智慧医疗大数据分析应用平台建设方案Word文件下载.docx

1、7.3个性化医疗服务应用477.3.1基因测序分析应用477.3.2个性化药物应用487.3.3个人健康管理应用487.4慢性病预防治疗应用（疾控中心）507.4.1慢性病检测、发现、预警服务507.4.2慢性病诊断服务527.4.3慢性病防控治疗服务527.5居民健康保健应用（疾控中心）537.5.1居民自我健康保健应用537.5.2政府卫生管理部门进行居民健康管理应用. 547.5.3政府医疗规划结构进行居民健康保健决策应用547.6医疗卫生管理机构应用（卫生局）547.7医疗保险管理机构应用（医保局）547.7.1基本医疗保险的决策支持分析577.7.2基本医疗保险费用单据的智能化审核5

2、87.7.3基本医疗保险的有效支付和治理应用597.7.4基本医疗保险和服务监管应用597.7.5降低看病率提升医疗效果应用607.8医药监管机构应用（药监局）647.9医药研发生产经营应用（医药企业）647.9.1医药研发企业应用647.9.2医药生产企业应用657.9.3医药流通企业应用667.9.4医药零售企业应用687.10医疗卫生资源配置管理规划应用（政府主管部门）697.10.1医疗卫生资源服务现状分析697.10.2医疗卫生资源财务供给能力分析707.10.3医疗卫生资源规划指标对比707.10.4医疗卫生资源政策建议717.11商业医疗保险应用（保险公司）717.11.1获得新

3、客户和保留已有客户的分析应用717.11.2有效控制医疗费用的分析应用727.11.3商业医疗保险的保障设计和精算定价727.11.4商业医疗保险的理赔运营管理应用737.11.5商业医疗保险的市场和销售拓展应用767.12公共卫生服务应用（卫生防疫中心）767.12.1传染病预警预报787.12.2公共卫生舆情监测预警797.12.3疾控和保健应用807.13政府监管应用（政府主管部门）807.13.1医药监管应用807.13.2医疗监管应用817.13.3医保监管应用837.13.4医疗服务机构和医生监管应用837.14新型医疗卫生服务应用（政府主管部门）847.14.1远程医疗847.1

4、4.2移动医疗847.14.3互联网医疗867.14.4数字医疗867.14.5大数据医疗867.14.6智慧医疗877.14.7精准医疗888.大数据分析应用平台支持的专题大数据应用898.1患者分析（基于电子病历EMR）908.1.1患者数据预处理908.1.2患者个体（个性）分析918.1.3患者群体（统计）分析918.2疾病分析（基于电子病历EMR和电子健康档案EHR）928.2.1常见疾病分析928.2.2慢性疾病分析928.2.3疾病诱因分析928.2.4疾病统计分析928.2.5临床路径分析928.3医生及医护人员分析（基于医疗卫生资源数据）. 928.3.1医生及医护人员资历资

5、格分析928.3.2医生及医护人员行医记录分析928.3.3医生及医护人员培训进修分析938.4处方分析（基于电子病历EMR）938.4.1医生用药分析938.4.2患者用药分析948.4.3处方用药分析948.4.4医院科室用药分析948.4.5安全用药分析948.4.6处方符合性分析958.4.7处方用药-诊断结论关联分析958.4.8诊断结论-处方总价聚类分析958.4.9患者特征-诊断结论分类分析968.4.10患病时间-诊断结论序列分析968.5居民人口分析（基于电子健康档案EHR）968.5.1居民个体健康分析968.5.2人口群体健康分析968.5.3人口亚健康相关因素关联分析9

6、78.5.4人口健康相关因素关联分析978.5.5人口健康时间空间分布分析978.5.6人口健康预测分析978.6药品分析（基于医药产业链数据）978.6.1药品种类分析988.6.2药品研发分析998.6.3药品生产分析1028.6.4药品销售分析1028.6.5药品物流分析1038.6.6药品资金流分析1038.6.7药品信息流分析1048.6.8药品库存分析1048.6.9药品质量偏差分析1088.6.10药品不良反应药品群体不良事件分析. 1098.7医疗健康检验检测分析（基于电子健康档案EHR）1098.7.1生理信号检测分析1098.7.2医学影像图像分析1108.7.3 DNA检

