大數據（big data）是信息化發展到一定階段的產物，它將大量變量間的關系數據化；人們可以利用一些全新的工具來獲取、分析這些數據，從而優化管理、改善結果 ^［1］。目前，大數據已經應用到社會的各個方面。2011年5月麥肯錫全球研究所發表專門研究報告，首次提出了“大數據時代”這一全新概念。2012年2月，紐約時報發表《大數據時代（ The Age of Big Data）》一文，宣告大數據時代的到來。

對于大數據，研究機構Gartner給出了這樣的定義：大數據是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

大數據與過去傳統意義上“數據”的區別在于過去我們說的“數據”很大程度上是指“數字”，是可以進行編碼的簡單文本，這些數據分析起來相對簡單，過去傳統的數據解決方案（如數據庫或商業智能技術）就能輕松應對。而今天我們所說的“大數據”則不單純指“數字”，還包括文本、圖片、音頻及視頻等多種格式。專業的概括就是，數據是結構化的，而大數據則包括了結構化數據、半結構化數據和非結構化數據。以前保存的數據類型主要是結構化數據。然而，并非所有的數據都是可以結構化的，據統計，可結構化數據——即可以存儲在數據庫等傳統系統（主要是指關系型數據庫產品）中的數據占數據總量的20%左右；其他80%的數據不能或是不便于存儲于傳統的系統中，因為其結構形式是非結構化的或者是半結構化的。

大數據的來源：①傳感器數據，分布在不同地理位置上的傳感器對所處環境進行感知，不斷生成數據。②網站點擊流數據，用戶在網上的每個點擊及其時間都被記錄下來，利用這些數據，服務提供商可以對用戶存儲模式進行仔細的分析，從而提供更加具有針對性的服務。③移動設備數據，包括移動電話、PDA和導航設備等，我們可以獲得設備和人員的位置、移動、用戶行為等信息。④射頻ID（RFID）數據，RFID可以嵌入到產品中，實現物體的跟蹤。

大數據具有以下特點（4個“V”）：volume（數據體量大）、variety（數據類型繁多）、velocity（處理速度快）、value（價值密度低） ^［2］。大數據具有3個特征：①全樣而非抽樣，在過去，由于缺乏獲取全體樣本的手段，人們發明了“隨機調研數據”的方法。有了云計算和數據庫以后，獲取足夠大的樣本數據乃至全體數據，就變得非常容易。②效率而非精確，這其實是建立在第1點的基礎上。過去使用抽樣的方法，需要在具體運算上非常精確，因為“失之毫厘，謬以千里”。但全樣本時，有多少偏差就是多少偏差而不會被放大。諾維格認為，大數據基礎上的簡單算法比小數據基礎上的復雜算法更加有效。數據分析目的并非是數據分析，而有其他用途，故而時效性也非常重要。精確的計算是以時間消耗為代價的，但在小數據時代，追求精確是為了避免放大的偏差而不得已為之。但在樣本=總體的大數據時代，“快速獲得一個大概的輪廓和發展脈絡，就要比嚴格的精確性要重要得多”。③相關而非因果，相關性表明變量A和變量B有關，或者說A變量的變化和B變量的變化之間存在一定的正比（或反比）關系。但相關性并不一定是因果關系（A未必是B的因）。

大數據的核心是預測，大數據能夠提高公共衛生工作人員對傳染病疫情的追蹤和響應能力、對疾病早期預警信號的發現能力，以及對診斷性檢測方法與治療方法的研發能力。大數據可以使我們深入了解疾病的病因和結局，為精準醫學尋找更好的藥物靶點，并且提高疾病的早期預測和預防能力，從而促進健康。

