随着风险从买方转移到卖方，预防性的人口健康管理策略正在成为管控这一风险的关键。因此，供应商必须更好地预测患者风险，这样就需要更多数据和更先进的分析。本文介绍了具有极快说服力的概念证据，帮助您迈出第一步。
在不断上升的成本和日益老龄化的人口驱动下，全球医疗行业正在从按服务支付的模式转变为更可靠的价值型系统，而风险也已从买方转移到了卖方。
这种转移要求供应商大幅改变其运营方式。他们必须专注于为每位患者提供量身定制的个性化治疗，同时加深对
高级分析使医疗供应商能够快速、准确地分析大量数据，以便针对未来的风险情形作出预测，甚至提供应对建议。
得益于健康行业数字化，大多数组织现在都能访问海量的数字化数据。每天针对每位患者收集超过 100 个数据点，这对医院来说已经非常普遍1。在美国，超过 85% 的医疗组织现在已经采用了电子医疗记录 (EMR) 系统。2这样，他们的数据增长不仅体现在
许多医疗组织都在革新其数据高级分析的方式，英特尔与他们开展密切合作，发现并消除患者风险。我们将探索三家供应商的示例，了解他们经过努力后取得了哪些切实成果：
Sharp Healthcare：利用机器学习和 EMR 数据预测患者数量的下降
位于加利福尼亚州圣地亚哥的 Sharp HealthCare 专门建立了一支医疗急救快速反应团队。通过利用英特尔、Cloudera 和 ProKarma 提供的技术，他们开发了一种预测模型，可以利用医院的 EMR 数据在规定的期限内发现需要快速反应团队干预的危急患者。该解决方案可对包括血压、体温和脉搏在内的各种数据进行分析，并使用机器学习来不断培训算法。
当 Sharp 对照历史数据来测试其概念验证模型时，发现其在预测未来一小时内的3快速反应团队事件可能性方面达到了 80% 的准确性，同时展现出了推动实时临床干预、改善疗效并提高资源利用率的潜力。
Penn Medicine：预测和预防败血症及心力衰竭
Penn Medicine 在宾夕法尼西州和新泽西州南部运营着一个医疗设施网络。其专用数据科学团队旨在充分利用数据的功能，以帮助发现当前诊断技术可能会遗漏的患者病重风险。
为实现此目的，Penn Medicine 与英特尔合作创建了一个协作型开源数据科学平台（名为 Penn Signals*），它可以帮助医生在大规模临床数据和大数据基础上作出更快速、更明智的决策。
该平台的初次试运行涵盖了对医院来说最常见、成本最高昂的两大问题：败血症和心力衰竭。在败血症方面，试运行阶段就将病例发现率从 50% 提高到了 85%，并将感染性休克发作之前的发现时间从两小时提升到了最多 30 小时。4
对于心力衰竭患者，该算法为 Penn Medicine 的临床团队提供了患者在医院内部和不同医院之间的数量和分布情况的准确测量。而在使用标准诊断工具时，有 20% 到 30% 的心力衰竭患者都无法及时发现。通过使用预测模型，可以发现这些患者并为其提供自我管理病症的培训，从而大幅降低再入院率。5
Montefiore Health System：通过全方位数据分析来提高患者治疗水平
Montefiore Health System 在纽约运营着一些医疗设施，已经部署了一种高级分析解决方案 Semantic Data Lake 来自动化并加快发现危重患者。
该解决方案可利用多种数据源和格式，为 Montefiore 设施提供全面且真实的患者基本情况。其范围包括从临床数据到人口学、环境学、行为学和健康研究发现、人口统计资料以及医学成像。随后，可以使用高级分析算法来分析数据，并且利用机器学习来不断优化深入见解。
Semantic Data Lake 一经实施就能在黄金 48 小时（成功完成干预的机会时间窗）内发现病危或需要插管抢救的患者，并且预测准确率超过了 70%6.这样，医生就能提供更及时、更中肯、更准确的治疗，从而帮助预防致命性的病情发作或呼吸衰竭。
阅读这篇来自英特尔的新白皮书，详细了解如何在您的医疗组织内着手利用预测分析。