深度：大数据分析对于中国医疗保险管理的价值（N多案例分析+附下载）

作者： 张岚，总监，医疗保险及医院管理事业部

引言

随着大数据在各行各业的应用和扩展，医疗领域大数据及其分析技术也正日益赢得人们的关注。那么大数据在医疗领域指的是什么？又有什么样的特点？我们知道，广义上的大数据指的是所涉及的信息量规模巨大，无法通过目前主流软件工具在合理时间内撷取、管理、处理、并分析成能有效支持决策制定的数据资讯，通常具有 4 个 V 的特征 — 数据量大（Volume），速度快 (velocity), 多样性 (Variety), 价值高(value)。在医疗领域，大数据包括的数据和信息类型非常广泛，可以大致分为以下四种。

医疗领域大数据的类型

● 行政数据 (Administrative Data)， 主要包括从医疗支付方（医疗保险机构）或者医疗机构获得的理赔信息等，通常涉及病人所使用的医疗服务、相关诊断信息、提供服务的医疗机构及时间地点、以及费用明细与支付情况。

●临床数据 (Clinical Data)， 包括从医疗机构获得的电子病历(EMR)、医疗影像数据、处方信息等。

●体征数据 (Biometric Data)， 例如由检测仪器测量所得的体重、血压、血糖水平等信，以及饮食、运动、睡眠等自我跟踪信息。随着可穿戴设备及相关手机软件的广泛应用，此类数据量越来越大也越来越多元化。

● 个人及偏好数据 (Demographic/Preference Data)， 例如性别、年龄、职业等基本信息以及个人偏好、对产品和服务满意度等主观信息。

由于数据量大、种类繁杂，不同类型的数据之间会有交叉或者交集。例如处方数据，既可以从医疗机构的信息系统中获得——即临床数据的一种，也可以从医疗保险机构的理赔数据库中找到——即理赔信息的一部分；又如血压等信息既可以从随身携带的便携血压计测量得到（体征数据），也可以在医疗机构的电子病历中发现（临床数据）。

大数据分析应用关键的一点在于将不同类型不同来源的数据有序链接，尤其是医疗领域数据在患者或个人层面的链接，从而为深度数据挖掘奠定基础，达到“1+1>>2”的效果。虽然目前这样的“链接”还未广泛实现，但小范围的“链接”已体现出其重要作用（如将电子病历与理赔数据链接帮助确认欺诈、过度医疗的行为），对更大规模的以患者或个人为中心、相互关联的多类数据的深度分析将帮助我们更有效的挖掘出大数据潜在的巨大价值。

大数据的特征：

● Volume — 数据量大数据量巨大，从数兆字节 (TB) 1 级别跃升到数十兆亿字节 (PB) 级别 。例如一个 CT 图像含有大约 150MB的数据，而一个基因组序列文件大小约为 750MB， 一个标准的病理接近 5 GB。如果考虑到人口数量和平均寿命等因素，仅一个社区医院就可以生成和累积达数个 TB 甚至数个 PB 级的数据。

● Velocity — 速度快处理速度快，时效性强。举例来说，检测医疗支付中的欺诈行为可以事后追溯，也可以实时检测；如果能够实现实时检测，即在支付发生前甚至在医疗服务发生前就识别出欺诈行为，则可有效避免重大经济损失。

● Variety — 种类多数据类型繁多，来源广泛。既包括数值型数据，也包括文字、图形、图像、音频、视频、网络日志、邮件、等非数值型或者非结构化数据，且预计这些非结构化信息将占未来十年数据产生量的 90%。

● Value — 价值高价值的体现的是大数据分析应用的目的意义所在。通过深入的大数据分析挖掘，可以为各方各面的经营决策提供有效支持，创造巨大的经济及社会价值。

从整个医疗领域来看，大数据的应用比比皆是，包括临床治疗、公共卫生监控、产品研发及市场推广、医疗保险管理等各个方面。

● 在临床治疗中， 大数据分析可以应用于“比较效果研究”（Comparative Eectiveness Research, CER）。通过深入分析包括患者体征、治疗方案、费用和疗效在内的大数据，帮助医生评估在实际临床应用中最有效或成本效益最高的治疗方法。大数据还可以应用于临床决策支持系统，分析医生输入的医嘱，比较其与医学指南的差异，提醒医生防止潜在的错误（如药物间相互作用等），从而降低医疗事故率。

