考虑到问题的定义，最明显也是最具挑战性的解决方案是鼓励数据科学家和临床医生之间的合作。在过去的50年里，统计学与临床研究的结合，以及生物统计学家的兴起，可以作为社会学习的模板。随着时间的推移，生物统计学家在生物医学研究中的角色已经变得协作，至少部分原因是该学科的历史和传统。美国这一历史上的一个重要事件是1962年通过的《联邦食品、药物和化妆品法》Kefauver-Harris修正案，该修正案初步确立了今天食品和药物管理局评估药物的方法[ 7］．该法案本身要求证明新药的疗效，而在其签署成为法律之前，这是不需要的。这项立法和随后20年的事件使统计学家与临床研究人员密切接触，现在临床研究人员需要统计学家的专业知识来设计、分析和报告他们的研究，并有效地建立了生物统计学家和临床科学家之间合作的传统，直到今天。

数据科学家和那些专注于医学实践的人之间的这一过程能否加速?纽约西奈山卫生系统新成立的伊坎基因组学和多尺度生物学研究所雇佣了300多人，他们的背景涉及硬件设计、大数据计算、基因测序和生物信息学。 8］．通过将这一人才与西奈山的疾病中心联系起来，并使用机器学习和预测建模(大数据元素)的工具，科学家们已经发表了关于共变阿尔茨海默病的炎症模型[ 9]并且正在仔细研究人体中最复杂和生物多样性的细胞群之一，肠道微生物群，它可能比以前认识到的更多地负责身体的内稳态[ 10］．

通过向研究人员灌输更深刻地认识到与互补学科的同事合作所带来的好处，可能有助于弥合这种分歧。两篇论文发表于 生理学教育进展，美国生理学会的一份杂志，呼吁医学教育做出改变，以缩小工程师和医生之间的知识差距[ 11， 12］．

医学已经笨拙地通过后门进入了数字时代:庞大而昂贵的电子医疗记录系统的实施在很大程度上没有仔细和有计划地考虑它们对整个医疗保健系统的影响，包括教育、实践、工作流程和研究。教育和实践系统没有充分考虑到这个新的数字化世界，其后果包括学生对他们的数字化未来没有准备，非常不高兴的医生坐在电脑屏幕前，从大量的下拉列表中选择似乎无穷无尽的项目，以及无意识地失去许多改进实践和研究的机会。现在是时候承认和解决医学从纸上到计算机、从观点和经验到证据、从记忆到搜索引擎的转变了，即使这有点迟，也有点不积极。

以往的报告表明，临床医生甚至临床科学家对统计方法及其在临床数据(包括实践中使用的数据)中的应用缺乏了解[ 13， 14］．大多数医生似乎对这些日益重要的问题知之甚少，似乎更不感兴趣。这种不可接受的认识和培训差距促使国际上更新医学课程，以便增加统计应用和流行病学方面的指导和接触。然而，具备信息学和数据科学知识的医师教育者数量不足，他们甚至需要向初级学员提供最基本和最重要的见解。 15］．

这些问题包括我们训练谁、何时、如何以及训练什么?培训应侧重于两类医疗培训生:医学生和住院医生。如果我们承认，在接下来的半个世纪里，对这种性质的混合技能的需求可能会越来越大，那么就有充分的理由将数据科学纳入医学院和住院医师培训的核心课程[ 16］．介绍使用数字健康记录进行研究可能会为能够为知识发现做出贡献奠定基础，无论医学生和住院医生最终选择哪种职业道路。接下来应该是选修课，最好是有实践研究(如暑期课程或实习)，为那些特别感兴趣的人进一步培养这些技能。后者很可能成为这一领域未来教育工作者的核心。

感兴趣的医科学生和住院医生将受益于促进跨学科工作关系的教育机会。这样的经历之一可能是参与数据马拉松，我们以前在自己的工作中使用过数据马拉松来鼓励合作[ 17］．在这类事件中产生的资源和见解可以存储并用于正在进行的合作，并可以不断更新，以提供更高的科学严谨性和洞察力。最后一个建议由在线平台和社区代表，医生和数据科学家可以在那里互动，讨论临床相关问题，并共享代码库和工作示例。

