医学和健康信息的数字化正在改变当今的医疗保健。大数据分析可能允许诊断、治疗和个性化药物的开发，以提供前所未有的治疗选择（视频）。然而，这项任务令人望而生畏：生物医学信息以结构化和非结构化格式提供；结构化数据库包含高度不同类型的内容（患者记录、组学数据、文献、设备数据等等），除此之外，大数据概念，还存在多种数据标准。

出于各种原因，人工智能网络，在医疗保健领域，与其他行业和组织相比，数字化进展缓慢。在处理生物医学大数据时，所有利益相关者，首先是患者/消费者，都高度关注隐私问题和数据安全。这导致了一个高度管制的行业，对所使用的应用和方法提出了严格的限制。有相当多的病人对某些进展持怀疑态度（例如：远程保健）。这不仅是一个用强大的算法挖掘大数据以推进精确医学的挑战，也是一个日常实践中的数字化挑战，例如今天医生和患者如何能够得到数字应用程序和内容的支持。有必要"合并到我的"：有效地将所有相关信息汇集在一起——也许会导致对患者的预测性维护。

这场健康数据革命带来了许多机会。机器学习和医学似乎是相辅相成的。集成（例如：CBMed）和跨非常大的数据集（例如CancerLinQ–video）的近即时响应分析可以影响患者结果（同时控制成本）。例如古斯塔夫·罗西（gustaveroussy），通过支持护理人员和研究人员更快地测试和抛弃假设。医生希望能够比较一个病人和其他类似的病人，从他们的同龄人那里学习治疗的最佳实践，返利是什么意思，跨越大量的参数。医生和病人之间的直接和实时的互动也变得越来越重要，企业信息管理软件，允许医生监控和支持病人，小企业管理软件免费，而不是每隔几周就互动一次。同样，研究人员希望通过解释大量数据集来发现候选药物行为、治疗方案和临床试验的趋势。促进这些功能的方法和系统必须是开放的、灵活的和可扩展的，并且必须支持遗留工具和过程并与之集成。它们还必须适应单个组织的数字化成熟度水平