● 在公共卫生领域， 大数据的应用可以改善公众健康监控。公共卫生部门可以通过覆盖全国的患者病历数据库更快地检测出传染病疫情，进行全面的疫情监测并且及时采取响应措施尽早控制疫情。

● 在医药产品研发上， 制药公司可以通过大数据分析有效判断研发项目成功的可能型，以供支持投资决策。此外结合基因组及蛋白组学信息还可帮助企业优化研发方案及临床试验设计，根据在研产品选择特定患者群体有针对性的进行临床开发，从而大大降低研发中的风险。

● 在产品的市场推广中， 大数据可以用于药物经济学或卫生经济学分析，以治疗结果及其相应社会及经济效益作为定价基础，从而帮助监管部门及医疗支付方科学制定新药的上市及报销政策。

● 在医疗保险领域， 大数据分析可有多方面的应用，包括保障设计及精算定价、理赔运营管理、对医疗机构的管理、市场和销售推广、及对跨多个领域的决策支持。本文将聚焦于中国医疗保险业务，重点阐述大数据分析在此领域可发挥的作用。

中国医疗保险管理的现状

在中国现有的医疗保险管理体制下，基本医疗保险仍然以政府为主导，各地分散管理。基本医疗保险可以分为城镇职工基本医疗保险、城镇居民基本医疗保险和新农村合作医疗保险（简称新农合），通常由各地人社和卫计部门管理。

目前，商业医疗保险作为政府基本医疗保险的补充，市场规模有限。 2013 年， 3 种基本医疗保险的筹资总额已经超过 1 万亿元 2 ，而商业健康险的保费收入为 1123.5 亿元，仅为前者的 10% 左右。考虑到真正的赔付型医疗保险只是商业健康险的一部分，实际上真正意义上的商业医疗保险的市场规模更小一些。现今商业健康险中约 30% 为团体业务，主要包括面向企业的团体医疗补充保险；另 ~70% 为个人业务，其中一大部分为储蓄理财型。虽然规模与政府医保相比尚小，但在市场需求和政策支持的推动下，今年发展趋势良好，以年均 25-30% 的速度增长。

2012 年发布的《关于开展城乡居民大病保险工作的指导意见》，试点由商业医疗保险机构通过招投标方式承办大病补充保险的运营并承担费用风险，为商业医疗保险公司带来了业务拓展的新方向，也为其介入到政府医保的运营管理提供了契机。 2013 年十八届三中全会 的《中共中央关于全面深化改革若干重大问题的决定》和 2014 年国务院发布的《关于加快发展现代保险服务业的若干意见》（又称“国十条”），进一步规划了健康保险业在城乡社会保障一体化和参与更多医疗卫生体制改革中的作用，提出了“把商业保险建成社会保障体系的重要支柱，充分发挥商业保险对基本养老、医疗保险的补充作用”，并且“按照全面开展城乡居民大病保险的要求，做好受托承办工作”。这无疑对商业保险行业来说又是重大利好消息。此外，针对商业健康保险的个人税收优惠政策也正在研究中，虽然优惠幅度和政策细节尚待确定，但政策的方向已无疑问。可以说，随着政策的推动和市场潜在需求的释放，商业健康险业大有商机，将在不久的将来成为我国医疗保障系统中不可或缺的重要组成部分。而商业保险机构自身精细化经营管理水平将是决定其市场竞争力的一大关键。

然而，由于包括市场结构限制在内的种种历史原因，无论是政府医疗保险机构还是商业保险公司，整体来看在业务经营管理方面仍然比较粗放，还没有充分实现大数据分析可以为管理和企业发展带来的价值，主要表现在：

● 保障设计与精算定价： 产品同质化现象普遍，缺乏对客户需求及医疗风险的准确把握；精算定价基础薄弱，缺乏对疾病治疗费用的深度分析数据及对参保群体医疗费用风险的科学评估。

● 理赔运营管理： 精细化不足，往往仅根据保险责任条款及医保报销目录进行理赔，缺乏对医疗服务临床合理性的判断，从而漏失对大部分欺诈、不合理医疗行为的监测。此外，商业医疗保险机构的理赔数据往往停留在费用类别层面，缺乏项目费用明细，导致理赔精细化管理的数据基础薄弱。

● 医疗机构的管理： 技术手段落后，政府医保虽对定点医院有话语权，但缺乏对医院医疗质量及费用的合理评估，因而难以设定执行科学有效的支付方案与激励机制，粗线条的总额控制虽能短期控制费用，但导致一系列弊端（包括医院推诿重病人等），且长期控费效果欠佳。

