基于AI大數據的醫療衛生信息化建設研究

過駿愈

（嵊州市中醫院 浙江省嵊州市 312400）

醫療衛生作為國家信息化建設的重要內容，能夠為國家人民健康提供切實、可行的保證。因此，必須對醫療衛生方面的研究給予足夠的重視程度[1]。由于信息化時代的不斷進步，醫療衛生向著信息化方向的發展已經成為促進其發展的主流趨勢。但目前針對醫療衛生信息化建設方面的研究并不多見，且研究主要停留于表層，未結合實例將醫療衛生信息化建設落到實處，導致醫療衛生整體信息化水平偏低，信息化程度急需提高。基于此，針對醫療衛生信息化的優化建設是具有實際意義的，能夠促進醫療衛生的長遠發展。為解決傳統醫療衛生信息化建設中存在的不足，AI 大數據指的是人工智能與大數據技術之間的融合應用，通過人工智能包括：腦科學、認知科學、心理學、語言學、邏輯學、哲學以及計算機科學與大數據技術中的：數據存儲技術以及數據處理技術相結合，切實提高對數據的集成處理速率，進而提高其整體信息化水平。為此，有理由將AI 大數據應用在醫療衛生信息化建設中，通過設計一種基于AI大數據的醫療衛生信息化建設方法，致力于從根本上減少醫療衛生門診所需排隊時間，促進醫療衛生信息化建設能夠有大幅度的飛躍。

1 AI大數據

AI 大數據作為人工智能與大數據的融合技術，其最為關鍵的應用作用就是通過互聯網的優越性，徹底打破了時間以及空間的限制，在海量信息中挖掘出有價值的信息[2]。AI 大數據下的信息特征為以多元的方式呈現數據，形成龐大的信息隊列，其中也隱含了實時性的優勢。AI 大數據下借助信息化技術為依托，通過在大量數據中提取出有價值的信息，并挖掘數據中存在的內部規律[3]。結合國外針對AI 大數據的研究中，主要將AI 大數據分為兩大類，包括：數據存儲技術以及數據處理技術。AI 大數據具有效率高、精度高、使用方便等優點，有理由將其應用在醫療衛生信息化建設中。AI 大數據在醫療衛生領域中的應用已經不是首次提出，但以往研究較為片面，未對其深入分析，并提出具體措施。基于此，本文基于AI 大數據設計醫療衛生信息化建設方法，具體內容詳見下文。

2 基于AI大數據的醫療衛生信息化建設方法

2.1 基于AI大數據預處理醫療衛生信息數據

在醫療衛生信息化建設過程中，本文基于AI 大數據中的Hadoop 架構將醫療衛生信息數據的預處理分為兩部分執行，首先通過AI 大數據Hadoop 中的Map 階段從網絡節點采集醫療衛生信息數據，以AI 大數據描述性特征為指標將醫療衛生信息數據劃分為若干個小的數據集合。而后采用Hadoop 中Reduce 階段，非結構化表示若干個小的數據集合。設Reduce 階段非結構化表示數據的目標函數為ω，如公式（1）所示。

在公式（1）中，t 指的是醫療衛生信息數據點的歸屬度；f 指的是每兩個醫療衛生信息數據集合之間的吸引度；i 指的是同一個詞匯在醫療衛生數據集中出現的次數；d 指的是醫療衛生數據集中的高維特征權重。通過公式（1），得到非結構化處理后的醫療衛生數據集合[4]。最后，采用AI大數據Reduce 階段中的稀疏表示技巧，通過同一子空間的低維數據表示醫療衛生數據特征。基于Reduce非結構化表示醫療衛生數據后，本文采用Hadoop 中計算子空間維數的方式提取醫療衛生數據特征。設醫療衛生數據空間維數目標函數為Y，可得公式（2）。

在公式（2）中，y 指的是醫療衛生數據中的高維特征空間數據權重；n 指的是醫療衛生數據中的高維特征個數，為實數。通過公式（2），可提取醫療衛生數據特征，分布式并行更新醫療衛生數據點的吸引度。

2.2 建立低維醫療衛生數據稀疏線性表示聚類矩陣

在基于AI 大數據完成醫療衛生信息數據預處理后，建立低維醫療衛生數據稀疏線性表示聚類矩陣[5]。設低維醫療衛生數據稀疏地線性表示聚類矩陣表達式為r，則有公式（3）。

在公式（3）中，s 指的是低維醫療衛生數據標簽與空間聚類子區域標簽的對應約束關系；v 指的是低維醫療衛生數據標簽與空間聚類子區域標簽的對應函數關系；T 指的是不同子空間的醫療衛生數據低維權重。通過公式（3），融合醫療衛生數據中低維數據特征，提高低維醫療衛生數據稀疏線性表示精度，使同一類別的醫療衛生數據維數區域很容易被聚類到一起，進而確保基于AI 大數據的醫療衛生信息化建設的可行性。