7、测和DNA序列分析1108.7.4重要人体征数据分析1108.7.5远程自助健康医疗检测分析1108.8医疗安全风险分析（基于电子病历EMR）1108.8.1医疗安全分析1108.8.2医疗风险分析1108.8.3假药、过期药、成分异常药的使用分析1118.8.4医疗事故诱因分析1118.8.5医疗安全风险统计分析1118.9 医疗卫生资源分析（基于政府的医疗卫生资源数据）1118.9.1医生护理人员分析1118.9.2医院床位分析1118.9.3医疗检测检验能力分析1118.9.4医疗卫生资源需求分析1118.9.5医疗卫生资源匹配度分析1128.9.6医疗卫生资源对比分析1128.10医疗

8、卫生效果分析（基于电子健康档案HER和医疗卫生资源数据）1128.10.1医疗卫生满意度分析1128.10.2医疗卫生问题诱因分析1128.10.3医疗卫生规划符合度分析1129.关键核心技术和算法1129.1大数据分析能力1139.2大数据分析技术1149.3大数据存储技术和系统1159.4大数据业务模型建模1159.5大数据的实时查询1189.6大数据的复杂分析12010.用医疗卫生大数据为业务服务12410.1核心理念12410.2管理闭环12511.未来市场前景分析12812.总结1291.背景介绍根据国际著名分析机构Gartner给出的定义：大数据就是那些具 有规模大、速度快、种类多

9、三大特征的数据资产。大数据分析从海量 数据中筛选出有用的信息，然后通过各种手段将信息转化为洞察力， 从而做出正确决策，并最终推动业务发展。通过一系列分析处理，大 数据可以帮助企业制定明智且切实可行的战略，获取前所未有的客户 洞察，支持客户购买行为，并构建新的业务模式，进而赢得竞争优势。随着人们的生活水平不断提高，健康也越来越受到家庭的关注。2009 年2 月27 日，我国卫生部公布的第四次国家卫生服务调查结 果显示，截止至2008 年，我国居民脑血栓，糖尿病，高血压等慢性 病病例数达到2.6亿，占全国总人数的20%，其中高血压病人对自身 疾病的知晓率只有30%，同时这些病人中的治疗率只有25%

10、，控制率 仅为6%，糖尿病病人中，能坚持做到规范治疗的也只有33%。由此我 们可以看出，建立科学、规范、高质量的慢性病管理策略，实现对人 体慢性病的监护具有重大的意义。通过慢性病的早期诊断和监护，不 仅能提前预防和控制各种疾病，还能帮助他们合理用药，减少医药开 支。另一方面，我国公共医疗卫生资源紧缺，城乡医疗卫生资源的差 距比较大，城市人口平均拥有的医疗卫生资源是农村人口的2.5倍以 上，比如，占全国总人口近70%的农村拥有全国医疗卫生资源的30%， 而占全国总人口30%的城市却占有全国医疗卫生资源的70%，优质的 医疗卫生资源集中分布在城市，尤其是大城市。因此，实现城乡之间 的医疗卫生资源共

11、享成为丞待解决的重要问题。同时，随着国家积极倡导“3521”医疗系统建设，我国医疗领域 信息化程度得到了很大的提高，预计在全国会出现上百个医疗数据中 心，每个数据中心都将承载近1000 万人口的医疗数据，数量多、更 新快且类型繁杂，使医院数据库的信息容量不断膨胀，这就产生了医 疗大数据。医疗大数据通常具有以下特征:（1）数据巨量化: 区域医疗数据通常是来自于拥有上百万人口 和上百家医疗机构的区域，并且数据呈持续增长的趋势。依照医疗行 业的相关规定，患者的数据通常至少需要保留50 年。（2）服务实时性: 医疗信息服务中会存在大量在线或实时数据 分析处理的需求。例如: 临床中的诊断和用药建议、健康

12、指标预警等。（3）存储形式多样化: 医疗数据的存储形式多种多样，例如各种 结构化数据表、非（ 半） 结构化文本文档、医疗影像等。（4）高价值性: 医疗数据对国家乃至全球的疾病防控、新药研发 和顽疾攻克都有着巨大的作用。因此，如何在海量的医疗大数据中提取信息的能力正快速成为战 略性发展的方向，通过大数据分析挖掘出有价值的信息，将对疾病的管理、控制和医疗研究都有着非常高的价值。目前，大数据、云计算是已经普及并成为 IT 行业的主流技术。国内外都已经进入了大数据、云计算的研究热潮，同时大数据、云计算技术也逐渐成熟，大规模区域医疗信息系统和大型数据中心的建立也在同时进行。而云计算是大数据成长的驱动力，