● 市场与销售拓展： 缺乏以数据为基础的客观分析。以商业企业补充险为例，未能对企业理赔数据进行深入挖掘，以分析结果支持指导市场销售，并据此为客户量身定制相关增值产品，导致市场竞争停留于价格上的竞争，压低整个行业的收益回报。

备注：随着国家医疗保障体系的健全、商业医疗保险的发展、及整个行业对于控制医疗费用过快增长的重视，精细化管理，尤其是以大数据分析挖掘来指导决策制定，无疑将成为医疗保险管理今后的发展方向。

2013 年，城镇基本医疗保险基金总收入 8248 亿元，新农合筹资总额 2972.5 亿元，共计 11220.5 亿元。

大数据分析对于医疗保险管理的价值

3.1 保障设计和精算定价

目前商业保险业务分团体险与个人险，其中个人险中以储蓄理财型产品为主，少部分是消费理赔型，即真正意义上的医疗保险。此间很大原因在于缺乏对实际医疗费用的估算把控能力，在保障设计及精算定价方面无据可依，从而限制了产品的开发。

案例分析

以肿瘤类大病保险为例，由于政府医保以保基本为原则，支付额度经常不足以覆盖治疗肿瘤疾病治疗的全部费用，且报销目录通常不收录现今市场上疗效显著但价格昂贵的靶向型生物制剂，导致这一领域的市场空缺，为商业保险提供了明确的发展机会。商业保险公司虽看到市场契机，但往往因不了解肿瘤治疗的实际费用，而对产品设计与定价无从下手。

分析挖掘肿瘤类疾病理赔数据可以有效帮助解决这一难题。以乳腺癌为例，通过对北京、上海和成都三个城市的医保理赔数据库中抽取的乳腺癌病例的深度分析，辅以病人及医生的调研信息，我们看到， 乳腺癌的治疗方案及相关费用与其癌症类型紧密相关（图 1a， b）：

● A 类原位癌以手术为主，住院时间短，费用相对较低；

● B 类 I-III 期患者的治疗除手术外需辅以相当的化疗，费用明显增高；

● C、 D 类 IV 期患者的治疗方案以化疗为主，所需费用更高；患者家庭经济情况也是影响治疗费用的一大因素， 家境富裕的患者多选用靶向型生物制，其治疗费用大大增高（图1c）； 由于不同城市消费水平及具体医保保险政策的不同，也导致城市间的差异性， 但与由癌症类型及治疗方案导致的费用差异相比，地域性的影响相对较小（图 1c）。

以上对肿瘤费用的深度分析结果，结合不同年龄群体的发病率及疾病演变信息（可从疾病学研究中获得），即可为真正理赔型大病保障设计及相关精算定价提供有力支持，促进医疗保险产品的创新并提升产品的竞争力。

3.2 理赔运营管理

在医疗保险理赔运营管理中至关重要的一个环节是及时发现欺诈、浪费、滥用等费用风险。欺诈虽案例不多，但常涉及较大金额；浪费与滥用属于过度医疗与不合理医疗，单笔金额也许不高但是数量庞大，很难根据经验判断，因此属于数据挖掘的重要应用领域。

大数据分析可以帮助找出一些典型的理赔费用风险问题，例如分解住院、不合理医疗检查项目或者不合理高值医用耗材、诊断和处方药品指征不匹配、药品剂量超标等。此类分析对临床知识要求很高，需要专业分析技术和引擎才能完成。

案例分析

以某地区几千名门诊患者的基本医疗和企业团体补充险为例， 通过深度分析其 1 年理赔数据，我们发现多类理赔风险：

● 药品剂量超标： 医保报销规则通常要求每次处方量不超过7 天或 14 天，但在实际理赔中，因为普通医保运营系统无法判断具体到每个药品的标准日用量，难以就理赔信息加以识别，因此超剂量用药频有发生，并为代开药品、倒卖药品等欺诈行为提供了便利。我们根据各类药品最大日用量分析计算了相应给药天数，从单次处方天数来看，某些中药处方的给药天数超过一个月（表 1a） ; 从一年中累计给药天数来看，若干患者配药总量远远超过一年 ( 表 1b)。因为现有理赔数据不含有药品用量信息，所以以上仅为保守估计。若能结合电子病例以实际处方的日用量计算，可以发掘出更多的潜在问题案例。

