用大数据预测疾病趋势可行吗？有哪些误区？

　　编者按：

　　在大数据被热炒的今天，你一定从哪里听说过，谷歌用搜索和大数据技术来预测流感发生。大数据粉丝们对此捧红得不得了，这就是著名的“谷歌流感趋势”（Google Flu Trends）项目。粉丝们认为，利用大数据预测疾病发生，是公众健康的福祉。

　　不过，身在美国的卫生经济学家陈茁向健康界介绍，这一始于2008年的项目如今在美国遭遇到了很大质疑。

　　他介绍，尽管“谷歌流感趋势”在2009年的成功表现让人大吃一惊，但接下来，项目高估了类流感的发病率，有时甚至比美国疾控中心的数据高出一倍以上。

　　不过，熟悉统计学的陈茁结合他过去的一些研究，对“谷歌流感趋势”与美国疾控中心数据偏差产生的原因进行了分析，并对谷歌项目提出了改进建议。

　　他的观点很明确，类似项目应该在数据准确方面有所改进，不切实际的过高期望有可能会“捧杀”大数据。但他相信，如果方法得当，大数据对疾病预测依旧有巨大的潜能，还可以在疾病监测防控之外发挥难以比拟的作用。

　　中国卫生领域对大数据的支持者最近大概是喜忧参半。一方面，中国国家疾病预防控制中心与百度合作，进行疾病预测防控；另一方面，美国“谷歌流感趋势”项目的准确性遭受到质疑。

　　“谷歌流感趋势”是谷歌公司2008年上马的一个项目。它的想法是，根据美国各州和主要城市对流感短语的搜索，来预测流感的暴发。

　　项目背后的原理也很简单：如果某地流感开始流行，那么相关疾病的谷歌搜索就会增多。谷歌研究团队2009年在《自然》上发表的文章引起很大反响。他们准确预测了2009年流感流行，让人大吃一惊。

　　其实，对于利用搜索引擎及相关数据预测卫生领域指标，业内早有相关研究。哈佛大学陈怡玲和合作者利用Yahoo的搜索数据，曾预测过肺炎和流感相关死亡数，相关研究于2008年发表在《Clinical Infectious Disease》上。

　　“谷歌流感趋势”为何受质疑

　　2009年以后，“谷歌流感趋势”项目的表现一直不尽如人意。2011年~2013年间，项目多数高估了类流感发病率，有时候甚至比美国疾控中心的数据超出一倍以上。原因到底是什么？

　　我个人认为，其中一个原因就是大家被“谷歌流感趋势”2009年的成功迷惑了，寄予了它过高的期望值。

　　现实要远比原理复杂。谷歌搜索的结果和使用者人群“自我估计”的流感发病率相关。“自我估计”实际上很有问题。这是因为，普通感冒在不同个体身上的严重程度上会有差别，有些患者因为担心，便搜索了相关信息。这些搜索构成了类流感“自我估计”中的“噪声”。所以，“谷歌流感趋势”模型中的“噪声”需要谨慎对待。

　　另外，美国疾控中心的数据来自各地实验室或医疗服务提供商，反映的是就诊发病率。由于不是每个类流感患者都会去看病，美国疾控中心的数据跟真实发病率也会有差别。

　　某种意义上说，谷歌流感趋势的预测和美国疾控中心数据是两个不同的指标，两者不一样并不奇怪。相对于就诊发病率，我认为“谷歌流感趋势”结合传播动力学来预测流感暴发概率，可能会更好一些。

　　当然，如果只用“谷歌流感趋势”，还想准确地预测流感发病率，无疑是歧路亡羊。

　　“谷歌流感趋势”项目失误的另外一个原因是在数据分析方面存在欠缺。哈佛大学GaryKing和搭档的研究就指出了谷歌项目在分析上的不足。

　　首先，这个项目没有尽可能利用传统的统计分析手段来剔除系统误差，比如残差的自相关性和季节性。

　　其次，“谷歌流感趋势”忽略了其他数据的作用。如果结合美国疾控中心的数据，谷歌的预测其实有可能被大大改善。我曾在明尼苏达大学杨宇宏教授的指导下做过“预测合并”的研究，“预测合并”可以改善预测精度，这或许是一个可行的改进方向。

　　另外，有推测认为，随着项目开始广为人知，很多人开始跟进研究。大家都搜索流感相关短语，也增加了不少“噪声”。这个问题相对来说比较容易解决，因为谷歌可以确定搜索是否源于研究机构子网中，然后进行排除。

　　而且，Gary King等也委婉地对谷歌研究团队提出了批评，认为其数据分析不够透明，没有将完全的“搜索短语集”公布出来。

　　中国CDC与百度合作要避免雷区

　　尽管谷歌的项目遭遇质疑，但我个人认为这种质疑不足以否定大数据对国民健康的潜在贡献。我也相信，大数据还可以在疾病监测防控之外发挥难以比拟的作用。

　　根据美国2010平价医疗法案（ACA）建立的循患果效研究所（Patient-centered Outcome Research Institute)曾经资助了一个大数据项目。该项目旨在利用11个不同医疗服务网络的数据，来找出医学干预有可能产生的不同效果，并为找到合适的随机临床试验受试者提供线索。

　　此外，随着信息技术的发展和相关软硬件性价比的提高，相当多的数据服务商和地区医疗服务网络已开始利用大数据，寻找最有效和最具成本效益的医学、预防和干预手段。老牌MarketScan等数据服务机构受到新兴机构的挑战，如医疗成本研究所等。

　　我相信，中国国家疾病预防控制中心与百度的合作前景可期。百度的数据结合中国国家疾病预防控制中心观测点的数据，可提供更多更全面的原始信息。如果配合严谨的分析，这有可能开辟疾病监测防控的新天地。

　　对于上述合作，期许之外，我也有一些建议：

　　一个是应该更加重视分析方法，不能因为有了大数据就放弃对分析方法的重视和探索。没有合适的方法，大数据也可能导致错误的结论。比如，百度的使用人群会有不同的特征，利用百度数据进行推测疾病，就需要考虑这些特定人群与一般人群之间的差异。

　　另外，也需要考虑个人隐私和流行病监测之间的平衡。

　　最后，对标准化的重视会减少大数据应用过程中的错误。这一点对医院和各地疾控机构信息化建设尤为重要。

　　（本文作者为芝加哥大学卫生促进研究中心博士后学者，资深卫生经济学者，主要研究领域为卫生经济学、健康不均等的分析，及政策和项目评估。《中国卫生评论》创刊主任编辑，现任《家庭和经济问题杂志》编辑委员会委员。本文仅代表作者个人观点。）