大數據對重癥醫學有著非常重要的意義。近10多年來，我國重癥醫學的發展迅猛，成績斐然，但是仍然存在很多問題，需要進一步研究解決。例如，在臨床工作中有時很難提前預測哪些重癥患者會發生感染性休克、急性呼吸窘迫綜合征，甚至死亡。這主要是因為ICU醫師做出的判斷，很多時候是基于目前研究基礎形成的指南和本人的臨床經驗。但是我們經常忽略了ICU處置環境的復雜性以及各種變量的易變性。例如在評估患者的心肺功能、感染、急性肺損傷等疾病狀態的基礎上，除外藥物或一些支持設備的影響，不同患者對于上述應激會做出不同的反應。再比如平均氣道壓是我們在ICU經常監測的參數，它由多種因素決定，包括氣道阻力、肺和胸廓的順應性、潮氣量、呼氣末正壓、吸入氣流方式、自主呼吸努力，以及人工氣道的特征等。如果在ICU中我們不能很好地考慮多種因素的關聯性及復雜性，我們將無法正確判斷一個數值代表的最大意義，更談不上利用數據去指導醫師做出判斷。有了大數據，根據數據庫里復雜的信息和患者目前的實際監測指標，例如血壓、心率、CVP、心輸出量、尿量等參數可以判斷患者輸液后的反應如何，是否需要液體復蘇治療。最重要的是，在相應模型建立后，我們可以根據這些數據信息預測哪些患者會發展至重癥或者出現多器官功能衰竭，借此提前采取干預措施 ^［3］，甚至我們可以預測ICU患者的死亡率 ^［4］。大數據還可以全面分析患者的特征和療效數據，比較各種措施的有效性。將醫師的處方與醫學指導比較，提醒醫師防止出現潛在的錯誤（如藥物不良反應），還可以提高醫療數據透明性，幫助患者選擇高性價比的治療方案。

除了臨床工作外，大數據對重癥醫學的科研也影響巨大，這主要體現在以下幾個方面：①由于各種條件限制，既往有很多關于重癥醫學的研究樣本量較少，即便是多中心協作，也難以代表全部個體。因此根據這種研究總結出來的結論就不具有普遍性。大數據恰恰相反，其本質就是讓所有的數據說話。換言之，大數據不再依賴既往的抽樣研究，而是歸納所有的數據。這是一種思維變革，在信息技術不發達的時代是難以想象的。②降低研究成本。很多時候，我們的研究都是各自為政。為了研究自己的課題，收集各自的資料，這導致資料本身具有局限性，還造成大量人力及物力的浪費。如果事先把每一個個體臨床事件收集和整理，組成一個數據庫，借此資源共享，可以最大限度地避免重復浪費。

在世界上有些國家，大數據已經被應用到了重癥醫學領域并取得了一定效果。有的國家已經建立了一些商業性或者非營利性的ICU數據庫。這些數據庫建立的目的首先是評估和比較ICU患者病情嚴重程度、預后和治療花費。例如在澳大利亞和新西蘭建立的非營利性的數據庫已經包含了超過900 000人次的ICU住院患者的信息 ^［5］。另外，商業性的Philips eICU，可以提供遠程重癥醫療支持，從180多家參與的ICU中，收集存檔了超過1 500 000例ICU入住患者的信息，而且以每年400 000例的速度增加。在過去的10年里，由Beth Israel Deaconess Medical Center和Philips Healthcare的實驗室在美國生物影像和生物信息協會的資助下，聯合建立了重癥醫學多參數智能監測數據庫（MIMIC），目前記錄了超過40 000例ICU住院患者的信息，這些信息都可以免費在線查閱 ^［6］。MIMIC也是目前唯一能精確到每一分鐘患者生理指標和實時治療等情況的數據庫。

除了數據庫的建立，對于數據庫的應用也開展了很多研究，并指導臨床應用。Gregory Boverman等 ^［7］利用MIMIC-Ⅱ中的數據，建立了一套模型。該模型包含了年齡、分鐘通氣量、呼吸頻率等參數，以預測機械通氣超過48小時的ICU患者在機械通氣第二個12小時內的死亡率。國內Zhang Z等利用MIMIC-Ⅱ中的數據，發表了數篇關于尿量及鈣離子與危重癥患者預后的文章 ^［8，9］。Laura C McPhee ^［10］等通過Philips eICU平臺收集了741 036名患者資料，研究結果顯示單劑量依托咪酯不增加ICU中膿毒癥患者的死亡率。

