過去的十期火視對國外醫療大數據產業的優秀創業公司做了深度的報道及討論，內容涉及：傳感器、智能硬件、POCT、大數據存儲、大數據應用等領域。
具體文章見下圖：
雖然越來越多的人愿意并已經擁有了Fitbit 或 Jawbone之類的可穿戴設備以時刻監測他們的自身健康水平，但是根據最近的一份報告顯示，體外佩戴的不便利性使三分之一的用戶活動僅僅半年后就將他們的設備拋在一邊。于是有了克服此問題而生的革命性的可拉伸的電子穿戴設備Biostamp。
除此之外可穿戴設備最需要解決的，應該是記錄數據的準確性。在這方面，Valencell 創始人 Steven LeBoeuf覺得耳朵和背部才是獲取身體信息的最好部位，由此開發了耳機傳感器。
隨著傳感器越來越多地被應用到社會發展及人類生活的各個領域，如航天技術、軍事工程、機器人技術、海洋探測、醫療診斷等。全球傳感器產業飛速發展則催生了一批傳感器制造商。以Kionix為代表，全球主要的消費類電子產品、汽車、健康與健身及工業公司都在使用它的傳感器和整體系統解決方案，以便在其產品中實現基于運動的功能。
那么，便攜傳感器技術又如何投入體外診斷市場的應用當中呢？
診斷是治療的前提。醫生只有在正確的時間做出精準的診斷才能繼而做出正確的治療方案。火視144介紹的Nanōmix便攜式檢測系統能讓醫生快速獲得對診斷有價值的指標信息，進而輔助醫生做出最快、最準的診斷；若是在邊遠的缺醫少藥地區，Nanōmix獲得診斷信息后可通過遠程醫療技術與醫療專家們取得聯系，幫助患者制訂相應的治療計劃。
另外Endotronix開發無線傳感器則整合了可穿戴設備的數據，通過測量人體心臟內肺動脈壓力，在心臟病發作數月前來提醒人們提前做好防范和治療。
除了在醫療方面貢獻巨大，基于云計算的人體數字地圖—BioDigital Human贏得了無數的獎項和榮譽，它幫助醫生和科學家研究人體構造、疾病治療、進行模擬實驗等，除了用在科研和臨床中，日常醫患溝通也能用 BioDigital 來讓患者更理解治療方案。
另一個服務于醫生的大數據系統則是Apixio，它將病歷集中到云端，醫生可通過語義搜索查找任何病歷中的相關信息。
正如開放數據500強中的大多數企業一樣，MarkLogic是作為一個中間者將政府的開放數據變得對商業公司和政府部門更為有用。這家公司正是奧巴馬 Healthcare.gov的開發者。
醫療數據是醫生對患者診療和治療過程總產生的數據，包括患者基本數據、電子病歷、診療數據、醫學影像數據、醫學管理、經濟數據、醫療設備和儀器數據等，以患者為中心，成為醫療信息的主要來源。
總結起來醫療數據來源大致可分為以下幾類：
1、 患者就醫流程所產生的數據：包括患者基本信息、檢測數據、檢驗數據、影像數據、診斷數據、治療數據、費用數據等，這類數據一般產生及存儲在醫療機構，這也是醫療數據最主要的產生地。
2、 檢驗中心數據：大量存在的第三方醫學檢驗中心承接著醫療機構的檢驗外包功能，產生了大量患者的診斷、檢測、影像數據。
3、 藥企、基因測序數據：制藥公司在新藥研發及臨床過程中會產生大量數據，今年火爆的基因測序同樣也會產生大量的個人遺傳基因數據。
4、 智能可穿戴設備產生的數據：隨著移動醫療的快速發展，智能可穿戴設備也在迅速普及，大量的患者單一特征健康數據在快速的上傳到云端。
通過過去十期火視文章的報道，我們看到國外國外醫療大數據產業鏈已經初步形成：
