基于健康醫療大數據特征的采集與分類方法研究

張 戈，彭亞標，歐愛華，鄭起帆

（廣州中醫藥大學第二附屬醫院，廣東 廣州 510100）

1 健康大數據的特征

健康大數據符合大數據的四個維度Volume大量、Variety多樣、Velocity快速、Value高價值[4]的特性。

1.1 數據量大

醫療數據不同于常規的電商數據，數據量極大。如1張CT圖像占150 M，一個病理圖有5 G左右，一個人的DNA數據量占4 GB左右等，此外還有體積更大的影像類數據，一個醫院每天產生的數據是極其龐大的。

1.2 數據多樣化

醫療數據來源多元，導致其數據結構也是多樣化的。既有結構化的個人診療信息，又有半結構化的影像、聲音、多模態信息，此外部分電子病歷也是半結構化的。數據的多樣化導致采集困難的增加。

1.3 快速增加

在當今優質醫療資源缺乏的環境下，一家三甲醫院的就診量是驚人的。如鄭州某三甲醫院，每天的診療病人超過2萬人次，每年的門診量高達800多萬。

1.4 價值極大

醫療健康數據是貫穿人的一生的，健康醫療大數據的價值極大。如醫療機構利用大數據進行臨床監控，政府利用大數據進行疾病防控企業利用診療用藥數據進行新藥研發，個人民眾利用過往數據進行疾病預警等。

2 健康醫療大數據的分類

根據健康大數據的含義，我們從127個數據源中分析得出322項共21小類數據，根據源、數據屬性等因素，可以把健康大數據分為就診數據、個人生物數據、醫學文獻數據、管理信息數據和行業管理數據6大類別。

2.1 就診數據

就診數據指患者在就診過程中，在就診機構產生的各項數據，共5個子類。這類數據主要包括病程記錄、檢驗、電生理、醫學影像、診療數據。其中，醫學影像數據又分為CT、MR、DSA、ECT、PET、X線、超聲、內鏡數據等，診療數據又分為醫囑、處置、手術記錄、監護數據等。

2.2 個人生物數據

個人生物數據，主要指患者通過非醫療性質的第三方機構、第三方設備產生的數據，共6個子類。包括以基因監測為主的基因組學大數據、蛋白組學大數據[3]，通過血液監測為主的各項生理指標數據、疾病預測數據，以及各類智能穿戴設備產生的健康大數據。

2.3 醫學文獻數據

醫學文獻數據，主要指醫療行業人員撰寫的學術專著、宣傳科普等數據，共2個子類。包括以中醫古籍為主導的古籍文獻數據、以及以Medline、PubMed、維普、萬方數據庫為數據源的現代文獻數據。

2.4 公共衛生數據

公共衛生數據主要指政府部門基于公共衛生健康監測保護而產生的數據，共4個子類。包括居民健康檔案、婦幼保健數據、傳染病疫情數據、環境衛生數據等。

2.5 管理信息數據

管理信息數據主要指醫療管理部門為了保證醫療正常運轉而產生的數據，共4個子類。這類數據通常包括病人管理數據、經費管理數據、藥品管理數據、設備和物資管理數據等。

2.6 行業發展數據

行業發展數據主要指醫療健康行業現狀、行業發展預測數據，共2個子類。這類數據通常包括政策大數據、行業指標統計數據等。

3 健康醫療大數據的采集

健康醫療大數據基于采集方式和采集路徑可以分為離線采集、實時采集、網絡采集和其他采集。本文根據招標采購網站抓取相關數據22條，分析得出常用的采集方式。

3.1 離線采集

在11家科研統計系統醫院中，全部采用了離線采集方法。研究人員通過醫院內部電子病歷系統HIS進行抽取部分信息用于科研分析，政府通過公共平臺采集各醫院的死亡率、感染率等。此類數據采集面臨各機構數據保護、各系統接口不一、各數據名稱不標準的現狀。

3.2 實時采集

在7家業務系統招標的醫院中，4家需要實時觀測到患者的病理指標。如各種電子檢測設備產生的數據。實時采集快速高效，但對網絡資源及計算資源需求大，對數據穩定性要求高。

3.3 網絡采集

3家健康企業提出網絡采集的需求，用于資源庫的積累和特定問題的趨勢分析。如通過爬取社交平臺數據來預測流行病的發展及趨勢預測、通過爬取行業信息及交易數據來預測行業發展情況。這類數據往往存在很多噪聲，且數據可信等級低，不能作為精確指。

綜上所述，健康醫療大數據可以分為6大類，具備大數據的4個特性，但在數據采集層面需求不一，也存在許多不足。但隨著大數據采集技術的發展，高效處理和高質量數據兼得的情況逐步接近，健康醫療大數據會發揮更大的價值。