●用药与医疗服务不匹配： 现今医保药品报销通常要求诊断与用药相匹配，因此医生在处方时往往会根据所处方药品填写诊断信息。分析发现，少数患者使用了 10 种以上药品，相应的诊断名称也众多。众所周知，某些疾病的诊断往往需要一些必要的检查或者化验来确诊，但我们所分析的理赔数据中显示的检查和化验项目并不能支持患者的众多诊断（表 2）。这说明，在实际医疗行为中，可能存在医生为配合患者开药而“人为”填写诊断名称的现象。理赔工作人员可相应对此要求患者提供病例详情以确认是否有借开药以套保费的现象。

● 由保障方案诱导的“非必要”医疗： 目前不少团体补充险保障涵盖门诊福利，且常设几千元的封顶线。我们的分析表明，在有门诊保障的情况下，如果起付线不高（1 千元以内），常会导致相当的“非必要”医疗。如表 3a 所示，该团体门诊封顶线在4000 元左右，一年内 1290 出险人中 800 人门诊费用在 3000-5000 元之间，明显有诱导消费嫌疑。深入分析各月份及医院就诊分布显示，年底 11-12 月间就诊次数明显增长，且主要出现在较容易挂号的一二级医院，说明其增长主要由诱导消费导致的“非必要”医疗（表 3b）。那么所诱导的“非必要”医疗都包括哪些内容呢？通常而言，一方面为可用可不用的药品，诸如中成药、中药营养品等；另一大类为可有可无的诊疗项目，例如检查化验，中医针灸按摩等。进一步分析中药及诊疗服务费用按月的分布，可以清晰的看到年底中成药、中药饮片（含中药营养品）、及诊疗项目使用频率及涉及费用明显上升（表 3c/d） . 当然从根本上解决诱导消费的问题需要从保障方案设计着手，但以上分析结果也可为理赔提供信息支持，帮助理赔工作人员简单便利的找出此类诱导消费的嫌疑，有针对性的加以审核。

以上发现可帮助医疗保险机构的理赔审核部门快速找出潜在问题案例及其明细信息，提高理赔处理的效率并降低赔付率。此外，医疗保险机构也可以针对这些问题的根源和相关医疗机构进行沟通，寻求从根本上降低费用和提高运营水平的机会。

3.3 对医疗机构的管理

在现今医疗保障仍为政府医保为主导的环境下，商业保险对医疗机构的话语权不大，对医疗机构的管控仍以政府医保为主。人社部于 2012 年出台的《关于开展基本医疗保险付费总额控制的意见》，将“逐步建立以保证质量、控制成本、规范诊疗为核心的医疗服务评价体系与监管体系”作为任务目标。但实际操作中，由于缺乏有力的临床分析能力，政府医保对医疗机构的管理仍停留在粗放型，力度欠缺且效果欠佳。总额控制的支付方式使医保将超出预算的财务风险全部或者部分转移给医疗机构，在收入既定的情况下，医疗机构有可能通过减少必要服务，尤其是拒绝成本消耗较高的患者或者项目来降低医疗成本，从而出现推诿重病人、增加自费费用等问题，与原本“保障质量、规范诊疗”的目标背道而驰。而且， 总额控制支付方式下的总额基数和调整系数的确定在很大程度上参考历史数据和变化趋势，也就是在往年的额度基础上简单地加上增长空间，超值分担、结余分享的比例和调节过于依赖经验而非科学测算，导致医疗机构对于总额控制的认可度不高。

大数据精细化分析可以应用于科学合理的评估医疗费用及质量，从而为包括总额控制在内的多种支付方式提供支持。

医疗费用评估的一大难点在于医疗服务缺乏标准化。以心脏支架手术为例，确诊需要什么样的检查化验，手术过程中需要什么样的麻醉方式，需要使用什么样的支架及放置的数量，术后康复期需要住院多久，出院后复诊需要做些什么等，在不同患者间差异巨大，所以仅比较单一的诊疗项目或药品费用与总费用并无相关性，意义不大。所以，技术上的难点在于将解决同一问题的所有相关诊疗项目及将用药情况链接起来，这就涉及专业的分组方法，如用于住院费用的 DRG 分组，或用于门诊费用的 ETG 事件系列等，以此作为费用比较的单位。