13、与此同时，由于医药医疗大数据越来越多，对云计算的需求日益增长，所以二者是相辅相成的。随着医疗数据的急剧增长，如何充分利用这些数据，运用大 数据、云计算技术，搭建合理先进的数据云服务平台，为广大患者、 医务人员、科研人员提供服务和协助，必将成为未来信息化工作的重 要方向。“大数据时代”已经降临，“大数据”正在对每个领域都造成影 响。在商业、经济及其他领域中，决策行为将日益基于数据和分析的 结果，而非基于经验和直觉；而在公共卫生、经济发展和经济预测等 领域中，“大数据”的预见能力也已经崭露头角。2012年3月，美国 政府公布了“大数据研发计划”（Big Data Research and Deve

14、lopment Initiative）。该计划的目标是改进人们从现有的海量和复杂的数据 中获取知识的能力。其中，与医疗卫生领域相关的有生物传感 2.0、 虚拟实验室环境（VLE）、癌症基因组图谱（TCGA）、神经科学信息框架 （NIF）、患者报告结果测量信息系统（PROMIS） 等10 余项。2014年美 国的公共数据开放项目OpenFDA上线之后，先导项目开放了“300万 份药物不良反应报告”，这些数据是2004至2013年间被提交给FDA 的药物不良反应和医疗过失记录。对医疗机构来说，不良反应和医疗 过失记录起到的是长远的贡献作用，能减少医疗悲剧的重现。根据我国居民第三次死因调查报告显示，

15、脑血管病已成为居民的 第一死因。脑卒中发病率正以每年 8.7%的速率上升，我国每年用于 治疗脑血管病的费用约在100亿元以上。2014年，GE医疗中国联合 国家卫生计生委脑卒中防治工程委员会（脑防委）启动了“脑卒中行 动”合作战略。GE医疗“脑卒中行动”的法宝之一就是大数据。尤 其是GE构建的三级筛查网络，对双侧内膜增厚的高危人群检出率提 升了近10%。GE搭建的脑卒中信息管理系统可以与医院Lis和His系 统全面对接，记录患者的基本信息、初筛信息、复筛信息、用药信息、 实验室检查、体格检查信息及其随访信息等，全面跟踪患者的诊治流 程。还可以与PACS系统对接，全面记录患者的影像学信息，实现患

16、 者影像信息的共享。同时，可对患者全流程疾病影像信息回顾，减少 患者重复检查的负担，协助医生对患者疾病信息的全面判断。在上述这些大背景下，本公司提出并计划研发“医疗大数据分析 应用平台”（以下简称“本平台”）产品，以期为我国医疗卫生实现数 字医疗、智慧医疗、健康医疗发挥重要作用。从而达到：服务模式（以 患者为中心，形成居民健康全过程服务），从被动到主动；医疗模式（以预防为主，人人享有基本医疗卫生服务，将医疗卫生工作重点由 后治前移到预防保健），从治病到防病；诊疗模式（避免各自为政， 实行上下联合，专业分工），从排斥到联动；数据模式（从业务系统 数据向整体数据转变，改变过去的数据不统一、不互通、

17、不共享）， 从隔离到整体；技术模式（采用各种新技术手段，包括大数据、云计 算、物联网、移动互联等，形成技术合力），从简单到综合的转变。2.产品愿景形成充分发挥大数据技术的，针对医疗医药行业的，能充分适应 医疗卫生信息特征的大数据分析应用支撑平台，通过大数据分析，达 到发现知识、发现规律、预测未来，将医疗卫生行业推进进入大数据 时代提供技术可行性。3.产品定位本平台以医疗卫生行业的整体数据架构（数据模型、数据构成、数据关系）为基础和标准，以对应的医疗卫生业务数据为输入，通过大数据技术，形成针对医疗卫生行业中不同机构、角色和业务活动的智能化应用，因此本平台不是代替已有医疗卫生信息化系统，而是在多个

