数据科学和临床数据科学的发展

news2024/12/28 20:03:43

内容来自：专栏《R探索临床数据科学：1章1节：数据科学与临床数据科学的发展历程：为何 R 备受青睐及我们专栏的独特之处》的部分

为帮助大家更出色地掌握临床统计、数据挖掘以及人工智能建模的入门知识和应用，由于众多同学在计算机编程上经验欠缺，特此开设《R 探索临床数据科学》专栏。该专栏每周至少会定期更新三篇，直到整个专栏更新完成。每篇文章都在 5000 字以上，质量平均分高达 94 分。要提醒大家的是，每结束一个章节，专栏的优惠力度就会减小，当下正是订阅的最佳优惠时段，诚邀各位积极订阅！

专栏《R 探索临床数据科学》链接：https://blog.csdn.net/2301_79425796/category_12729892.html?spm=1001.2014.3001.5482

数据科学作为一门跨学科的领域，融合了统计学、计算机科学和领域知识，致力于从数据中提取有价值的信息。数据科学的发展可以追溯到20世纪中期，当时计算机科学和统计学逐渐兴起，为数据分析提供了技术基础。同时，随着数据科学在临床数据分析和挖掘中的应用增多，临床数据科学成为一门跨学科的学科，结合临床医学、统计学和计算机技术。

一、数据科学和临床数据科学的发展

数据科学（Data Science）

数据科学的起源可以追溯到1962年，当时统计学家John W. Tukey在他的文章《数据分析的未来》中首次提出了数据分析作为一门独立的科学方法。1974年，计算机学家Peter Naur在《计算机方法的简明调研》中明确定义了数据科学，将其描述为一门基于数据处理的科学，旨在发现数据与事物之间的关系，为其他领域的研究提供支持和启示。

2010年，Drew Conway的维恩图《数据科学维恩图》进一步阐明了数据科学的本质，它处于统计学、机器学习和领域专业知识的交叉点上，具有显著的跨学科特征。现今，数据科学通过数学、统计学、模式识别、机器学习、数据可视化以及数据仓库等技术，从数据中提取有价值信息以生产数据产品。

Drew Conway是数据科学领域的杰出人物，是DataKind的联合创始人，该组织汇集了全球无偿数据科学家，致力于社会福利项目。他创建了数据科学维恩图，定义了该领域的核心概念。作为《Machine Learning for Hackers》的作者，他推广了机器学习技术的普及。作为Alluvium公司的创始人兼首席执行官，他领导了一家专注于企业人工智能的企业。他还是DataGotham的联合创始人，支持纽约市的数据社区发展。同时，Drew Conway在Two Sigma Private Investments领导数据科学团队，推动私募股权、风险投资、房地产和ESG投资的创新决策，并在美国情报界担任计算社会科学家。

据报告，健康相关数据约占全球数据总量的30%。医疗保健领域产生的大量数据推动了健康数据市场的发展，这些数据通过连接所有者并货币化，支持科学发现。临床数据广义上指与健康相关的信息，包括从常规护理到临床试验计划的各种数据，主要来源于医疗机构，涵盖人口统计学信息、筛查、诊断、治疗、预后、生存率及死亡率等，是医学大数据的关键组成部分。

临床数据科学（Clinical Data Science）

随着数据科学在临床数据分析和挖掘中的应用增多，临床数据科学成为一门跨学科的学科，结合临床医学、统计学和计算机技术，探索不同类型、状态和属性的临床数据，揭示其中潜在的临床规律。临床数据科学家利用每天在医疗系统内产生的庞大数据量来解决与健康相关的挑战。

临床数据科学与生物医学数据科学、医疗保健分析和生物医学信息学密切相关，尽管它们之间存在一些区别。生物医学数据科学侧重于对大规模生物数据集进行分析，以理解和解决健康问题。医疗保健分析则是基于来自医疗核心领域的数据进行的分析活动，包括索赔和成本数据、药品和研发数据、临床数据、患者行为和情感数据等。

特征/领域	临床数据科学	生物医学数据科学	生物医学信息学
关注点	应用数据科学于改善医疗系统和患者健康，提高医疗服务效率和质量	分析大规模生物数据集，解决健康问题	最优化利用生物医学信息和数据做出决策
数据来源	电子健康记录（EHR）、临床实验室数据、索赔和成本数据等	基因组学数据、蛋白质组学数据等	生物医学信息，如病历和诊断报告
处理方法	数据挖掘、统计分析、预测建模等	生物信息学方法和工具的应用	计算方法和传统方法相结合，提供决策支持系统
任务目标	改善患者的整体健康和医疗系统效率，提高患者护理质量	理解疾病机制、发展个性化治疗策略	提高生物医学信息的可用性和应用效果

另外，临床数据的主要来源之一是电子健康记录（EHR）。EHR包含来自临床、实验室、放射影像、健康保险、社会人口统计学信息、基因测序数据等各方面的信息。与EHR类似的术语是电子医疗记录（EMR），但EMR更为局限，主要集中于单一医疗实践中的患者医疗和治疗历史。临床数据通常存储在关系型或非关系型数据库中，以便于文档化和简单检索。临床数据模型如Informatics for Integrating Biology and the Bedside（i2b2）、PCORnet（Patient Centered Outcomes Research Network）、Observational Health Data Sciences and Informatics（OHDSI）等，每个模型都有其特定的目标和架构。

虽然临床数据科学的应用尚处于起步阶段，人们对其认识也不尽相同，但这一领域已经衍生出许多相关概念，如数据驱动的临床研究、临床二次数据挖掘、医学机器学习和现代医学统计学等。这些概念各有侧重，但它们共同围绕一个核心主题：如何从实际的临床工作中提取数据，并通过计算机算法从中挖掘出科研线索或新的研究结论，为医学临床和科研提供支持。