基于人工智能的醫療大數據中心設計與建設

朱伯堃 張教赟

關鍵詞：人工智能；醫療；大數據中心

1引言

隨著人工智能技術的飛速發展，其逐漸被應用到醫療健康領域，如智能診斷、影像識別等，實現了醫療診斷服務一體化建設，對于現代醫療事業的發展有著積極作用。在實際應用人工智能技術的過程中，為保障技術應用的有效性，以及診斷結果的準確性和可靠性，提高診斷速度，加強對基于人工智能的醫療大數據中心建設研究很有必要。

2基于人工智能的醫療大數據中心管理系統應用方向

2.1輔助臨床診療

輔助臨床診療是當前人工智能技術在醫療數據中心管理系統中的主要應用方向之一。通過對數據中心中患者的相應病癥資料、數據信息以及360°視圖的分析和挖掘，為臨床診斷、治療提供可靠數據支持，并輔助決策，不僅有助于減少單一人工診療過程中可能存在的誤診問題，而且有助于提高診療效率，對于降低醫療風險、保障醫療質量有著積極作用[1]。

2.2提升醫療質量

基于醫療大數據中心，構建醫療質量控制系統，能夠實現對醫療質量數據的高效提取和分析，并由此展開事前防范、事中提醒以及事后分析，有助于提高醫療質量水平，降低醫療事故發生概率。另外，相應醫療質量數據信息還能夠作為后續質量分析和評價的原始數據，形成質量控制閉環，為后續醫療質量的優化管控提供可靠支持。而且，通過對床位周轉率、住院時長等相關指標和數據的分析，還能夠有針對性地進行醫療服務整改，對于提高醫院服務質量、提升患者滿意度等有著良好的效果。

2.3支持醫院運營

基于醫療大數據中心，能夠實現對醫院運營管理數據的高效整合和保存管理，其不僅包括醫護人員視圖信息，還包括績效管理數據信息、醫院設備資源消耗情況等，能夠幫助醫院管理人員更加直觀、準確地了解醫院運行情況，實現人員、資源以及資產的精細化管理，有助于提升醫院決策的可靠性以及運營管理水平。

2.4促進科研發展

醫療大數據還可以為醫療科研工作提供數據支持，實現臨床數據的高效整合和提取，有助于提高醫療及科研工作的效率和質量，對于醫療事業發展有著積極意義。同時，醫療大數據中心的建立還能夠實現對醫院數據信息的有效整合，提高數據利用率，促使數據價值得到充分挖掘和發揮，為智慧醫院建設提供良好支持。

3醫療大數據中心架構設計

基于醫療大數據中心的實際應用需求，要求該數據中心能夠對醫院系統后臺中的數據信息進行采集、存儲和處理，為醫療工作的開展以及醫院運營管理提供基礎數據支持[2]。為滿足上述要求，醫療大數據中心架構應主要包括門戶層、數據應用層、服務支持層、數據治理層、數據層以及業務系統層6個層次，如表1所列。

4醫療大數據中心模塊設計

4.1患者主索引模塊

患者信息和臨床數據是醫療大數據中心的主要組成部分，也是模塊設計中的重點內容。但由于各醫院系統之間存在壁壘，系統架構、數據格式等差異較大，因此不同醫院系統之間的患者以及臨床數據信息難以有效共享。另外，門診患者與住院患者之間的信息數據軸線不同，門診患者是以就診號為就診依據的，相應數據信息的存儲方式也是根據就診號進行歸類保存的，但住院處患者的信息保存是以住院號為基準的，二者互相割離，難以實現數據信息的有效整合。為解決此類問題，在醫療大數據中心模塊設計的過程中，應加強對患者主索引模塊的設計，以實現患者臨床信息之間的有效互通和共享。在實際進行模塊設計的過程中，應著重加強對以下幾個方面的重視。

（1）建立患者唯一識別性，針對患者住院號與門診號無法關聯的問題，將患者身份作為數據信息唯一識別參數，以對重復患者數據信息進行有效整合，形成最佳記錄，實現對患者就診、體檢以及住院等相關系統信息的共享，并在此基礎上生成唯一ID，用于患者信息識別和提取。