医疗费用分析中另一重要概念为“危重风险调整”。患者个体的差异，包括年龄、性别、并发症等，会对费用有很大的影响。举例来说，医疗机构收治糖尿病患者，三级医院的人均医疗费用往往比一级医院的高很多，但是据此得出结论说明三级医院的费用指标比一级医院差是不合适的，因为这里没有考虑到患者的危重情况。事实上，三级医院由于医疗水平高，收治的危重患者较多，导致治疗同一疾病的费用比一二级医院偏高的现象是正常的。那么在这种情况下，应该如何比较不同级别医院的费用？又如何比较同级别的不同医院的费用？这就需要引入“危重风险调整” ，即根据年龄、性别、合并症等诸多因素评估患者的危重程度，然后根据危重风险因子对医疗费用进行调整，经过危重风险调整后得到的医疗费用才有可比性。

费用评估对医疗保险机构而言固然重要，但单一的费用指标本身不能作为衡量医疗机构的唯一标准。与费用评估相辅相成的是医疗质量的评估，高质量的医疗服务除了对患者疾病管理及健康维护至关重要外，在从根本上控制今后长期的医疗费用上也是缺之不可的。健康人群医疗费用低是众所皆知的常识。

医疗质量的衡量可以包括两大方面：一是对医疗过程的评估，需要庞大的临床规则知识库，准确判定在不同疾病管理中该做什么，不该做什么（见表 4a 示例），用药合理性分析中的药物间相互反应的监测、用药剂量及用药相关检查的指标也可以归为医疗过程评估这一大类 ( 见表 4b 示例 )；二是对医疗结果的评价，比如手术不良事件发生率，及可避免再住院率等（见表 4c 示例）。

有了科学合理的评估医疗费用与质量的手段 , 使得政府医保机构与商业保险公司能有效对医疗机构进行综合管理 , 同时支持包括总额控制、单病种付费、按绩效付费等各类支付方式改革的实施 , 真正达到在保证质量的基础上控制费用的目的 . 这也正是医疗保险在产品服务缺乏标准化 , 信息高度不对称的医疗领域中的重要价值之一。

3.4 市场和销售拓展

对于商业医疗保险机构的市场和销售而言，如何获得新客户和保留既有客户是核心内容。应用大数据挖掘可以剖析客户参保人群的费用驱动因素及健康情况，不仅可以为优化保障设计与精算定价提供有力支持，更可以以深度分析结果报告作为业务洽谈的基础，增进与客户的沟通，赢得客户对保险公司专业水平的信赖，并据此为客户量身定制相关增值服务。

案例分析

以一团体补充险业务为例，从一年的理赔数据中分析费用与就诊次数在各年龄层的分布可以看出，由于该团体总体较年轻，雇员年龄主要在 20-40 岁之间，同时有大量 10 岁以下儿童作为连带被保险人也纳入了保障范围，而这部分儿童的就诊次数及医疗费用占总体的很大比重（图 2），有效管理儿童医疗费用将是管理该参保单位医疗费用的重点之一。

进一步分析其医疗费用在不同疾病上的分布可以看出，呼吸系统疾病无论从费用上或就诊人次上均高居首位，且占总体的很大比重（表 5a）。细分其中呼吸系统疾病的种类可见，很多是由感冒及急性支气管炎引起（表 5b），患病者集中在 10 岁以下的儿童（图 3） , 而且费用主要发生在次均费用较高的三级医院（表 5c），并使用了大量的抗生素 / 全身性抗感染药及输液治疗等（表 5d）。我们知道 , 感冒及 90%的急性支气管炎均不是由细菌感染引起，国际治疗方案以休息和对症治疗为主，无需使用抗生素，尤其是静脉注射抗生素等。但国内众多医院由于种种包括医生病人习惯及经济利益驱动等原因经常动辄静脉注射抗生素，不仅浪费医疗资源，而且对病情恢复有害无利。

这一发现提示，有效控制这一团体的医疗费用可以从防止感冒及急性支气管炎入手，比如在感冒流行期组织企业员工包括其未成年子女接种流感疫苗，并通过定期医学讲座普及防止感冒的医学常识。此外，控制费用的另一方向在于改变参保人在患病后的就医习惯，比如组织专家为企业员工介绍感冒及急性支气管炎患病后的治疗常识，另外也可考虑为有规模的企业配备简单医务工作室，由驻地全科医生及时诊断普通感冒症状并及时建议相应措施（如多喝水、多休息等）或给予 OTC 药品缓解症状。

3.5 战略决策支持

从上文可见，大数据分析在保障设计及精算定价、理赔运营管理、医疗机构管理、市场和销售拓展等医疗保险经营的各个领域均有很大的应用价值；在战略决策支持上，大数据应用同样有着举足轻重的作用。

