合防控平台搭建研究。
馮陽等通過整合網際網路、APP、「大數據」雲計算等技術，實現了各級醫療衛生機構患者健康信息的交流共享，並結合臨床經驗、專業知識構建了慢性病健康網，開發了「以患者為中心」、基於移動互聯的慢性病個體化管理與診療平台。
陳平等開發了基於「大數據」技術和醫療線上到線下（O2O）模式的「慢性病防控雲平台」。「慢性病防控雲平台」不僅可以提供「南京都市圈」中各醫療衛生機構的診療信息，還可實現對慢性病高危人群及患者的遠程監測與管理。此外，「慢性病防控雲平台」還能夠收集患者生命體徵、就診信息等方面的數據，並支持採用谷歌Word2Vec模型、BP神經網絡模型等對輸入的數據進行自然語言處理和語義識別，最終實現智能應答。
KYRIAZAKOS等提出打造一個基於雲的開源電子健康平台——eWALL。「eWALL」面向慢性病患者和衰弱的老年人群，主要由「eWALL家庭」和「eWALL雲」兩部分組成。「eWALL家庭」承載了整體感知功能，負責收集環境、生活、健康等方面的相關參數，上傳、儲存並追蹤患者各項數據；「eWALL雲」負責管理和分析來自患者家庭的數據。「eWALL」還提供了多種應用程式，以幫助患者進行自我健康管理，有效地減輕了患者及其家庭的負擔。
基於「大數據」的慢性病綜合防控平台覆蓋範圍廣、服務類型多，能夠提升慢性病健康管理系統整體效益，充分發揮醫療健康「大數據」的價值，讓優質的慢性病防控資源惠及更多患者，為慢性病及精準醫療領域研究深入開展提供了不竭動力。今後，應進一步根據國家各項政策措施，擴大基於「大數據」的慢性病綜合防控平台的推廣和使用範圍，充分調動慢性病患者的參與積極性，進而提高其對慢性病綜合防控平台的知曉率和使用率。並且，隨著信息化技術的發展，應不斷完善、創新平台建設，提高慢性病患者健康相關數據上傳的實時性，優化平台/APP的服務功能和細節問題，努力實現對患者全生命周期電子健康記錄的採集、儲存和管理，最終助力數字醫療發展。
小結：
儘管我國慢性病防控策略與技術經過了多年的研究與發展，但慢性病仍是危害我國居民身體健康的重大公共衛生問題。若要進一步提升慢性病防治工作水平，最主要的就是順應時代變化和發展，結合「大數據時代」背景下的多種新興信息技術，搭建起包括遺傳與環境交互作用效應評估、生活/行為方式評估、疾病風險預警評估等功能在內的智能化慢性病綜合防控平台。慢性病綜合防控平台通過對不同人群（包括健康人群、高危人群及慢性病患者）的健康醫療數據進行採集，並利用基於數據挖掘、深度機器學習、人工神經網絡等技術構建的慢性病風險預測模型，可識別出個體發生慢性病的危險因素，為健康人群提供健康生活、行為方式等方面的指導，對高危人群發生慢性病的危險因素進行監測、評估和干預，為慢性病患者提供精準化的治療方案及健康監測服務。總之，「大數據時代」的到來為慢性病綜合防控帶來了更多的可能。
本文來源：解夕黎,孫明,賈雯涵,等."大數據時代"下慢性病防控新模式的研究進展[J]. 中國全科醫學, 2022, 25(22): 2811-2814.（點擊文題閱讀原文）