（2）針對患者信息建立獨立索引系統，以實現對患者信息的單獨管理和索引。

（3）確保系統模塊設計支持患者、員工多種類型信息的索引、管理以及操作。

（4）要求系統模塊設計提供批量化數據導人和導出功能，實現對原始數據信息的索引、提取和分析，并以此構建主索引原始庫。

4.2數據治理功能模塊

傳統臨床數據中心與醫療大數據中心之間存在明顯的差異，如表2所列，給實際人工智能技術的應用帶來了極大困難。而數據治理功能的主要作用在于實現對醫療數據信息的有效整合和處理，借助人工智能技術，提升數據集成度、強化數據收集的目的性，實現數據結構化、標準化以及規范化轉變，降低后續數據處理成本，為人工智能技術的應用以及數據價值挖掘提供便利[3]。

4.2.1自然語言處理

醫院運營過程中會生成大量的病歷，為確保患者能夠明確就診結果以及后續治療方式，病歷中會包含大量文書內容，不利于醫療數據的提取，因此，需要對此類醫學自然語言進行處理，將其轉化為能夠統一管理、存儲的醫療數據信息。同時，需要利用人工智能技術，結合醫院文本以及醫學術語，借助機器學習方法，針對醫學文本，建立自然語言處理模型，以實現對病歷文本信息的有效提取和處理，提升醫學自然語言的標準化、規范化水平。在此過程中，可應用的人工智能技術包括監督式、非監督式以及遷移式機器學習方法，通過分詞、詞性標記、句法分析以及失序解析、變量匹配等方式，實現醫學自然語言的有效轉化。

4.2.2術語標準化治理

醫學術語內容廣泛、種類繁多，因此其標準化處理難度相對較高。因此，在實際進行醫療大數據中心建設的過程中，可通過智能算法建立醫學術語標準化治理模型，以實現診斷、藥品等醫學術語的歸一處理。醫學術語標準化治理系統應包含知識庫、找回層和排序層3個主要結構。值得注意的是，在實際進行標準化治理系統構建的過程中，應考慮到醫學術語中存在大量較高相似度的表達詞語，如哮喘、哮喘性等，為避免由此引發的醫學術語標準化治理效果不佳的問題，在實際進行系統設計的過程中，應在知識庫中設置自動知識沖突檢測功能，借助人工智能技術，實現對表達沖突詞匯的智能檢測，并自動選擇最佳表達方式。

4.2.3數據質量核查

為保障數據的時效性、完整性以及精準性，還需要對數據質量進行檢查，借助平臺數據質量監控功能和規則庫，對數據質量進行檢驗，并根據問題程度和級別，進行預警，促使相關操作人員能夠及時進行數據處理和整改，以保障數據質量。數據質量核查需要融人數據治理全流程中，以更好地保障數據治理過程中數據信息的準確性。在治理前期，需要使用質量監測工具，對數據進行初步分析：在治理過程中，應借助人工智能技術，對數據進行清洗，篩選出不符合條件要求的數據信息，并進行人工處置；在治理完成后，應對相應拆分字段進行質量校驗，確保數據信息的可應用性。

4.3智能化系統模塊

智能化數據系統模塊的主要功能為實現數據的抽取、轉換和加載。應充分結合醫療大數據中心實際情況、數據庫類型以及數據特點，開發相應數據庫引擎，以保障數據抽取處理的有效性。在此過程中，需要注意以下要點：（1）數據抽取組件的配置和設計，應根據數據抽取邏輯進行選取，以確保相應組件的選取能夠滿足不同業務需求，保障系統的智能化效果；（2）合理進行作業管理系統設計，根據不同數據處理功能的優先級進行排布，科學設置作業日寸間，提升系統應用性能，保障系統運行的高效性和可靠性；（3）進行可視化模塊設計，將任務配置情況以可視化方式展示出來，以保障系統運行情況更加直觀；（4）最后進行日志跟蹤設計，確保數據抽取、轉換以及加載過程能夠得到全程跟蹤記錄，保障數據質量。

4.4元數據管理模塊

元數據主要用于體現數據信息基本情況或者某方面特征，對數據的準確性和完整性有著直接影響。設計元數據管理模塊的主要是為了明確數據來源，便于進行數據屬性的分析，一旦后續數據處理、治理流程出現問題，能夠及時找到元數據，并展開對比分析，明確問題所在，保障醫療大數據中心建設的可靠性[4]。

5結束語

基于人工智能的醫療大數據中心設計與建設，更加強調數據信息的準確性、完整性以及可靠性，有效提升了數據處理、應用的智能化水平和效率，也有效保障了數據的標準化和規范化。在實際進行大數據中心設計的過程中，應從數據中心應用需求角度，展開中心架構和模塊功能的設計，合理應用機器學習等人工智能技術，全面提升醫療大數據建設水平。