也许最重要的是，创造一种意识到并尊重数据在支持和改进实践和研究方面的重要性和潜在力量的医学文化，可能是最重要和最终有效的因素。临床过程中的每个参与者都应该意识到并理解他们在整个系统中提供可靠和可靠的数据的作用，他们和其他人随后将用于改善护理。

对医学培训生进行数据分析方法的教育，对数据科学家培训生进行临床实践和数据等特定领域问题的教育，将成为这两个群体今后在职业生涯中进行合作的基础。学术期刊鼓励临床医生和数据科学家联合投稿的政策可以促进这种合作。学术医学“不发表就灭亡”的文化在过去30年里没有太大变化[ 18并导致了各种各样的琐事:发表模糊或无关的结果，临床或研究的重要性最低;将结果划分为多个期刊的多个手稿;以及对数据集的竞争(或者，至少是缺乏透明度和共享)。虽然平等作者身份并不是解决这些问题的灵丹妙药，但它可能会减轻研究人员之间合作的一些障碍，并可能产生更高质量的出版物。大数据更适合于合作而不是分离——多个研究可以在同一个数据集上进行，用于不同的目的。例如，来自香港的急诊科数据集被用来确定对极端天气敏感的人群， 而且制定截至2036年的救护车需求长期预测[ 19］．

我们预测，这种合作模式的持续成功将需要对平等作者身份的认可，就像目前期刊、大学和资助机构所使用的那样。我们认为，论文的影响比个人贡献更重要，前提是作者将证明他们每个人都在最终出版物或提案的发展中发挥了有意义的作用。平等的作者身份可能不会结束，但可能会缓和当前的出版策略，即发布多篇规模较小、影响力较小的论文，以获得小组所有成员的第一/最后作者身份——这对他们的简历和学术地位很重要。下一步将是对对手方使用的数据给予认可——如何比让其他研究人员在他们自己的相关(或不相关)研究问题上使用相同的数据更好地验证自己的队列呢?后者得出的任何结论在一定程度上都应归功于前者，因为后者在生成和整理高保真数据集方面发挥了作用，这一作用也得到了学术界的认可。这些措施将鼓励对大数据基础设施的投资，同时也将提高“大数据”结论的质量。

促进某一特定领域的研究并通过资助鼓励各领域之间的合作并不新鲜。大约20年前，美国国立卫生研究院(NIH)召集了一个临床研究主任小组，以解决申请临床研究经费的医生研究人员减少的问题。该小组提出了一系列建议，以增加临床研究人员的资助机会[ 20.］．我们建议今天实施许多相同的方法，通过资金和激励来鼓励临床医生和数据科学家之间更密切的合作。

美国国家卫生研究院资助的研究项目使用活动代码进行分类，例如，R系列的代码对应研究资助(如R01, R13)， K系列的代码对应职业发展奖励。我们建议为从事数据科学的临床医生设立一个K奖类别，类似于临床研究主任小组建议为临床医生设立的K23补助金。为数据科学家提供独特的K奖将提供更多的资助机会，因为K奖通常会资助40%的申请人，而不像R0奖，后者更具竞争力，资助率要低得多，通常为10%。这种支持对于在数据科学研究人员职业生涯的脆弱早期培养他们至关重要。

通过重组研究部门，并在所有专门用于二次分析的研究所中增加研究部门，赠款将增加数据科学提案的可用资金，否则在当前结构中可能无法获得资金。有一个专门针对二次分析的研究部分来对数据科学提案进行评分，将确保至少10%的数据科学提案得到资助(并避免与初级分析提案竞争，后者可能会获得优先评分)。此外，规定医疗保健提供者作为提案团队的一部分将鼓励提案背后的临床动力。

美国联邦政府增加获得资金的另一个例子是美国退伍军人事务部的大数据科学家培训增强计划，该计划已被6个试点中心采用[ 21］．该计划支持数据科学家直接与医院现场的临床科学家一起工作。