2.3 設計醫療衛生信息集成數據庫

通過對醫療衛生信息的集群處理，基于AI 大數據技術的存儲功能設計醫療衛生信息集成數據庫[6]。該數據庫在不同運行狀態下的動態化表現形式是不同的，隨機狀態下某一概率將由其中一個概率轉移至另一個概率值。基于AI 大數據的全減縮計算是在數據不斷轉移、交叉、變異過程中，分析數據集合之間存在的某種動態化鏈接。以此基于并行計算實際操作依據，設計分布式數據庫函數，其表達式為則有公式（4）。

公式（4）中：F 指的是醫療衛生信息集成數據庫中的字符串；指的是字符串的權值數值；γ 指的是函數的短期變異參數，即可能出現數據交叉或重組等現象；x 指的是數據組別；i 指的是組別的基礎個數；xi指的是信息化建設表現出的數值特征；j 指的是主句轉移概率，計算單位為%。采用上述分布式醫療衛生信息集成數據庫函數，將全減縮計算流程近似看作馬爾科夫決策流程，將最優計算方法按照5 元組的方式描述，設其目標函數為Q，則有公式（5）。

在公式（5）中：S指的是醫療衛生數據集合的特征有限數據集合，集合中數據值為1～k 中任意自然整數，表示為A指的是醫療衛生集成數據庫中數值存在的交叉率，變異參數記為η；P 指的是在時間t 的種群狀態下，s 的原始數值及其獎勵數值，按照基于AI 大數據的并行計算原理，數值個體適應程度越高，數值獎勵程度越大；R(s)指的是特殊種群中數值個體的最近適應程度，定義s'指的是數值與計算數值兩者之間的匹配程度，匹配程度越高，可為函數計算提供下一步適應度數值，為計算提供正確決策；π 指的是數據庫第二次計算的決策函數，可表達其期望數值與信息化建設方向。通過設計醫療衛生信息集成數據庫，提高醫療衛生信息集成速率，為下文實現醫療衛生信息化建設提供軟件支持。

2.4 實現醫療衛生信息化建設

在完成醫療衛生信息集成數據庫設計后，可以將醫療衛生數據存儲與管理有效銜接起來，進行醫療衛生信息共享，為醫療衛生信息化建設提供安全可靠的訪問[7]。通過開放醫療衛生信息數據權限，提供數據管理接口、數據目錄檢索以及數據融合決策等視覺展示。醫療衛生信息共享具體功能信息，如表1所示。

結合表1信息，本文以AI 大數據為核心技術，因為設計醫療衛生信息化建設方法具有大量數據的基礎，同時涉及到醫療衛生的10 個子系統，通過AI 大數據技術將不同系統內不同維度的數據綜合存儲、分析，從而為醫療衛生信息化建設提供數據支持。

3 實例分析

3.1 實驗準備

構建實例分析，本次實例分析選擇實驗對象為某城市，其內容為針對該城市的醫療衛生進行信息化建設。首先，使用本文基于AI 大數據設計方法對該城市的醫療衛生進行信息化建設，通過MATALB 軟件測試其醫療衛生門診所需排隊時間，并記錄，將其設為實驗組；再使用傳統方法對該城市的醫療衛生進行信息化建設，同樣通過MATALB 軟件測試其醫療衛生門診所需排隊時間，并記錄，將其設為對照組。由此可見，本次實驗主要內容為測試兩種方法建設后的醫療衛生門診所需排隊時間，醫療衛生門診所需排隊時間越短證明該方法下的醫療衛生信息化水平越高。

3.2 實驗結果分析與結論

采集實驗數據，對比結果，如表2所示。

表1：醫療衛生信息共享

表2：實驗組與對照組實驗結果對比

通過表2可得出如下的結論：本文設計方法醫療衛生門診所需排隊時間明顯短于對照組，證明設計方法具有現實應用意義，值得被大力推廣。

4 結束語

本文通過實例分析的方式，證明了設計方法在實際應用中的適用性，以此為依據，證明此次優化設計的必要性。因此，有理由相信通過本文設計，能夠解決傳統醫療衛生信息化建設中存在的耗時長的缺陷。但本文同樣存在不足之處，主要表現為未對本次實例分析結果的精密度與準確度進行檢驗，進一步提高實例分析結果的可信度。這一點，在未來針對此方面的研究中可以加以補足。與此同時，還需要對醫療衛生開展流程的優化設計提出深入研究，以此為提高醫療衛生服務的質量提供建議。