呀，这是去年（2015）蹭的一个论坛，不记得是第几届了，反正是生物谷举办的，他们搞论坛已经成为一个产业了，非常挣钱的！我那时候还很认真的做了笔记，现在回过头来看看，他们好像讲的都很有道理，虽然我直到现在也用不上，不过我丝毫不担心。我一直拼命的学习各种知识，就是因为有着坚定的信念，所学的一切终将会有一天对我的人生有所帮助。
同济大学附属上海市第一妇幼保健院院长-段涛
1，该院去年接生约2.5万名婴儿，占2014年上海市出生人口的近九分之一。
2，中国2014年出生人口约1600万~2000万，相当于台湾或者澳大利亚的总人口，但是统计部、卫生部、公安部、民政部给的数据差异很大。
3,，卫生部用大数据做出医院排行信息，但是依靠的数据大多靠行政命令摊牌各个医院自行上报，可信度很低。就像曾经规定不能让医院的病人排队时间大于8分钟一样，荒唐。即使这样得到了大数据，也是mass in mass.
4、仅仅是关于糖尿病相关的APP就有超过一百个。
5、中国现在仅处于循证医学的初级阶段，大多数医生看病靠经验，而且很多时候靠的还是该医院该科室主任的经验。不够个性化。
6，过于依赖欧美发达国家的测试结果，比如OGTT标准（口服葡萄糖耐量试验），就只是一个美国医生招募了752名正常人口服100g葡萄糖，然后测量血糖值，并且还取整后得到的数据，极其的不准确。
7，即使循证医学也有不合适的地方，我们应该适当反对。现行药物大多数治疗方式对大多数病人都是无效的，大多数病人只是陪着在治疗。
8，现有医学以器官或者系统来区分疾病的种类，这样的分类方式期待有着革命化的变革，应该加入基因型的因素。
9，现今大部分的疾病都是靠人体的自身免疫来克服的，而非是针对性疗效。
10，精准医疗将改变医学统计学，临床流行病学，诊断体系，治疗方式。
11，该院拥有近5年孕产期所有的超声数据，约百万数据，以及她们的住院门诊病历信息，可以做很多分析，例如胎儿生长发育曲线模型等，寻求合作，有意者联系微信公众号, Dr_Duan_Tao
上海生物信息技术研究中心主任-李亦学
1，taxonomy of disease ，仍然是疾病分类的问题，需要更清晰更精确的分类方式。
2，医疗大数据个人来源（基因组-转录组-蛋白质组-代谢组-生理生化指标-病理数据），超500G数据
3，大数据的4个特点-数据量(Volume)、时效性(Velocity)、多样性(Variety)、可疑性(Veracity)
4，现在测人30X全基因组（100GB数据量）的价格，可以拿到6000-10000的底价。
5，人有30亿个碱基，两万两千多个基因，三十多万种蛋白，但是人与人之间的差异却仅仅只有不到六百万个碱基。
6，上海市政府要投入12个亿在大数据的竞争性领域（数据资源+计算资源），人才随便找，资源最重要。
7，中国生物信息数据资源短缺，主要被欧美国家组织掌控，包括NCBI,EBI,DDBJ，等等。
8，介绍了23andme的模式，99美金的低价，与药企合作开发药物设计，用的是OmniExpress-24 芯片，覆盖人的70多万个位点，一张芯片可以测12个人。
Medsci 张宝发
1，医疗大数据将从诊断、治疗、预后三个方面来改变医学模式。
2，最大的研究数据，1985-2012年间追踪记录的七千四百万的死亡数据。
3，医学模式正逐渐走向“4P”医学模式（4p medical model）：预防性（Preemptive）、预测性（Predictive）、个体化（Personalized）和参与性（participatory）
4，传统医学，是简单的因果推测，不合理的地方非常多。
5，即使大数据预测模型也并不完全正确，谷歌的流行病预测模型，通过关键词指数，尽管发布的时候准确性还算可以，运行了两年多无奈关闭。提醒了大数据陷进，数据并非越大越好。
6，三种建模思路（SEMMA,SA,CRISP-DM）,反正不懂。
7， Markov和Monte Carlo ,很重要，值得学习学习。
8，模型主要有很多挑战：非线性关系，变量的交互性，随机扰动等等
北大循证医学中心副主任-詹思延
1，ClinicalTrials网站追踪药物四期临床数据。
2，药品上市后数据收集的三个动力，国家法律规定，药物公司开发维护需要，其它公司参考对比需要。
3，额待解决的问题是术语标准化。
4，医疗保险数据库，各个地方政府的社保医保资料，可分析性非常强。
5，各个数据所有单位只需要遵循通用的数据模型，共享数据接口，及数据转换即可。