1、 國外的醫療數據相對開放：無論是企業還是患者都可以更好的獲得較全面的醫療數據，這是醫療大數據應用的基礎。無論是醫療機構還是企業獲取的個人健康數據都相對開放，較國內更容易獲取。特別是醫療機構的健康數據、政府個人健康數據開放，都為醫療大數據的應用提供了基礎。
2、 國外醫療大數據產業鏈已經初步形成：從傳感器研發到智能可穿戴設備及檢測設備到大數據存儲到大數據的智能分析已經初具規模。以傳感器作為個人信息數據采集的基礎將會更加容易的獲取連續性、全面的個人健康信息，對疾病的管理以及智能診斷提供依據。
反觀國內，醫療大數據產業卻剛剛起步：
1、 醫療體系封閉：國內醫療系統相對較為封閉，公立醫院的醫療數據單獨存儲在院內，數據之間互不流通、不開放。大量優質的患者健康數據封閉在醫院的圍墻之內，難以利用。這固然有對患者健康信息安全性進行進行考慮的因素，但大量數據躺在醫院，造成了數據的浪費。
2、 醫療大數據產業鏈互相割裂，產業鏈上游被國外公司控制：我國醫療大數據產業鏈上、中游發展嚴重滯后于國外，如傳感器及醫療器械由于研發周期長、投入大、風險高的特點以及人才短缺，在國內發展并不理想。下游的數據分析技術由于數據的種種問題更是無從談起。反而移動醫療產業的快速發展，為醫療數據的獲取提供了新的途徑，但是移動醫療所獲取的患者數據畢竟是零散的，單一的數據，數據之間缺乏聯系，價值有限。
多通道的醫療數據正在匯聚成可以被利用的醫療大數據資源，其重要性無須贅述，隨著醫療數據行業的發展人們也開始重視對其的應用，甚至開始暢想基于醫療數據打造智能化的個人疾病診斷系統。
國外眾多的醫療健康產業開始運用大數據的方法對疾病進行預測，比如谷歌、百度等；也有越來越多的公司開始應用醫療大數據進行個人的健康管理，特別是常見病及多發病的輔助診斷。疾病智能診斷系統的出現，或許能讓人類在面對疾病治療時變得越來越智能和輕松。
目前醫療大數據應用可以概括為：
1、 臨床診斷輔助系統：結合患者個人健康檔案以及特定疾病的數據庫智能分析可以對患者進行多種診療措施比較分析，尋找最有診療路徑，幫助醫生進行決策。
2、 慢性病管理：基于慢性病數據庫結合遠程智能監護系統，實時跟蹤患者康復、用藥、生活習慣等，給與患者個性化慢性病管理經驗，并基于過程中所產生的數據對患者進行定制化用藥及治療方案。我國存在大量的慢性病患者，比如心臟病、糖尿病、高血壓等，基于醫療數據的患者慢性病管理將會很大程度上降低醫療成本。
3、 醫療數據與保險公司的結合：基于醫療數據監測患者付費行為及疾病概率，并進行慢性病管理，可以有效的降低保險公司成本，與其做到真正的打通。
4、 醫療數據與藥品研發想結合：利用現有醫療數據加上數據建模和分析，可預測藥品研發過程中的安全性、有效性、副作用等，可以有效的降低藥品研發成本，降低藥品價格。
當然以上四個方面是醫療大數據應用的幾個方面，人們所期待的醫療大數據最終應用或許是智能診斷系統，讓計算機代替醫生的部分功能，并為醫生臨床診斷提供有效的建議及幫助。
無論是國內還是國外，醫療數據的重要性已經取得了共識。并且醫療數據也在分秒不停產生，由于醫療數據的體量大、數據結構多樣性等特征，海量醫療數據的產生也對行業提出了新的挑戰。
其中最緊迫的莫過其安全性：
