1980年之前，临床医师们主要依赖“经验”、“直觉”以及“触摸不到的线索”来判断一个发烧了的小孩子到底是由较轻的疾病（如感冒）还是由比较严重的疾病（如急性肺炎或脑膜炎）引起的。换句话说，他们靠直觉来看病。在1980年，一个由研究者组成的小组研究了那些有经验的儿科医生是如何为他们的病人诊断的。他们发现了那些杰出的医师在直觉中参考了“输入信息”，而那些缺乏经验的医师在试图可靠地试用这些“输入信息”时就显得过于主观了。
在随后的研究中，研究人员从精确度和客观性两个方面上加强了他们的系统。在这个系统中，那些正在接受培训的儿科医师能够像有经验的医师那样接触到很多因严重疾病而导致发烧的儿童。事情发生了根本上的变化：直觉的建立被质化和量化地形成了一种形式，并且这种形式可以被那些经验并不丰富的医生所利用。如今，几乎所有正在为发烧儿童看病的医生都在证实这精妙的发现。
如果我们把目标确定为为每位儿童的每次就诊都提供最好的治疗，那么我们需要的就不仅仅是直觉和专业的技能了，因为人无完人。基于证据的医疗方法（EBM）通过把临床研究整合进治疗准则来帮助医师提高治疗水平。然而就普遍意义来说，EBM一般是基于“小数据”的研究——与动辄数十万或数百万的大数据不同，一个大型的EBM则是包含了数千例病例的系统。在这样的小样本规模系统中输入信息必须被良好地定义和形式化，随之而来的结果便是包含了所有这些信息的治疗准则在解释病人与病人之间的差异时就显得力不从心。因而EBM有时被人们嘲笑为“菜谱式治疗”，医生们只是机械地遵循着这些治疗的“配方”来治病。鸡肉与菠菜对于一些人来说也许是顿美味，但是当我们要为一位素食主义者上菜时又该怎么办呢？
大数据的容量足够用来创造更加个性化的“治疗菜谱”。利用一个容量为5亿人的数据集，你可以为一个体重超重且高胆固醇每天必须服用阿司匹林和立普妥的35岁男人，或者为一个与上述情况完全相同但是体重偏轻的人定制治疗方案。
大数据也可以允许我们通过在粗略的未经处理的数据集中逐条比对来发现微小但是强有力的线索，从而进行分析研究。小数据集中通常不能处理粗糙的原始数据，因为它不能分辨“心梗”与“心肌梗死”的区别，即便他们指的是同样的事情。并且由于在小数据集中只能使用单一的术语，使得我们无法做出确凿的归纳。同时小数据集也无法支持需要识别“心梗”与“心肌梗死”是同一种术语的研究。小数据集同样无法支持我们使用很细节的线索作为输入，因为它们在数据集的发生具有太大的随机性--确凿的归纳是无法从这样的小样本数据集中得到的。
目前有越来越多的争议在讨论大数据是否正在取代直觉在医疗中的地位。无论怎样，大数据仍是我们最大的希望--计算机可以在模仿人类专家直觉方面跟进一步，那时我们就再也不用依赖EBM这样的小数据集了。真正的问题并不是大数据正在威胁医疗中的直觉，而恰恰相反，是在于我能未能做到这一点。我们如今在医疗领域并未过于依赖大数据，因为这的确需要大数据量，而医学研究者们手中并没有真正的大型临床数据集。
建立，维护，标识以及保密临床临床数据集的代价太高昂了。泄露数据集信息的惩罚很重，而建立这样数据集的利益却几乎不存在。即便是政府支持的健康信息流通项目通常也不进行数据统计。取而代之的是，这些系统被用作让登陆者进入一个外部系统，一次只能取回一位患者的数据，并且得到的数据通常是摘要形式的。大数据分析是无法在这样的体系中实现的。
然而，大数据量医疗数据集受到的最大壁垒是医疗信息中盛行的所谓“最佳实践准则”，这一准则已经落后于其他行业一二十年了。医疗信息体系仍在持续强化使用陈旧的数据屏障，而这屏障正是维持“小数据集”研究的基础。在这个体系中，只有通过审核的，标准的，被编辑过的数据才能被接收——这里没有任何粗糙的原始数据!随之产生的数据集便是小数据集，因为屏障式的处理过程是强化数据源的瓶颈，由于缺乏一致性，许多可用的数据被拒之门外。这个屏障创造了同质化的数据，而排除了能使系统真正有用的多样性，这就如同白面包一样——一个被滤去了谷物最好营养物质的空空的净化盒。如果在大数据中使用了这样的屏障，谷歌和亚马逊就不可能成功，原始的大数据正是他们成功的原因。