北京蛋白质组研究中心-朱云平
1，数据质量控制，数据整合，数据标准建立，国家应该出面来做，这样才能保障数据共享。
2，建立中国的生物信息中心。
3，国际大的生物信息学计划（HapMap，ENCODE，HEP Project，GWAS，COSMIC）
4，欧美生物信息数据中心NCBI,EBI,DDBJ
5，参与国家生物信息数据中心建设（基因组所，微生物所，北京大学，上海生物信息中心，药物基因组所，云计算平台，哈工大计算系）
6，基础数据完全公开，功能应用数据选择性公开
阿斯利康亚太研发信息总监-Jenny Wei
1，数据包括 forum/pharmacy database/lab test database/Insurance claims data /hospital/Digital health
2，亚太区（日，韩，台湾）对于生物医疗数据的基础建设都挺好的，唯独中国大陆，一塌糊涂。
3，Chinese EMR information extraction workflow 通过检索常用药物信息论坛来追踪药物副作用，text mining , 包括寻医问药、好大夫、抗癌之家、新浪微博等网站。
复旦大学附属肿瘤医院信息中心主任 王奕
1，医疗信息来源（临床（病历，处方），科研，运营）
2，医疗信息数据量增长率48%，包括影像数据（高达80%），文本数据，语音数据
3，数据复杂度高，各个院系数据标准不统一，多数数据甚至结构化程度都很低。
4，传统数据分析方法（报表，类SQL，关键词检索），今年发展的分析技术（DBI，R，数据挖掘，机器学习，人工智能），未来（~~）
5，复旦大学附属肿瘤医院信息中心建立历程（2011-2016），KSHIS3.0，THIS4.0，THIS4.5，THIS EM1.0等大型医疗管理软件。
6，科研数据搜索系统（ClinBrain），电子数据采集系统EDC，医疗质量监控系统
7，临床知识系统，数据知识神经网络，疾病指南。
8，正在做精准医疗系统，仅涉及少量病种，正在与临床资料整合。
同济大学生命科学与技术学院教授 刘琦
1，大数据分析与传统统计分析方法区别（总体vs样本，穷举vs采样，模糊vs精确）
2，big small data VS small big data 处理方法的区别。
3，做了药物重定位推荐系统，2012和2013年nature子刊均有发表把药物相关信息与public的GWAS数据联系起来重新定义药物的靶点信息。
4，A “web Ranking” model for drug virtual screening
5，RACS --> Ranking system of anti-cancer synergy
6，用到的public data包括（FDA,DrugBank，SIDER2，CTD，connectivity Map O2，PharmGKB，OMIN，HGMD）
北京大学人民医院院长助理 刘帆
1，北京大学人民医院是国内信息化程度最高的医院，可达美国Himss评级的七级
2，院内信息系统包括5个domain，73个系统，几百个子系统。
3，仅2011年就有29个系统，98个子系统，322个数据接口，直到2013年才完成数据集成平台。
4，医疗大数据分析的挑战（缺乏主索引（身份证，健康卡，就诊卡，社保卡，病历本等等），术语不够标准化（72种术语字典））
5，病人隐私保护，HIPAA方法。
6，应该构建大数据生态圈（多组学数据，日常数据（可穿戴式设备），环境数据，临床数据，公共卫生数据），多种数据结合分析
7，数据云端迁移，灾难备份，仅北京大学人民医院就有>2000万个处方信息，342万患者信息，2.1亿条··记录，10亿次的什么什么，1亿的什么什么，4000万的什么什么，金山云，物理设备应该是800万，云端才50-100万每年，大大的节约了成本。
礼来（中国）研发有限公司IT总监
1，信息数据80%在文本之中，真正以数字的形式给出的很少。
2，我们要从keywords search 转为 Agile Text minning
3，text minning的基础参考自ontology，比较出名的有GO，DO
4，文本来源，pubmed数据库发表的文献的标题及摘要，网页爬虫还有临床数据
5，成功应用案例-礼来学术小助手，微信平台
万达信息股份有限公司 黄晓琴
讲的太多，太复杂，不知道怎么总结