基于全域醫療大數據的精準預警監管系統研究與實踐*

楊麗靜 陳育慶 徐 旭

(杭州市衛生健康事業發展中心杭州310002) (杭州市衛生健康綜合行政執法隊杭州310021) (杭州市衛生健康事業發展中心杭州310002)

廖維維 蔣奉錦

(杭州市衛生健康綜合行政執法隊 杭州310021) (杭州浩洋科技有限公司 杭州310005)

1 引言

2019年9月國務院出臺《關于加強和規范事中事后監管的指導意見》(國發〔2019〕18號)[1]，提出要創新和完善監管方式，深入推進“互聯網+監管”。利用數據可視化、機器學習、模型預測、并行計算等大數據技術，加強對風險防控動態預警管理。探索推行以遠程監管、移動監管、預警防控為特征的非現場監管模式，可以加強監督管控力度，提升監管規范化、精準化、智能化水平。之后各地、各部門尤其是市場監管部門開始開展“互聯網+監管”探索和實踐。四川省率先在全國范圍內建立“醫療三監管”模式，建設具備醫療衛生機構、醫務人員和醫療行為記錄數據監管功能的政府數字化監管平臺[2-3]，充分整合醫政醫管、婦幼保健、基層衛生、綜合監督等管理部門相關數據，采用大數據處理技術進行清洗、關聯分析和深度應用，實現多角度、多維度分析，高效、準確定位醫療機構、醫務人員及醫療行為情況，動態、實時、可視化地呈現監管結果。浙江省玉環市衛生監督所建設“智慧衛監”醫療機構診療行為預警云計算平臺[4]。該平臺整合衛生監督協管系統、國家醫師注冊信息系統、基層醫療機構醫院信息系統(Hospital Information System，HIS)等多方數據，圍繞“大數據+風險預警”機制開發抗菌藥物處方異常預警、診療科目超范圍預警、處方異常預警、醫師空掛預警、醫護注冊預警等功能，初步實現醫療衛生精準執法。上述相關系統數據獲取較單一，僅對部分公立醫療機構及民營醫療機構進行監管，且無法實現跨場景應用。杭州市全民健康信息平臺全域醫療大數據精準監管預警系統率先采用，與杭州市醫保系統進行數據對接，實現對全市80%以上、近5 000家醫療機構進行實時在線智能監管的跨場景應用。本文針對該系統構建和實踐進行研究。

2 精準預警監管應用系統構建

2.1 設計思路

2.1.1 系統業務架構(圖1) 包括數據交換層、數據中心層、應用層3部分。數據交換層通過Http接口、Socket、Web Service、數據導入、數據庫讀取等方式進行數據交互。數據中心層可跨場景采集杭州市醫保、全民健康信息系統、醫師注冊信息、醫療機構注冊信息等業務系統的診療行為數據，包括定點醫療服務機構、人員就診登記、項目明細、手術、住院醫囑、病案主頁、檢查單、檢驗單等信息，并進行交叉分析、業務數據對比、關鍵字搜索、預警等級劃分等數據處理，將預警結果推送至浙江省“互聯網+監管”平臺。應用層供醫療機構等監管單位進行快速預警數據查看，從而為監管工作提供快速、精準的事實數據依據并保留處理記錄。

圖1 系統業務架構

2.1.2 開發環境 系統采用Window+Eclipse+Vue+Java +Web+Android+Mysql+Hadoop+Redis開發環境。Vue是具有輕量級、雙向數據綁定、指令、組件化等特性的漸進式框架[5]，通過簡單化應用程序接口(Application Programming Interface，API)實現響應的數據綁定和組合的視圖組件。安卓(Android)是一種基于Linux平臺的開源操作系統，應用于移動設備，具備較為優秀的交互界面以及交互邏輯，同時其較為開放的特性給予開發者更多資源[6]。結合開發工具Eclipse在Window系統中集成。Eclipse采用“平臺+插件”的體系結構，平臺僅作為容器，所有業務功能可封裝在插件中應用。通過不同插件擴展實現所需功能，滿足開發者需求。采用Mysql創建結構式數據存儲，通過Hadoop對海量大文件和復雜、龐大的數據集進行存儲處理；Redis為臨時數據提供緩存，可快速查詢、處理數據[7]。

2.2 系統功能模塊

2.2.1 概述 系統主要有5項功能，包括預警展示、全景地圖、數據倉庫、風險管理和預警調度。各模塊之間關聯互通，貫穿衛生健康綜合執法業務，實現衛生監督數據在線云計算、智能預警和分級管理等。

2.2.2 預警展示 建立全市6 000多家醫療機構診療行為數據風險預警展示頁面，采用大屏進行數據可視化監控，監控內容包括全區各監督對象數據總覽、執法記錄數據總覽、在線監測數據圖表等，并實時更新動態。

2.2.3 全景地圖 建立完善的監管對象全景檔案。監管對象是以管理相對人一戶一檔為中心，將各縣市區管理對象集中整合進一戶一檔。最終形成以管理對象為中心，以地理信息系統(Geographic Information System，GIS)定位信息為節點的全景檔案，實現管理對象定位顯示及篩選功能。

