基于健康醫(yī)療大數(shù)據(jù)特征的采集與分類方法研究

張 戈，彭亞標(biāo)，歐愛華，鄭起帆

（廣州中醫(yī)藥大學(xué)第二附屬醫(yī)院，廣東 廣州 510100）

1 健康大數(shù)據(jù)的特征

健康大數(shù)據(jù)符合大數(shù)據(jù)的四個(gè)維度Volume大量、Variety多樣、Velocity快速、Value高價(jià)值[4]的特性。

1.1 數(shù)據(jù)量大

醫(yī)療數(shù)據(jù)不同于常規(guī)的電商數(shù)據(jù)，數(shù)據(jù)量極大。如1張CT圖像占150 M，一個(gè)病理圖有5 G左右，一個(gè)人的DNA數(shù)據(jù)量占4 GB左右等，此外還有體積更大的影像類數(shù)據(jù)，一個(gè)醫(yī)院每天產(chǎn)生的數(shù)據(jù)是極其龐大的。

1.2 數(shù)據(jù)多樣化

醫(yī)療數(shù)據(jù)來源多元，導(dǎo)致其數(shù)據(jù)結(jié)構(gòu)也是多樣化的。既有結(jié)構(gòu)化的個(gè)人診療信息，又有半結(jié)構(gòu)化的影像、聲音、多模態(tài)信息，此外部分電子病歷也是半結(jié)構(gòu)化的。數(shù)據(jù)的多樣化導(dǎo)致采集困難的增加。

1.3 快速增加

在當(dāng)今優(yōu)質(zhì)醫(yī)療資源缺乏的環(huán)境下，一家三甲醫(yī)院的就診量是驚人的。如鄭州某三甲醫(yī)院，每天的診療病人超過2萬人次，每年的門診量高達(dá)800多萬。

1.4 價(jià)值極大

醫(yī)療健康數(shù)據(jù)是貫穿人的一生的，健康醫(yī)療大數(shù)據(jù)的價(jià)值極大。如醫(yī)療機(jī)構(gòu)利用大數(shù)據(jù)進(jìn)行臨床監(jiān)控，政府利用大數(shù)據(jù)進(jìn)行疾病防控企業(yè)利用診療用藥數(shù)據(jù)進(jìn)行新藥研發(fā)，個(gè)人民眾利用過往數(shù)據(jù)進(jìn)行疾病預(yù)警等。

2 健康醫(yī)療大數(shù)據(jù)的分類

根據(jù)健康大數(shù)據(jù)的含義，我們從127個(gè)數(shù)據(jù)源中分析得出322項(xiàng)共21小類數(shù)據(jù)，根據(jù)源、數(shù)據(jù)屬性等因素，可以把健康大數(shù)據(jù)分為就診數(shù)據(jù)、個(gè)人生物數(shù)據(jù)、醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)、管理信息數(shù)據(jù)和行業(yè)管理數(shù)據(jù)6大類別。

2.1 就診數(shù)據(jù)

就診數(shù)據(jù)指患者在就診過程中，在就診機(jī)構(gòu)產(chǎn)生的各項(xiàng)數(shù)據(jù)，共5個(gè)子類。這類數(shù)據(jù)主要包括病程記錄、檢驗(yàn)、電生理、醫(yī)學(xué)影像、診療數(shù)據(jù)。其中，醫(yī)學(xué)影像數(shù)據(jù)又分為CT、MR、DSA、ECT、PET、X線、超聲、內(nèi)鏡數(shù)據(jù)等，診療數(shù)據(jù)又分為醫(yī)囑、處置、手術(shù)記錄、監(jiān)護(hù)數(shù)據(jù)等。

2.2 個(gè)人生物數(shù)據(jù)

個(gè)人生物數(shù)據(jù)，主要指患者通過非醫(yī)療性質(zhì)的第三方機(jī)構(gòu)、第三方設(shè)備產(chǎn)生的數(shù)據(jù)，共6個(gè)子類。包括以基因監(jiān)測(cè)為主的基因組學(xué)大數(shù)據(jù)、蛋白組學(xué)大數(shù)據(jù)[3]，通過血液監(jiān)測(cè)為主的各項(xiàng)生理指標(biāo)數(shù)據(jù)、疾病預(yù)測(cè)數(shù)據(jù)，以及各類智能穿戴設(shè)備產(chǎn)生的健康大數(shù)據(jù)。

2.3 醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)

醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)，主要指醫(yī)療行業(yè)人員撰寫的學(xué)術(shù)專著、宣傳科普等數(shù)據(jù)，共2個(gè)子類。包括以中醫(yī)古籍為主導(dǎo)的古籍文獻(xiàn)數(shù)據(jù)、以及以Medline、PubMed、維普、萬方數(shù)據(jù)庫為數(shù)據(jù)源的現(xiàn)代文獻(xiàn)數(shù)據(jù)。

2.4 公共衛(wèi)生數(shù)據(jù)

公共衛(wèi)生數(shù)據(jù)主要指政府部門基于公共衛(wèi)生健康監(jiān)測(cè)保護(hù)而產(chǎn)生的數(shù)據(jù)，共4個(gè)子類。包括居民健康檔案、婦幼保健數(shù)據(jù)、傳染病疫情數(shù)據(jù)、環(huán)境衛(wèi)生數(shù)據(jù)等。

2.5 管理信息數(shù)據(jù)

管理信息數(shù)據(jù)主要指醫(yī)療管理部門為了保證醫(yī)療正常運(yùn)轉(zhuǎn)而產(chǎn)生的數(shù)據(jù)，共4個(gè)子類。這類數(shù)據(jù)通常包括病人管理數(shù)據(jù)、經(jīng)費(fèi)管理數(shù)據(jù)、藥品管理數(shù)據(jù)、設(shè)備和物資管理數(shù)據(jù)等。

2.6 行業(yè)發(fā)展數(shù)據(jù)

行業(yè)發(fā)展數(shù)據(jù)主要指醫(yī)療健康行業(yè)現(xiàn)狀、行業(yè)發(fā)展預(yù)測(cè)數(shù)據(jù)，共2個(gè)子類。這類數(shù)據(jù)通常包括政策大數(shù)據(jù)、行業(yè)指標(biāo)統(tǒng)計(jì)數(shù)據(jù)等。

3 健康醫(yī)療大數(shù)據(jù)的采集

健康醫(yī)療大數(shù)據(jù)基于采集方式和采集路徑可以分為離線采集、實(shí)時(shí)采集、網(wǎng)絡(luò)采集和其他采集。本文根據(jù)招標(biāo)采購網(wǎng)站抓取相關(guān)數(shù)據(jù)22條，分析得出常用的采集方式。

3.1 離線采集

在11家科研統(tǒng)計(jì)系統(tǒng)醫(yī)院中，全部采用了離線采集方法。研究人員通過醫(yī)院內(nèi)部電子病歷系統(tǒng)HIS進(jìn)行抽取部分信息用于科研分析，政府通過公共平臺(tái)采集各醫(yī)院的死亡率、感染率等。此類數(shù)據(jù)采集面臨各機(jī)構(gòu)數(shù)據(jù)保護(hù)、各系統(tǒng)接口不一、各數(shù)據(jù)名稱不標(biāo)準(zhǔn)的現(xiàn)狀。

3.2 實(shí)時(shí)采集

在7家業(yè)務(wù)系統(tǒng)招標(biāo)的醫(yī)院中，4家需要實(shí)時(shí)觀測(cè)到患者的病理指標(biāo)。如各種電子檢測(cè)設(shè)備產(chǎn)生的數(shù)據(jù)。實(shí)時(shí)采集快速高效，但對(duì)網(wǎng)絡(luò)資源及計(jì)算資源需求大，對(duì)數(shù)據(jù)穩(wěn)定性要求高。

3.3 網(wǎng)絡(luò)采集

3家健康企業(yè)提出網(wǎng)絡(luò)采集的需求，用于資源庫的積累和特定問題的趨勢(shì)分析。如通過爬取社交平臺(tái)數(shù)據(jù)來預(yù)測(cè)流行病的發(fā)展及趨勢(shì)預(yù)測(cè)、通過爬取行業(yè)信息及交易數(shù)據(jù)來預(yù)測(cè)行業(yè)發(fā)展情況。這類數(shù)據(jù)往往存在很多噪聲，且數(shù)據(jù)可信等級(jí)低，不能作為精確指。

綜上所述，健康醫(yī)療大數(shù)據(jù)可以分為6大類，具備大數(shù)據(jù)的4個(gè)特性，但在數(shù)據(jù)采集層面需求不一，也存在許多不足。但隨著大數(shù)據(jù)采集技術(shù)的發(fā)展，高效處理和高質(zhì)量數(shù)據(jù)兼得的情況逐步接近，健康醫(yī)療大數(shù)據(jù)會(huì)發(fā)揮更大的價(jià)值。