18、方面强化已有医疗卫生信息化系统，包括任意查询、即兴分析、业务增强、规则约束、预测未来、发现知识，并提供互动性、及时性、预知性、洞察性，从而达到实现智慧医疗的目标。3.1解决的问题当前医疗卫生信息化建设的主要问题是各个区域内不同医疗机构中患者的基础信息和各种临床信息资源分散、重复、孤立，导致有效信息闲置、信息重复或不一致，很难得到有效利用。通过本平台实现国家医疗卫生信息化规划中“4631-2”的三大基础数据库，即电子健康档案数据库、电子病历数据库和全员人口个案数据库的应用落地；通过本平台实现智慧医疗的核心部分，即医疗卫生服务体系的智能化，使医疗卫生的各种应用提升水平；通过本平台为“看病难、看病贵

19、”的解决提供科学定量判断依据、对比分析依据和方案效果评价依据；3.2达到的效果本平台预期部署到云平台上运行，采用SOA的理念进行架构开发， 通过分层将公共大数据算法模型封装为服务，对业务应用提供服务， 同时平台业务应用也是服务的形式存在，即应用单位不再需要购买部 署自己的服务器硬软件环境，只需要开通相应服务就可以了。各个应 用单位根据自己的业务需要定制服务，平台支持“开通即用”服务模 式，为实现业务应用集成，本平台将对外支持Web Service方式的接 口服务。本平台希望将医疗卫生的智慧功能应用普及到业务角色和过程 的方方面面，包括医生（包括专科医生、全科医生、保健医生等）、 患者（包括慢性

20、病患者、潜在患者等）、管理者（包括医疗管理者、 医疗保险管理者、医药监管管理者、公共卫生管理者等）、医药经营 者（药品研发、药品生产、药品物流、药品零售等）以及商业医疗保 险经营者（健康险、大病险、医疗意外险等）。4.产品理念医疗卫生、健康保健、医药器械形成的海量数据就象一座待开发 的金矿，利用大数据技术、云计算技术、物联网技术和便携设备技术 的最新成果，将给医疗卫生事业带来全新革命性的改变，明显解决看 病难和看病贵的问题，达到医疗卫生资源配置分布合理、大病小病治 疗各司其职、疾病预防治疗有机结合、公民健康保健全过程覆盖。5.总体思路通过建立医疗卫生大数据的统一标准和规范，形成可被相关业务应用

21、所利用的医疗卫生大数据源和交互机制，在此基础上，首先形成专题大数据应用，这些应用具有跨部门和组织机构的通用性，并具有良好的稳定性，因为这些应用是面向医疗卫生专题的；基于专题大数据应用，根据医疗卫生相关部门和组织机构的业务要求，可开发形成各种业务大数据应用，并且随着平台的推广，积累的医疗卫生业务大数据应用的实例将会越来越多，并最终形成不同方向的最佳应用样例。5.1对接数据源，获取医疗卫生大数据医疗卫生大数据中心为本平台进行医疗卫生大数据分析提供数据源，但不在本平台范围内，并平台只是开发提供一套与该数据中心的数据读取接口，并具有监控数据读取情况汇总统计和异常提示功能。该数据中心的定位：整合区域内不

22、同医疗机构中患者/健康人群的各种临床诊疗数据、健康数据，在相对集中的逻辑/物理环境中，构建一个以存储和处理患者/健康人群诊疗信息为核心，覆盖多学科、多专业的面向区域内主要卫生行政主管部门、临床医疗机构和社会公众的医学（医药、医疗、健康）信息资源共享机制区域性医学数据中心。区域性医学数据中心的建设以行政业务处理、医疗、预防、保健、康复为服务主线，以健康人群和患者的医疗活动需求为基础。区域卫生数据中心通过制定标准的数据接口，建立基于广域网的信息交换、数据采集和传输机制，对区域内医疗卫生信息数据进行采集、传输、清洗和汇总，将医院、社区、医药企业以及公共卫生机构的各类数据、系统有机地整合起来，生成区域