火視148提到的Privacy Analytics，這家加拿大公司和國家衛生研究院、國家疾病控制中心等等部門合作來將它們的數據開放給公眾使用。它們面臨的巨大挑戰在于如何對數據進行匿名化——移除個人和私有信息——但要同時保證處理后的數據對于分析仍舊足夠有用。隨著公眾對開放醫療數據興趣的提升，以及對隱私問題的擔憂，加之物聯網技術、智能可穿戴設備的出現以及云服務的發展為醫療數據的安全性帶來新的考驗。
1、 醫療數據泄露損失巨大：Ponemon推出的一份報告《2013年數據泄露成本研究》顯示，醫療行業的數據泄露成本最高，平均每個患者的醫療信息泄露帶來的信息安全管理成本高達233美元，遠高于零售業的78美元。
2、 公司及相關部門對數據安全性的考慮及投入及關注卻微乎其微：Trustwave發布了一份2015年醫療行業的安全報告，通過對398名專業的醫療專業人員(部分是技術人員，包括CIO、CISO、IT主管等，另一部分是普通的醫護人員)的調查，發現有91%的調查對象認為針對醫療行業的網絡攻擊活動越來越多，然而用在保護病人敏感信息方面的預算卻還不到10%。
關于醫療數據泄露帶來的危害，舉兩個例子：
2014年年底， Target藥房就遭遇了嚴重的數據遭入侵。造成1.1億用戶信息被泄露，因數據泄露該集團迄今為止已經花費約3億美元。
2015年2月美國醫療保險商Anthem被入侵，可能是有史以來最大的一起醫療信息泄露事件。超過8000萬個人信息被盜，包括當前和以前的保險客戶和員工。
在醫療數據的安全性方面我國情況相對好些，這一方面得益于我國封閉的醫療體系，另外行業資深存在的一些問題也間接“幫助了”的安全存儲，我國醫療大數據行業尚處于早期階段，可以說是機遇與困境并存：
1、 醫療體系數據有望開放：我國醫療體系正在逐漸開放，特別是國家對于分級診療體系建設的推進，醫療數據有望從頂層開始下沉到基層醫療機構，在此過程中所產生的市場機遇創業公司應該抓住。
2、 醫療數據不統一導致的數據孤島正在影響著醫療數據的應用：上文已經提及國內醫院數據的不流通現象，其實在國內企業間醫療數據也需要進行統一，為了最大化的對醫療數據進行應用，平臺型的產業公司需要聯合起來統一數據標準，推進數據開源、共享。由國內優秀的相關HIT及醫療健康應用開發商、各類醫療及健康服務機構、醫療器械及健康類消費智能硬件廠商共同發起的OMAHA是一個推動醫療、健康產業信息開放、共享、開源的民間非盈利性組織。隨著數據的統一，平臺型公司的數據優勢將會凸顯，當然也會出現一批在平臺型公司影響力之下提供細分服務的創業公司。
3、 傳感器技術的落后制約著市場對醫療數據的采集：我國傳感器技術研發的落后，制約了下游智能硬件、POCT甚至醫療器械的發展。作為產業鏈的最前端，醫療行業需要可以進行多指標、多種環境下工作的傳感器創業公司的產生。
4、 醫療大數據存儲平臺缺乏：目前國內尚缺少專業的醫療數據存儲平臺，海量的醫療數據存儲正在面臨越來越嚴峻的挑戰。以數據存儲平臺為基礎切入到智能診斷系統的開發，國內創業公司依然有機會。
5、 大數據應用技術：由于醫療數據的非結構化特征，其應用難度較大。由于早期醫療數據采集結構不統一、加上醫療數據本身的非結構化，其在應用過程中所遇到的智能識別、算法等問題也在制約著數據的應用。在醫療數據算法方面也需要優秀的創業公司不斷努力。
總體來說醫療數據行業無論國內還是國外都尚處于早期，在做好數據的安全性的基礎上，通過多渠道獲取數據，推進整條產業鏈的均衡發展，特別是我國相對薄弱的環節，將會對我國醫療大數據的應用起到重要作用。
相信醫療大數據會給人類的健康帶來更多的幫助。