除了平衡风险之外，医疗保险的最重要的核心价值在于保证医疗质量的前提下有效控制医疗费用。 大数据分析可以为医疗保险找出费用的关键驱动因素，以此作为战略决策的依据，可以使决策者有针对性的制定措施解决问题关键。 此类分析的要点在于通过由大到小、由粗到细的层级挖掘寻找问题的关键，成功应用于决策制定既需要整套专业分析技术的支持，更需要逻辑性、结构化的思维，及对医疗保险行业市场在战略层面的理解，因此对数据分析师的要求更高。

假设数据分析显示费用增长主要集中在糖尿病领域，那么首先需要明确其动因是发病率增长还是人均治疗费用增长所导致。如果是前者，有效管理的关键在于普及糖尿病常识，鼓励健康的生活习惯，并及时发现早期症状。此外从精算定价上，识别前糖尿病患者或糖尿病多发群体，并将其考虑进精算模型中。但如果费用增长是由于人均治疗费用的增长所致，那就需要进一步分析其原因。如果是由于少数医院的过度医疗行为，那可以通过加强对医院的管理（如以医疗费用与质量评估为基础的绩效考核并与支付挂钩），并鼓励病人去其他医院就医（如设定不同的保险比例，甚至在可能的情况下取消问题医院的定点等）。但如果是由某类新药或新的治疗方式引起，那就需要根据其临床效果及卫生经济学分析，判断是否应包含在报销范围或报销比例。

当然，以上仅列举了众多分析方向的一小部分，具体到实际应用中找出问题关键所需的分析方向及步骤会更多。成功找出问题根源，需要数据分析师与决策者紧密配合，一方面需要增强数据分析师对医疗保险行业的战略性认识，另一方面需要决策者对数据挖掘的大体方法及优劣有所了解，才能共同更好的诠释分析结果，使之有效服务于战略决策制定。

大数据应用的挑战与前景

尽管大数据分析可以为医疗保险管理带来巨大的价值，但实际应用中仍然面临不少问题和挑战：

● 数据质量低， 这包括几个方面 .

1)数据不完整： 由于商业保险公司未能与绝大部分医院进项联网结算 , 理赔信息仍需根据参保人提供的费用单据手工录入 , 费时费力 . 而保险公司为了节省费用 , 经常只录入费用类别 ( 如医药费、检查费等 ), 从而无法提供医疗费用明细供深度数据挖掘。

2)信息不准确： 即便是政府医保系统中的理赔数据，也普遍存在诊断信息不精确，或医生根据所开药品而人为添加诊断等现象。

3）缺乏标准化： 药品、手术、检查项目等往往无编码，即便有也通常因地而异甚至因医院而异，缺乏统一编码。这样的数据质量大大的影响了大数据分析的应用。显然，解决以上问题的根本在于提高原始数据的质量。在现有数据条件下，专业的分析技术可以用于弥补信息缺失或不准确造成的弊端。比如可以根据所用药品、手术及检查项目判断诊断的准确性甚至补足缺失的诊断。同样，数据标准化问题归根结底需要建立并实施全国标准编码系统，包括诊断、药品、手术、检查、操作、耗材等。在此之前，应用庞大的临床字典库及人工语言分析等专业技术可将绝大部分编码工作自动化。

● 行业对大数据应用价值的认识有限。 这方面的进展将是一个循序渐进的过程。在数据分析的价值尚未得到广泛认识的环境下，推进的关键在于将大数据分析应用于目前行业最关注的痛点，创新尝试尝到了甜头后，自然而然观念的改变就如同顺水推舟一般。

● 与信息共享相关的政策和法律尚未健全。 医疗领域各类数据信息的所有者是谁，谁又具有使用权，使用中有何限制，如何保护个人隐私等均无明文规定。这一方面限制了数据共享、不同数据之间的链接、及数据分析的广泛应用，另一方面导致个人隐私的泄漏。只有尽快建立具体的政策和法律支持，才能在保护个人隐私的前提下促进信息交流与共享，最大发挥大数据分析在行业中的价值。在此美国HIPAA 法规考虑到的不少细节可供我国政府监管机构与立法部门参考。

展望未来，虽然大数据分析在医疗保险领域的广泛深入应用还面临诸多挑战，但随着医疗保险经营的进一步专业化、市场化，其对以数据挖掘为基础的精细化管理的需求将日渐突出，在这一紧密关系社会民生又涉及庞大费用的领域，大数据的分析挖掘能力将是行业竞争力的体现，具有勿需置疑的广阔发展前景。

下载：大数据分析对于中国医疗保险管理的价值.pdf