在建立數據庫和利用相關數據進行研究時，還要考慮到保護患者的個人隱私。Janko等 ^［11］就完善數據庫建立，加強制度管理，兼顧數據保存和個人隱私方面做了詳細的說明。

相比較而言，我國重癥醫學領域對于大數據相關技術的應用還較少，還處于起步階段。但實際上我們每天做的日常醫療工作都與大數據有關。比如國內醫院普遍應用的電子病歷系統（electronic medical record，EMR），包含了每一個住院患者的化驗、治療等信息，這些信息可以隨時調取。EMR是我們進一步歸納、整理、利用這些數據的基礎，其應用前景廣闊。以EMR為平臺的研究正在開展，例如浙江金華市中心醫院已經開始建立類似的數據歸納，盡管例數還較少 ^［12］。

現代信息技術的發展促進了大數據概念的形成，云計算、互聯網、物聯網、移動終端等使大數據理論逐漸變成現實。在重癥醫學領域，大數據可以充分利用所有患者信息的價值，帶來一場重癥醫學的革命性變革。當然，大數據時代帶給我們的既有機遇，也有困難和挑戰。但是，臨床數據信息化和平臺化必定是未來重癥醫學的發展趨勢，大數據時代下的重癥醫學必將迎來更輝煌的明天！

1.Moore KD，Eyestone K，Coddington DC. The big deal about big data. Healthc Financ Manage，2013，67（8）：60-6，68.

2.McAfee A，Brynjolfsson E. Big data：the management revolution. Harv Bus Rev，2012，90（10）：60-68.

3.Bates DW，Saria S，Ohno-Machado L，et al. Big data in health care：Using analytics to identify and manage highrisk and high-cost patients. Health Aff（Millwood），2014，33（7）：1123-1131.

4.Yun Chen，Hui Yang. Heterogeneous postsurgical data analytics for predictive modeling of mortality risks in intensive care units. Conf Proc IEEE Eng Med Biol Soc，2014，4310-4314.

5.Stowa PJ，Hart GK，Higlett T，et al. ANZICS Database Management Committee. Development and implementation of a high-quality clinical database：the Australian and New Zealand Intensive Care Society Adult Patient Database. J Crit Care，2006，21：133-141.

6.Saeed M，Villarroel M，Reisner AT，et al. Multiparameter Intelligent Monitoring in Intensive Care Ⅱ：a publicaccess intensive care unit database. Crit Care Med，2011，39：952-960.

7.Boverman G，Genc S. Prediction of mortality from respiratory distress among long-term mechanically ventilated patients. Conf Proc IEEE Eng Med Biol Soc，2014，4：3464-3467.

8.Zhang Z，Xu X，Ni H，et al. Urine output on ICU entry is associated with hospital mortality in unselected critically ill patients. J Nephrol，2014，27（1）：65-71.

9.Zhang Z，Xu X，Ni H，et al. Predictive value of ionized calcium in critically ill patients：an analysis of a large clinical database MIMIC Ⅱ. PLoS One，2014，9（4）：e95204.

10.McPhee LC，Badawi O，Fraser GL，et al. Single-dose etomidate is not associated with increased mortality in ICU patients with sepsis：analysis of a large electronic ICU database. Crit Care Med，2013，41（3）：774-783.

11.Ahlbrandt J，Brammen D，Majeed RW，et al. Balancing the need for big data and patient data privacy--an IT infrastructure for a decentralized emergency care research database. Stud Health Technol Inform，2014，205：750-754.

12.Zhang Z. Big data and clinical research：focusing on the area of critical care medicine in mainland China. Quant Imaging Med Surg，2014，4（5）：426-429.