23、的卫生大数据。5.2对获取的医疗卫生大数据预处理机制医疗卫生大数据预处理主要完成对已接收数据的辨析、抽取、清洗等操作，目的是将数据按统一的格式提取出来，然后再转化，集成，载入数据仓库的工具 （ETL） 包括：抽取：因获取的数据可能具有多种结构和类型，数据抽取过程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理的目的；清洗：对于大数据，并不全是有价值的，有些数据并不是我们所关心的内容，而另一些数据则是完全错误的干扰项。 因此要对数据通过过滤“去噪”从而提取出有效数据。5.3建立医疗卫生大数据的存储机制虽然关系型数据库系统（RDBMS）在安装和使用上仍然占有主要地位，

24、但毋庸置疑，非关系型数据库NoSQL技术已经成为今天发展最快 的数据库技术。NoSQL是对数据库系统的总称，在某种程度上，它的 性能和用途可能完全不同。目前除了关系型数据库外，还主要存在有以下四种NoSQL数据管 理系统：键值数据库：当数据以键的形式访问时，比如通过国际标准书号 ISBN找一本书，键值数据库是最理想的。在这里，ISBN是键，书籍 的其他信息就是值。必须知道键才能查询，不过值是一堆无意义的数 据，读取之后必须经过翻译。文档数据库：该数据库以文档的形式管理和存储数据。有点类似 于键值数据库，但文档数据库中的数据有结构。与键值数据库中值是 一堆无意义的数据不同，文档数据库中数据以文档

25、的结构被描述，典 型的是JavaScript Object Notation （JSON）或XML。文档存储数据 库中的数据可以通过定义的任何模式进行查询，但键值数据库只能通 过它的键进行查询。列式数据库：也被称为列式存储或宽列存储，一改之前行式存储 的方式，对数据进行列式存储。在传统关系型数据库中，数据经常以 行来访问。以列式管理记录的NoSQL数据库可以管理大规模的动态列。 因为没有固定的模式，所以列名和键可以变换。列式数据库适用于不 经常写的情况，要满足 ACID（原子性、一致性、隔离性和持久性） 的要求并不难，而且模式是变化的。图型数据库：图型数据库关注值与值之间的关系，用图型的数学概

26、念存储数据。图型数据库用带有点、边缘和属性的图的结构表示和 存储数据。在图型数据库中，每一个元素都包含一个直接的指向它毗 邻元素的点，所以也就不需要索引查找。每个种类的 NoSQL 数据库都有适用的不同类型的应用程序和用 例，这就涉及到一个NoSQL社区常用的一个话题，即多样持久性，或 者说根据数据库处理应用程序需求的不同，使用不同的数据库系统， 用于不同的应用程序和用例。5.4医疗卫生大数据的处理和分析算法分类和形成l 技术分类方法 根据挖掘任务：分为分类或预测模型发现、数据总结、聚 类、关联规则发现、序列模式发现、依赖关系或依赖模型 发现、异常和趋势发现等等； 根据挖掘对象：可分为关系数据

27、库、面向对象数据库、空 间数据库、时态数据库、文本数据源、多媒体数据库、异 质数据库、遗产数据库以及环球网Web； 根据挖掘方法：可分为:机器学习方法、统计方法、神经 网络方法和数据库方法。l 主要处理和分析技术 预言处理：用历史预测未来； 挖掘规律处理：了解数据中潜在的规律； 关联分析：查找存在于项目集合或对象集合之间的频繁模 式、关联、相关性、或因果结构； 序列模式处理：给定一个由不同序列组成的集合，其中，每个序列由不同的元素按顺序有序排列，每个元素由不同项目组成，同时给定一个用户指定的最小支持度阈值，序列模式挖掘就是找出所有的频繁子序列，即该子序列在序列集中的出现频率不低于用户指定的最小

28、支持度阈值； 分类（预言）分析：预测分类标号（或离散值），根据训练数据集和类标号属性，构建模型来分类现有数据，并用来分类新数据。建立连续函数值模型，比如预测空缺值； 聚类分析：聚类是一种无监督分类法: 没有预先指定的类别。在同一个类中，对象之间具有相似性；不同类的对象之间是相异度分析；把一个给定的数据对象集合分成不同的簇。将物理或抽象对象的集合分组成为由类似的对象组成的多个类；聚类在不同的应用领域，用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中；聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性；聚类与分类不同，聚类所要求划分的 类是未知的；异常检测分析：异常检测是数据挖掘中一个重要方面，用来发现”小的模式”（