醫療健康領域大數據應用平臺建設探討

張大政

（杭州慧康物聯網科技有限公司，浙江 杭州 310052）

當前我們正處于一個數據爆炸性增長的“大數據”時代，大數據在各行各業中都有寬廣的應用前景。在醫療健康領域，數據已經成為行業的核心資產，基于大數據的研究應用優化了醫院業務流程、管理模式和決策方式，對醫療行業發展健康管理、精準醫療、智慧運營管理等有深遠意義。目前，針對健康醫療大數據的研究和各類應用正在如火如荼地探索中，總體而言主要包括：臨床業務、藥物研發、公眾健康、個性化醫療、醫療商業模式等方面。醫療衛生行業的數據量極大且結構多樣化，其復雜程度早已超過了傳統意義。采用更為合理的數據科學研究模型、更為高效的大數據分析技術，建立適合醫療健康領域的大數據應用平臺可以產出更為準確的大數據分析結果和預測結論，同時也能更符合醫療衛生行業較高的隱私安全標準。

1.關鍵技術

1.1 大數據技術

傳統的數據分析方法在處理大數據時遇到了瓶頸。Hadoop是由業界主流的大數據分布式系統基礎架構，用戶可以在不了解分布式底層細節的情況下，輕松地在Hadoop 上開發和運行處理海量數據的應用程序，使得醫院的所有海量歷史數據都可以容納在大數據庫中并進行實時的海量數據檢索和計算。不但保證數據容量增加不影響性能，而且可以不宕機增加數據存儲和處理節點實現線性容量擴展。

1.2 知識圖譜

知識圖譜旨在描述真實世界中存在的各種實體或概念。其中，每個實體或概念用一個全局唯一確定的ID 來標識，稱為它們的標識符。每個屬性-值對用來刻畫實體的內在特性，而關系用來連接兩個實體，刻畫他們之間的關聯。知識圖譜亦可被看作是一張巨大的圖，圖中的節點表示實體或概念，而圖中的邊則由屬性或關系構成。

1.3 人工智能

醫療信息涵蓋了醫療過程和醫院活動的全部數據資源，包括臨床醫療信息和醫院管理信息。目前醫學信息包括純數據（如體征參數、化驗結果）、信號（如肌電信號、腦電信號等）、圖像（如B 超、CT 等醫學成像設備的檢測結果）、文字（如病人的身份記錄、癥狀描述、檢測和診斷結果的文字表述），以及用于科普、咨詢的動畫、語音和視頻信息[1]。

1.4 動態數據屏蔽

隨著公眾對開放醫療數據需求的提升，以及對隱私問題的擔憂，加之物聯網技術、智能可穿戴設備的出現以及云服務的發展為醫療數據的安全性帶來新的考驗，其中最緊迫的莫過其安全性及健康數據的隱私性。具體醫療健康業務數據面臨的巨大挑戰在于如何對數據進行匿名化——移除個人和私有信息，但要同時保證處理后的數據對于分析仍舊足夠有用。

1.5 機器學習

在第二次人工智能浪潮時期，只要向計算機中輸入足夠多的知識，計算機就能相應地完成很多任務，但是其能力也僅限于所輸入知識的范圍；如果想擴充計算機的實用性及其應對例外病例的能力，則需輸入海量知識，永遠輸不完。另外，從根本上講，輸入的符號與其所表示的意義往往脫節，對計算機而言，掌握“語義”非常困難。有一項技術——機器學習得到了穩步發展，即人工智能程序自身進行學習。機器學習常用的原理包括最近鄰分類算法、樸素貝葉斯算法、決策樹、支持向量機等，而其中最為著名的當屬人工神經網絡。ANN 是在第三次人工智能浪潮中興起的一門集腦科學、信息科學、計算機科學于一體的高度綜合的前沿、交叉學科，是一種通過模仿人類腦神經回路將生物神經網絡在結構、功能等方面的理論高度抽象、概括、綜合而構成的信息處理系統，是當代人工智能領域的重要分支。

深度學習是一種當前人工智能算法里取得良好效果的一類，通過模擬人類大腦分層認知結構，模擬人腦對數據進行分析。可以應用到醫療臨床檢測與診斷的各個環節中，從醫學檢測采集，到檢測結果的圖像處理分析，病變區域檢測，輔助疾病診斷及治療與預后的整個過程當中。各過程相輔相成。

2.醫療健康領域大數據應用平臺的建設

2.1 醫療健康領域大數據應用平臺架構

醫療健康領域大數據應用平臺的整體架構設計上，需要充分考慮數據的獲取、數據的治理、數據的應用三個層面，因此整個大數據應用平臺的建設必須包括平臺基礎層、中臺軟件、業務前臺層三個方面。

