医药生物大数据行业分析报告 1.docx

医药生物大数据行业分析报告 1.docx

《医药生物大数据行业分析报告 1.docx》由会员分享，可在线阅读，更多相关《医药生物大数据行业分析报告 1.docx（8页珍藏版）》请在冰豆网上搜索。

医药生物大数据行业分析报告1

2016年医药生物大数据行业分析报告

目录

一、数据积累+技术进步=生物大数据时代来临.............4

1、供给和需求双轮驱动，生物大数据时代已经到来....4

2、数据量的积累：

量变到质变....6

3、IT技术的进步让大数据分析成为可能......7

4、生物大数据的应用已经存在：

IBMWatson................7

二、生物大数据的来源....8

1、诊疗数据：

二代测序让数据积累实现了质的飞跃....9

2、互联健康、移动健康登上舞台................12

3、研发大数据提升研发效率......15

三、生物大数据潜在应用广泛........16

1、“精准医疗”的核心是生物大数据分析.....18

2、移动医疗会成为医疗的重要组成部分....22

3、公共健康：

流行病学预测......23

4、保险公司全面受益23

5、助力医药行业研发23

四、生物大数据的价值无穷............24

五、数据的积累和挖掘是大数据行业的壁垒..24

六、投资思路和相关公司................25

医药行业的大数据时代即将到来，未来十年，将会逐渐对行业内产业链各个环节产生深远影响。

“大数据”这一名词2012年在奥巴马国情咨文中被重点提及，从此为大众所知，近几年来发展迅猛，已经在很多行业得到体现，国内比较经典的案例是阿里巴巴利用大数据分析作网络精准营销，颠覆了传统零售业。

医药行业的变革历来发生较为迟缓，然而即使如此，医药数据的积累正在加速进行，我们认为从供给和需求两方面来看，医疗大数据即将迎来量变到质变的一刻。

生物大数据包罗信息多、价值大，若能有效挖掘，医药行业的每个参与方均有望从中受益。

“精准医疗”的实现依赖于生物大数据的解读。

美国总统奥巴马近日提出的“精准医疗”概念、和以往所说的“个性化医疗相似”，指针对同一种病、根据每个患者的不同情况采用不同的临床路径。

其背后依赖于对各个患者多方面数据的积累，包括各种生物组学数据（基因组、蛋白组等）、患者病史、生活习惯、行为习惯等多方面，对比过往患病人群到相关数据，通过大数据分析，找出最优的治疗方案。

这一理念的实现，依赖于生物大数据的积累、以及后续对这些数据的挖掘和解读。

生物大数据行业会有两个壁垒：

1）数据的积累；2）数据的挖掘和解读。

前者是先进入该子行业的厂家具备的天然优势，例如华

大基因在基因测序积累多年，中国人的基因样本库；23andme通过对个人服务积累的基因组数据库等。

数据的挖掘和解读壁垒更高，从美国来看，目前涉足生物大数据处理和分析的公司主要有两类：

一类是传统的IT公司和统计数据处理公司，例如Google、IBM、SAS，另一类是专职于生物大数据处理的公司，例如NEXTBIO、Knome等。

国内目前尚无专职处理生物大数据的公司，未来一定会有这种业态出现。

一、数据积累+技术进步=生物大数据时代来临

1、供给和需求双轮驱动，生物大数据时代已经到来

医药行业的大数据时代即将到来，未来十年，将会逐渐对行业内产业链各个环节产生深远影响。

“大数据”这一名词2012年在奥巴马国情咨文中被重点提及，从此为大众所知，近几年来发展迅猛，已经在很多行业得到体现，国内比较经典的案例是阿里巴巴利用大数据分析作网络精准营销，颠覆了传统零售业。

