疫情复盘：以零售药店数据为例看如何利用大数据示警未知疫情

【编者按】总的来说，相较于我国等级医院，零售 药店 与广大社区居民的日常联系更为频繁，因此掌握着全社会的即时健康状况。而相对于单个临床医生发现疫情， 零售药店 的 大数据 对异常情况的反应无疑更为敏感。最后，相较于等级医院数据，零售药店的销售数据标准统一，整合难度大幅降低，操作可行性高。

本文发于新康界，作者为阿牛哥；经亿欧大健康编辑，供行业人士参考。

---

自去年12月1日——报道的武汉首例新冠患者发病日以来，已经过去了将近3个月的时间。我国的疫情也经历了从武汉迅速扩展至全国，然后回缩至湖北尤其是武汉等重点地区的阶段。

本次疫情造成的损失难以计量，如何将下次疫情消灭在初发阶段是全社会都在思考的问题——大数据被屡屡提及。中央也在2月14日召开了专题的会议，明确提出我国要建立疫情控制体系，大数据被赋予重任。

 01 疫情示警的核心位置

关于如何将大数据用于疫情示警，大部分人理所当然的将眼光投向公立医院。有人提议更加紧密的连接疾控中心与临床医院，有人提议打通各级别医院数据，有人提议发挥基层医疗的作用......

但是，现阶段我国各个医院之间的数据缺乏统一标准，基层医疗在我国发展尚不完善，实施起来困难重重。而单个临床医生接触患者的人数不足，难以把控整个地区情况，也就谈不上大数据。因此，具体如何利用大数据来示警疫情，全社会仍缺乏成熟的可行性方案。

如何破局？

我们不妨从大数据的定义开始思考：麦肯锡全球研究所给出的定义是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据需要突出一个“大”，在疫情全面爆发前期，如何在第一时间获知广大人民群众的健康状况应该是示警疫情大数据的核心要素。

因此， 除了医院这个病人汇集地，40多万家零售药店理所当然的应该成为疫情示警数据的重要来源。并且，在我国的基层医疗卫生体系得到完善以前，药店甚至比等级医院更早获知人们的健康情况。 因为人们面对轻微的发热、呕吐等不良症状却又是大部分传染病的前期临床表现，第一反应还是去社区的药店。零售药店可以称之为我国大健康行业医疗卫生系统的毛细血管。

 02 零售药店数据示警前瞻性及敏感性优势明显

如何利用零售药店的大数据来示警疫情？我们不妨复盘本次新冠疫情，看看在疫情全面爆发前期，武汉地区的零售药店数据出现哪些反常。

对去年12月份以来影响零售药店销售的重大疫情消息，我们做了梳理——这也基本是本次疫情在我国的蔓延与防控进展。

零售药店销售的品种繁多，对某些单品而不是整体的销售情况进行监控有利于提高监控示警的敏感程度。如何选取合适的监控品种？结合新冠患者以发热为最主要的临床症状，我们认为此类相关产品可以作为疫情示警的核心产品，而酒精、消毒液、口罩等产品滞后于疫情的发展，不予考虑。

事实上， 中康资讯近期对全国药店进行了一个调研：12月初新冠病毒尚未为人所知时，针对发热、乏力等症状，大部分药店会推荐消费者购买奥司他韦、连花清瘟、布洛芬等药品。无需理会这些药物对治疗 新冠肺炎 是否有效，作为预警，相信这些产品是合格的。

事实证明，在武汉地区12月份的疫情萌芽阶段，以奥司他韦为代表的常见发热、乏力相关药品在零售药店的销售的确有明显异常的提升 ！

中康CMH数据显示，从12月12日开始，武汉地区的奥司他韦销售已经有明显异常的上升趋势！而此时距离中西医结合医院的张继先医生上报疫情还有14天，距离李文亮等8名医生在微信群中散布不明肺炎还有18天之久！零售药店数据的前瞻性可见一斑！

具体到整个19年12月份，武汉地区的零售药店奥司他韦订单数同比18年12月份增加了17倍之多，即使相比于全国性流感爆发的19年1月份，也增加了1倍有余。零售药店数据的敏感性同样明显！

 03 模型需兼顾准确性与敏感性

总的来说，相较于我国等级医院，零售药店与广大社区居民的日常联系更为频繁，因此掌握着全社会的即时健康状况。而相对于单个临床医生发现疫情，零售药店的大数据对异常情况的反应无疑更为敏感。最后，相较于等级医院数据，零售药店的销售数据标准统一，整合难度大幅降低，操作可行性高。

因此，零售药店数据在疫情示警方面大有所为。但是为了得到更好的应用，在模型建立、实际操作过程中同样需要有一些难题需要克服。

第一，为保证数据的准确性，数据需要来源于足够多的样本药店，并及时更新各个药店的销售情况。

第二，为保证数据的敏感性，对药店的数据分析需要按区域分得足够细——统计区域过大会造成前期疫情的异常数据在整体数据中占比较小，造成数据敏感性低，疫情的示警也会被延误。因此地域的划分以区县为宜。另外，在模型建立中，需按照不同功能的单个品种作为疫情示警指标，否则数据的敏感性同样会被稀释。而发烧、咳嗽、呕吐等常见的前期疫情临床症状对应品种无疑是监控的重点。

第三，需排除偶然或其他因素的影响。敏感性与偶然因素是模型建立中的两个对立面，在保证敏感性的前提下，偶然因素的识别是重中之重。流感、商家推广力度改变等偶然因素同样会导致异常数据的出现。比如，图表4中2019年1月奥司他韦的销售数据暴增正是源于流感的爆发。

因此，利用零售数据打造疫情示警系统，原理简单，可操作性强。中康资讯作为支持健康产业决策与连接的领导者，深耕医药零售领域多年，正在利用自身的数据、资源及技术优势，打造疫情示警系统，值得期待。

本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。