平臺基礎層主要負責基礎服務，這些平臺組件將提供包括基礎軟件（數據同步采集轉換與存儲）、商業智能分析平臺與人工智能基礎軟件。基礎軟件中的大數據實時同步轉換平臺是針對大數據場景下的數據采集、抽取、同步及轉換業務，采用底層數據庫級別的數據同步鏡像技術，實時地將業務庫中的數據同步到大數據庫中，保證挖掘分析數據和原始業務數據一比一鏡像，實現最高級別的數據質量，保證數據完整性、真實性、防范各種假數據、不一致數據等，同時可以對數據進行轉換處理，將轉換后的數據寫入到專用的數據集市中。大數據實時存儲計算平臺主要針對目前數據平臺中數據量太大、存儲模式不合理等因素造成的電子病歷數據查詢、更新操作非常慢、數據監控困難、綜合管理系統決策支持滯后等等問題，需要重新構建一個安全、可靠、穩定、能同時解決歷史數據與實時數據讀寫速度快、響應效率高的大數據存儲、數據質量監控、決策支持、挖掘、分析的中心實施方案。大數據實時存儲計算平臺應包括數據分布式存儲、分布式消息隊列和分布式計算等功能組件。在分布式存儲方面，基于Hadoop 大數據分布式系統基礎架構，實現對存儲容量的線性擴展，提供符合SQL92 規范的交互功能，使得傳統的數據開發人員可以通過SQL 語句對大數據平臺中的數據進行業務處理。在生產環境下，存儲平臺可實時備份，包括異地備份，在數據故障情況下，可實現數據的快速恢復。需要對整個存儲平臺實現良好的性能監控和故障預警功能。在不影響現有服務的同時，可以實現導向式的硬件橫向擴展。對于平臺中所存儲的數據文件要進行加密處理，而通過SQL 查詢的數據，要實現動態數據屏蔽。通過商業智能分析平臺，建立支持多維模型的數據倉庫，實現對健康檔案及其衍生主題數據庫的深度挖掘、統計分析、綜合展示，智能分析、獲取數據的內在價值，更好地滿足綜合管理、輔助決策的需求。人工智能基礎軟件面向AI 模型生產的生命周期，為模型的硬件加速、硬件適配、算子優化、代碼編譯優化、文件系統適配建立基礎，方便用戶后續在人工智能中臺上進行一站式構建AI 算法。

數據治理體系建設的目的是建立數據擁有者、使用者、數據以及支撐系統之間的和諧互補關系，從全機構視角協調、統領各個層面的數據管理工作，確保內部各類人員能夠得到及時、準確的數據支持和服務。通常認為，數據治理體系涵蓋如下功能域：數據資源目錄管理、主數據管理、元數據管理、數據質量管理、數據標準管理以及數據生命周期管理。在數據治理的過程中，需要對數據架構，管控平臺，治理工具三方面進行投入，才能將數據治理工作事半功倍。

在醫療健康領域大數據應用平臺的建設過程中，對于使用者來說能體現大數據應用平臺的效果，因此在平臺的建設過程中需要充分想明白對于數據的應用，因此需要構建一個統一的業務前臺，業務前臺可在中臺基礎上開展面向數據交換與交易、面向區域衛生、面向醫院及面向居民的應用。

2.2 醫療健康領域基于大數據應用平臺的應用

在醫療健康領域可以充分利用大數據應用平臺開展疾病智能輔助診斷、慢病健康管理、區域衛生監管分析等應用。

在疾病智能輔助診斷方面，基于大數據應用平臺，使用科學的知識抽取、推理、表示和NLP 電子病歷語義分析服務等技術，對歷史病歷數據和文獻數據進行學習，將同種疾病不同患者的就診數據根據體征、環境因素、社會因素、經濟因素等多個角度劃分為不同的亞組人群，以選擇適合不同亞群的檢查檢驗類型、治療方案等，通過大數據劃分形成臨床診療決策輔助系統。醫務人員在進行臨床診斷時，可以更加客觀準確地診斷病情制定出周詳的治療和保健方案，進而極大地降低了臨床診斷的誤診和漏診問題幫助患者提高恢復健康的速度[2]。

在慢病健康管理方面，通過機器學習及數據挖掘技術，對海量的患者和健康體檢者的常規體檢大數據進行分析并建模，建立能夠區分健康人和重疾患者的分析預測模型，實現對慢病患者有效地健康指導。

在區域衛生監管分析應用方面，如圖1 所示：基于大數據應用平臺建立醫療衛生管理監測指標體系數據模型，基于醫療衛生管理監測指標體系開展大數據挖掘分析和預警預測，指導公立醫院醫改業務開展。

圖1 區域衛生監管分析模型

實現公立醫院醫療衛生管理監測大數據挖掘分析，依據國家省市公立醫院醫改政策和醫療衛生管理監測指標，針對衛生資源管理、醫改指標統計、醫改成效監測、醫藥監測、醫療監測、醫保監測和財務監測等重點指標數據采用大數據智能挖掘技術，進行智能挖掘分析。利用大數據挖掘技術，可以分析用戶對醫生的評價、用戶關鍵詞熱點話題查詢、對患者患病類型進行區分以及患者對醫藥投訴評價、患者診后跟蹤生存率統計等后臺APP 信息的手機與挖掘分析。為衛計局管理者和公立醫院管理中心提供醫療服務水平、質量提升和績效考核評價，提供客觀真實的依據和數據基礎。

3.結語

國外健康醫療大數據建設相對成熟，重點發展基于數據的服務。國外健康醫療大數據公司主要為醫療服務提供者提供平臺及服務。將大量數據變為可用性數據后利用人工智能或機器學習提供輔助決策支持。由于國內醫療數字化起步較晚，在大數據應用平臺建設方面處于探索與試驗階段，構建一個數據實時的、安全、可靠、穩定的大數據應用平臺有利于提升醫療衛生服務效能，提升疾病防治能力，完善全民健康服務體系。