医药行业的变革历来发生较为迟缓，然而即使如此，医药数据的积累正在加速进行，我们认为从供给和需求两方面来看，医疗大数据即将迎来量变到质变的一刻。

供给驱动来自于医疗电子数据的积累、数据挖掘手段的提升和

移动互联的普及。

伴随着电子病历，二代测序，互联网医疗，药品网售、云存储这些全新技术平台出现，医疗数据电子化成为可能，医疗大数据的积累正在加速进行。

同时移动互联和智能手机的普及，带来了全新的医疗、健康理念，获得患病人群和健康人群的即时监控数据成为可能。

另一方面，GOOGLE、IBM这类IT龙头让数据挖掘、大数据分析的手段日益精进。

需求驱动来自于以下方面。

1）医药产业链中各个环节的效率均有待提升：

医保吃紧，医生资源紧缺，患者体验差、不满升级；2）“精准医疗/个性化医疗”的需求：

不同于以往基于人群统计结果的循证医学，精准医疗讲究“对人下药”而非“对症下药”，二代测序技术让精准医疗成为可能；3）健康管理&慢病管理的需求：

人口老龄化，癌症、心脑血管疾病、糖尿病等慢性病发病率逐年攀升，同时人们的保健意识逐渐苏醒，带来健康管理和疾病管理的需求。

2、数据量的积累：

量变到质变

医药行业是数据密集的行业，数据量正以爆炸式速度增加。

按照IDCDigitalUniverseStudy2012年的预测，截至2020年，人类产生和复制的总数据量将达到40万亿GB，是2010年的30倍。

同时数据生成和共享的速度也在迅速增加，导致数据的加速积累。

医药行业是数据密集的行业，囊括药企研发，科研进展，医生诊疗记录，患者各种病历，检测和用药记录，患者大健康数据，付费方（保险）赔偿记录等方方面面。

Intel在2013年预测，到2020年，医疗数据也将会积累到万亿GB的量级。

3、IT技术的进步让大数据分析成为可能

4、生物大数据的应用已经存在：

IBMWatson

以IBM的超级电脑Watson为例，生物大数据已经开始被广泛应用于临床诊断、医保分析、癌症研究、健康管理等多个领域。

生物大数据的应用并非空中楼阁，Watson是世界上最大的超级电脑，在大数据分析方面，设计医药行业的项目覆盖十分广泛，包括与WellPoint合作进行药品福利管理和恶性肿瘤的临床诊断，与

BlueCross合作进行医保数据分析，与Sloan癌症中心合作进行癌症

研究、辅助医生进行癌症诊断等多个方面。

JPMorgan估计，2017年，Watson的大数据分析可以为IBM带来20亿美元的收入。

二、生物大数据的来源

生物大数据将主要来源于四个方面：

研发数据、诊疗数据、患者的行为和感官数据和医保数据。

研发数据主要指药企或科研机构进行研发获得的数据。

包括药企从临床前、I-III期临床、IV期临床、上市后大量人群中进行疗效&副作用跟踪获得的数据；还包括最新的科研进展。

诊疗数据主要指患者在医院进行就医行为产生的数据。

包括病历（电子病历），传统检测手段（生化、免疫、PCR等）、新兴的检测手段（二代测序、基因芯片等）、医生的用药选择、诊疗路径记录等。

患者的行为和感官数据指患者自身的、在院外的行为和感官所

产生的数据。

包括患者的家族病史、服药的依从性、以及通过各种可穿戴设备&即时监控设备&智能手机采集到的疾病管理、健康管理数据。

还包括患者在互联网上的一些网络行为产生的数据，例如寻医问药、与患有交流等。

医保数据是指一切与付费方相关的审核记录、报销记录。

包括参保人的病史、报销记录、药物经济学评价；同病种下人群诊疗路径比对等。

1、诊疗数据：

二代测序让数据积累实现了质的飞跃

传统的诊断手段目前依旧是诊疗数据的主要来源。

传统的院内检测项目，例如生化诊断、免疫诊断、核酸诊断等，目前依旧体量

最大，现阶段会是诊疗数据主要的组成部分。

一些新的技术，例如基因芯片、二代测序等，目前由于技术新颖，尚未全面推广，未来随着成本下降，对临床指导作用会越来越强，替代部分传统的检测手段是大趋势。

二代测序（高通量）技术的出现让全基因组测序得以大范围进

行。

2014年Illumina在JPMorgan的大健康年会上宣布利用其二代测序平台，全基因组测序成本降至1000美金以下（多年前用一代测序进行人类基因组计划，成本是30亿美金/个基因组），同时二代测序的通量远高于一代测序，自此大范围的基因组测序成为可能，基因组数据开始迅速积累，逐步为临床操作和基础研发带来价值。

基因组数据价值极高、存在无限被挖掘的可能性。

基因组数据隐含生命全部密码，对临床、科研、研发价值极高，目前CFDA已经批准的应用是无创产前筛查，进行试点的有单基因病筛查，未来有望继续放开癌症早期筛查、癌症临床用药指导等后续应用。