2.2.4 數據倉庫 集中展示醫療機構診療行為數據，包括醫療機構診療信息、人員表、處方分類表、接診類型表、機構輸液許可、限制級藥品、醫護注冊系統數據等，便于對監管對象進行預警行為分析。

2.2.5 風險管理 對轄區內5 000家醫療機構的診療超范圍、執業異常、處方異常、抗菌藥品警示、輸液非許可、基因檢測資質異常、限制級臨床技術資質異常和麻醉行為資質異常等進行風險管理，具體內容如下：診療超范圍預警是通過自研診療范圍模型和實際診療行為數據進行比對，對轄區內醫療機構以及人員的超范圍診療行為進行預警；醫師執業預警是通過算法對醫療機構醫護基本信息、醫師多點執業信息和處方信息建立醫師注冊異常、診療行為異常、醫師空掛等預警信息；處方異常預警是通過邏輯推理智能算法對注冊醫師的處方信息和處方內藥品數據進行判斷，獲得處方異常記錄，實時提示機構或人員違規行為；抗菌藥超常使用預警，通過機器學習、卷積神經網絡算法對醫療機構的診療數據和抗菌藥物庫進行判斷，標記抗菌藥物異常使用的處方記錄并產生機構預警提示信息；輸液許可預警，建立醫療機構輸液許可數據、匹配規則及預警提示；母嬰保健預警，分析機構資質，當不具有母嬰保健服務許可以及計劃生育專業的機構開展人流診療行為時，對該機構預警；基因檢測預警，當不具有臨床細胞分殖遺傳學專業的機構進行基因檢測行為時，對該機構預警；限制級臨床技術預警，分析機構資質，當不具備限制級臨床技術備案的機構開展限制級臨床技術時，對該機構預警；麻醉行為預警，分析機構資質，當不具備麻醉專業資質的機構開展麻醉行為時，對該機構預警。

2.2.6 預警調度 系統根據所產生預警信息分配至相應人員，對預警信息進行人工校驗。相關人員核驗信息屬實后則組織相關執法人員進行現場取證并做相關處罰。行政處罰結束后可以在系統中錄入處置結果。

2.3 數據層架構

2.3.1 數據采集 醫療大數據采集和分析是系統建設的基礎。數據源頭較多，數據采集任務較重，根據不同類型數據采集需要，主要采用數據庫數據交換、錄入、導入、接口等采集方式。第1種方式為數據庫交換技術，主要采集來自全民健康信息平臺的數據，如醫院科室分類、個人電子病歷信息等。第2種方式是搜索引擎技術。互聯網是開放、巨大的資源庫，互聯網資源具有信息時效性和內容廣泛性等特點，可通過搜索技術獲得大量有效信息。根據醫療監管范圍制定檢索邊界和規則，篩選出可用信息作為數據儲備。第3種方式為批量導入，主要采集數據量較大的結構化數據。第4種方式為應用程序接口，將其他系統數據采集到本系統。使用數據倉庫對數據進行清洗、導入、檢索、結構呈現等，并快速篩選業務邏輯中所需數據，實現產生精準數據的目的。

2.3.2 數據存儲 采集的數據根據結構化程度分為非結構化、半結構化和結構化數據。對于結構化數據，結合病歷、科室、病種、藥品名稱等出現頻率較高的高效值數據，優先處理并采用Mysql等傳統存儲技術進行存儲；對于非結構化、半結構化和部分結構化的數據則采用Hadoop等大數據處理技術進行分布式、云存儲處理并進行深入分析、挖掘、應用，為監管部門提供預警信息。

2.3.3 數據算法 醫療大數據具有海量性、復雜性、異構性、精確性等特點，傳統數據處理技術無法滿足其應用需求，需借助數據算法進行處理才可實現數據驅動，最大化發揮數據價值。本研究采用Apache Mahout技術，其主要提供推薦引擎、聚類和分類等可擴展機器學習領域的經典算法，可以實現文檔聚類分類、推薦過濾、頻繁子項挖掘等功能。Mahout遵從Apache開源協議，充分利用MapReduce和分布式文件系統(Hadoop Distributed File System，HDFS)的擴展性和容錯性。根據醫療大數據構建分類模型，對分類模型進行管理，較為常用的Mahout貝葉斯分類算法用于對數據的預處理。其中聚類算法K-means用于提取特征并分詞，對詞編碼，并將特征向量化，向量化表現形式采用更省空間的hashmap保存，將數據保存為SequenceFile格式。

2.3.4 硬件架構 服務器采用多節點分布式系統架構，在業務支撐能力上，有著良好的自主性和靈活性。對于后續的運維和故障恢復較為便捷。為應對更大的數據量配備至少4核心且時鐘頻率在2.5GHZ 及以上的中央處理器，8GB 內存。在系統軟件上需支持Hadoop框架，其核心功能是面向大數據處理的并行計算框架[7],核心組件有HDFS、Hadoop MapReduce、YARN，在MapReduce的思想下，Handoop具備高可靠性、高擴展性、高效性、高容錯性，以應對海量數據存儲和分析計算需求。

