Google 正在大力推动 FHIR 进行医疗预测。在过去 10 年间，医疗数据已经从以纸质文件为主几乎完全数字化为电子健康记录。但是，理解这些数据涉及一些关键挑战。
- 供应商之间没有共同的数据表示形式；每个供应商都使用不同的方式来构建他们的数据。
- 即使使用相同供应商的网站也可能存在很大不同，例如，他们通常为同一种药物使用不同的代码。
- 数据可能分布在多个表格中，一些表格包含患者就医记录，一些包含实验室结果，其他的则包含生命体征数据。
近日，Google 开源了快速医疗互操作性资源 (FHIR) 标准解决了其中的大多数挑战：它具有一个坚实并且可扩展的数据模型并基于成熟的网络标准构建，正在快速成为个体记录和批量数据访问的事实标准。但是，为了实现大规模机器学习，我们需要一些补充：各种编程语言的实现，将大量数据序列化到磁盘的有效方法，以及允许分析大型数据集的表示形式。FHIR 标准是一种 Protocol Buffers (简称 Protobuf) 实现，它可以解决这些问题。当前版本支持 Java，并且将很快支持 C++、Go 和 Python。对配置文件的支持也即将发布，还会推出一些工具，帮助用户将旧数据转换成 FHIR。
过去几年，Google 一直与众多学术医疗中心合作，将机器学习应用于匿名病历，我们需要正面解决医疗数据的复杂性，这一点已经变得非常明显。确实，要让机器学习有效用于医疗数据，我们需要从整体上了解每名患者随着时间推移的情况。作为奖励，我们想要一种可以直接用于临床环境的数据表示形式。尽管 FHIR 标准可以解决我们的大多数需求，但是为了使医疗数据比“旧”数据结构更加易于管理和确保大规模机器学习不依赖于供应商，我们认为引入 Protobuf 可以帮助应用开发者和（机器学习）研究人员使用 FHIR。
结合当前跨象乘云™开发的医疗流感趋势预测以及此前介绍的卷积神经网络和医疗影像分析平台：NiftyNet，新一代人工智能在医学领域上的应用将变得更为完善，同时 Google 也推出了更多基于 TensorFlow 模型，用于管理大规模医疗数据的工具。
项目GitHub地址