另一方面，积累足够多人群基因组数据库后，基因数据还可以实现帮助药企提升研发效率、进行疾病预警等功能。

电子病历的推广是趋势，保障诊疗数据电子化，是大数据分析的前提。

电子病历电子设备（计算机、健康卡等）保存、管理、传输和重现的数字化的病人的医疗记录。

我国卫生部先后在2010，

2011发布了关于电子病历系统的规范和通知文件，近年来已在北京、上海等多个城市广泛试点，电子病历取代手写纸张病历是趋势。

诊疗数据电子化是大数据分析的前提条件，届时临床全部的诊断结果、医生的处方行为、临床的诊疗路径和效果都可以在人群范围内实现集中分析。

2、互联健康、移动健康登上舞台

大部分可穿戴设备尚未能提供医疗价值，但技术不断进步，数据会更值得挖掘。

目前的的可穿戴设备、移动健康设备采集的数据有以下几类：

血糖（连续或间断）、心率、血压、体重、体温、睡眠、各种运动数据等。

目前大部分的可穿戴设备走的依旧是酷炫娱乐路线，尚无证据证明大部分移动医疗设备所采数据具备临床价值。

Google此前披露其智能手机ProjectAra模型，已经具备心电、

呼吸检测功能，尚有更多功能在开发当中。

随着技术的进步，可穿戴提供的数据质量会更高、稳定性会更好，种类也会更多，其临床价值会更值得挖掘。

可穿戴的成功案例：

WellDoc的BlueStar，通过FDA认证，临床价值明确。

WellDoc的BlueStar是一款病人主导的糖尿病管理产品，进行了严格的临床实验证明其临床价值，是为数不多的通过FDA认证的移动医疗产品之一，需要医生开具处方，II型糖尿病患者才可使用，也侧面其已被正规医疗体系所接受。

BlueStar帮助病人进行自主糖尿病管理，可以提供即时血糖、血压、血脂监测，通过数据处理为医生临床决断给出建议；还可以给病人进行健康管理提醒。

BlueStar的成功也证明了可穿戴设备确实可以带来临床价值，其数据也值得积累和挖掘。

网络和移动互联的普及，患者行为将互联网化和数字化，提供新一维度的大数据。

2014年是互联网冲击医药行业的元年，阿里巴巴力推未来医院、网络问诊平台春雨医生融资、处方药网售放开传闻。

随着网络普及，部分就医、购药行为向网络端转移是必然趋势。

然而更早的时候开始，部分患者已经会在网络上询问病情，患者寻医问药的行为网络化和数字化，为生物大数据增添了一个新维度。

未来通过网络搜索+大数据分析做流行病学预测，精准推荐寻医购药信息在技术上都是可行的。

3、研发大数据提升研发效率

研发数据包含了药企目前所有临床前、临床的研发数据、科研机构进行基础研究的研发数据、以及药品上市后，后续对药效和安全性进行跟踪的相关数据。

远期来看，互联网、云存储、大数据会带来药企研发模式的变革，有望提升新药研发效率。

在这一领域尚处于愿景阶段，部分巨头跨国药企已经开始有所尝试：

GSK2013年和统计巨头SAS合作开展药企R&D数据公开的项目，旨在通过分享经验，加紧和科研界的合作，避免业内重复研发、资源浪费的情况。

医药大数据助力研发的另一个方向是希望通过对产品上市后用药人群分析，检测其疗效、副作用，来指导临床前分子实体的筛选，从而达到提高研发成功率的目的。

三、生物大数据潜在应用广泛

生物大数据包罗信息多、价值大，若能有效挖掘，医药行业的每个参与方均有望从中受益。

临床决策支持，“精准医疗”的实现依赖于生物大数据的解读。

美国总统奥巴马近日提出的“精准医疗”概念、和以往所说的“个性化医疗相似”，指针对同一种病、根据每个患者的不同情况采用不同的临床路径。

其背后依赖于对各个患者多方面数据的积累，包括各种生物组学数据（基因组、蛋白组等）、患者病史、生活习惯、行为习惯等多方面，对比过往患病人群到相关数据，通过大数据分析，找出最优的治疗方案。

这一理念的实现，依赖于生物大数据的积累、以及后续对这些数据的挖掘和解读。

生物大数据可帮助患者更好的进行健康管理和疾病管理。