2.4 服務層架構

2.4.1 面向用戶 一是根據關鍵詞匹配醫療范圍。在醫療范圍中，結合實際選擇特有醫療術語輸入智能監管預警系統中，將用戶超診療范圍預警機構以低、中、高3個等級類型顯示。二是可設置系統白名單。線下核實后如發現預警中信息不符合許可一致白名單，在有效時間內不再匹配與預警該機構。系統提供統計、預警、處方還原、處置記錄的永久查看功能，并可跨平臺、多用戶、實時顯示。

2.4.2 面向大數據平臺 因醫療數據敏感性較高，平臺進行嚴格的權限管理，除指定場所外不提供對接相關接口權限，為第3方提供接口服務。服務內容僅包括相關統計數據、預警數據、加密后的處方還原等。終端設備通過市醫保等系統的安全網絡訪問人工智能核心服務器獲取對應數據，經系統后臺多重計算并采用Vue+HTML5技術將數據計算結果轉換為各種統計圖表直觀展示。客戶端只需配備通用瀏覽器軟件，基于Web服務的圖形CAD網絡化協同設計框架，用戶使用任意設備和操作系統都能獲得良好體驗。

2.4.3 面向數據智能處理 在實現信息系統數據收集的前提下，針對大數據倉庫中的數據進行多維度運算分析。主要包括按照醫療技術準入運算、按照處方診斷操作運算、按照關鍵醫用耗材運算、快速精準定位預警機構信息并提供可追溯查看的依據記錄。配備集群計算服務器，提高運算效率和處理速度。配備支持統一計算設備架構(Compute Unified Device Architecture，CUDA)，具有圖形處理單元的圖形處理器(Graphic Process Unit，GPU),從而將特定計算分解為獨立、可同時執行的較小計算，并將計算重新組合或同步以形成計算結果。

3 實踐結果

3.1 充分利用醫療大數據，提高數據效能

系統基于杭州市全民健康信息平臺上歸集的全市醫療機構醫保診療行為數據，接入情況如下：總醫療機構數7 115家，累計333 255 052條，藥品信息208 887條。截至2021年9月查處包括限制臨床應用醫療技術、違法開展放取環技術、門診違規使用特殊級抗菌藥物、違反基層醫療機構停止接診規定、違規接診發熱等問題事件共計123起，監管數據包括定點醫療服務機構、人員就診登記、項目明細、手術、住院醫囑、病案主頁、檢查單和檢驗單等信息，建立面向全市醫療機構電子病歷數據的信息共享交換平臺，運用大數據智能分析技術，實現大數據高效挖掘、分析利用，為精準執法提供確鑿證據。

3.2 有效利用智能分析技術，提升監管效率

系統覆蓋全市90%以上的醫療機構，通過基礎支持庫與多維度診療行為監管算法，智能篩選出診療行為違法預警信息。以使用抗菌藥物開展靜脈輸注未經核準預警為例，目前杭州市醫療機構診療行為數據有300 032 423 423條，發現門診使用特殊級抗菌藥物異常報警2 286條，涉及醫療機構49家。按照相關條例和文件要求，從抗菌藥物、醫療機構類別、靜脈輸液、縣級衛生行政部門核準4個維度進行分析；將提取的各維度信息進行完善，形成相對應的規則，同時將規則與預警進行關聯；系統按照規則對醫保數據分析計算得出預警；監督員依照系統提供的預警線索前往現場核查。通過上述流程數分鐘即可實現對上百萬條電子病歷和處方進行監管、快速非現場執法，使衛生執法人員有更多時間投入到監督執法活動中。

3.3 實現實時監控數據，提高執法精準性

應用該系統既可實現衛生監督執法工作聯動，又可及時歸集數據，做到實時掌握風險、發現問題，使衛生監督工作真正擺脫以往信息不暢、無法從海量診療數據中查找潛在風險信息和違法事實信息的局面，實現由傳統的人工查找工作模式向線上執法、“互聯網+監管”的模式轉變。

4 結語

本文提出基于全市診療數據、通過多維度運算規則得到精準預警數據的處理方式，詳細介紹精準預警監管系統整體架構和關鍵技術。制定一整套運算規則，進一步加強對醫療技術臨床應用的監管。通過“互聯網+監管”模式，將原本分散的監管方式向統一化監管方向轉變，監管范圍提升到全市95%以上的醫療機構，智能化的精準預警提升了監管效率。本系統尚存在一定缺陷，如設計架構適合就診記錄、檢驗、處方等具有固定格式的結構化數據，對于遺囑等半結構化或非結構化數據無法對其內容進行精準判斷，存在監管漏洞。下一步將針對此類問題采用自然語言處理技術進行預分析，提取內容標簽并進行對比分析，提高系統監管準確性和全面性。