摘 要：数据整合与数据挖掘技术是信息研究领域的两个热门话题，伴随着近年来医院信息化的全面开展与不断深入，信息化管理在整個医疗体系运营中发挥着愈加重要的作用，本文对医疗信息系统领域的数据整合以及数据挖掘的技术和应用进行分析和论述，阐明了未来医疗信息系统的发展前景与趋势。
关键词：数据整合；数据挖掘；数据仓库；医疗信息系统
中图分类号：TP311.13
许多非常有价值的信息资源蕴含在医疗信息系统的医学数据中，这些资源对于实际病例的医疗诊断以及医学方面的研究发展具有重要意义。然而大多数医学机构以及人员对这些数据的利用只局限于简单的数据录入、查询、修改、删除等，其并没有对收集的数据进行系统的分析研究从而得出普遍性的规律，因此很难对实际病例的后继诊断提供有效的科学性决策辅助；针对目前的情况，在数据整合与数据挖掘技术已经日渐成熟[1]的背景下，将其应用于医学，进而对海量的医学数据进行分析并总结各种医治方案的疗效，可以为医院的决策管理、医疗和科研服务，将极大地帮助医生对于明确诊断、治疗病人及促进疾病的研究[2]。
1 数据整合在医疗信息系统中的应用
数据整合指通过共用或者合并两个甚至更多的应用数据，创建具有更多功能应用的过程。传统的商业应用主要是面向对象，他们依据持续的数据结构为商业实体及过程建立模型。此时逻辑方式是通过数据共用或合并进行整合。
目前流行的数据仓库设计模型有以下三类：（1）概念模型。其指的是从客观世界到主观认识的映射，服务于特定的目标设计系统；（2）逻辑模型。其指的是数据仓库的主题的在逻辑上的实现，也就是每个主题所对应的关系表的关系模式。（3）物理模型。逻辑模型的实现依据物理模型，如数据的索引策略、数据存储结构、数据的存储策略与存储分配优化等。下面以医疗保险信息系统与中西医信息结合系统为例介绍数据整合在医疗信息系统中的应用。
1.1 医疗保险信息数据整合（Data Integration）。本文所指的数据整合技术主要指数据仓库技术。医疗保险的数据仓库技术中有三个重要概念：OLAP、ETL与数据仓库模型。
医疗保险信息数据整合的设计任务包括数据仓库设计、数据集市设计以及ETL设计三部分，下面进行详细分析：（1）数据仓库设计，医疗保险信息系统的数据仓库设计包含：物理模型设计与逻辑模型设计。物理模型设计的主要思路是增强数据仓库的性能与数据存储管理功能。逻辑模型设计的主要思路是以参保人为中心，反映参保人与账户、参保人与交易、参保人与机构、参保人与参保险种之间的关系；（2）数据集市设计，因为医保信息管理系统中数据仓库的数据量非常之大，所以加入在上面直接从事数据挖掘或OLAP处理，其效率将出现很大问题，因此就需要建立专门的数据挖掘数据集市和OLAP数据集市从而提高数据挖掘和OLAP的处理效率；（3）数据仓库技术的应用，目前在国内某市医疗保险信息系统中，已经存在数据库使用IBM Informix Dynamic Server V9.4 For Unix，使用HP RP8420小型机作为数据库服务器，使用HPUXVII操作系统系统，使用EMC CX500网络存储系统，使用CognosOLAP作为分析工具。
1.2 中西医学数据整合。其指的是将中医学与西医学的数据整合起来必需的结构体系。在中医的传统理论体系指导F所产生的各类数据包含着这些数据，如中医理、法、方、药，与西医病理、生化、放射、免疫、影像等诊断治疗数据。中西医学数据整合框架指的是考虑如何实现将不同的数据类型、学科数据统一到医学数据中心。
不同的医疗机构对应着不同的学科、不同的数据结构。提出这些医疗机构的数据结构并转换成为XSD的形式可获得与数据中心之间的数据映射。通过Web将医疗机构产生的XML文档提交给医学数据中心，这样也能实现和其他医学数据中心之间的数据交换功能。医疗机构的XSD相对统一，这样能够实现医学数据的自动提交与处理从而实现数据中心数据的自动化集中功能。
2 数据挖掘在医疗信息系统中的应用
数据挖掘指的是从大量的、不完全的、模糊的、随机的实际数据中提取隐藏的、新颖但又是潜在存在用途的高级处理过程。数据挖掘是人工智能、数据库、可视化技术等多个学科交叉的领域。
医学数据挖掘的基本过程包括：（1）认清数目，确定业务对象清晰地进行问题定义是数据挖掘的重要一步；（2）数据准备，挖掘应用的数据并搜索所有与业务对象有关的内部和外部数据信息从而建立真正适合于挖掘算法的分析模型是数据挖掘成功的关键一步；（3）数据挖掘，对准备好的数掘进行挖掘除了选择合适的挖掘算法是重要一步；（4）结果分析，一般会利用可视化技术，使用的分析方法一般应根据数据挖掘操作而定；（5）知识应用，将分析获得的知识综合到业务信息系统的组织结构中去。
目前，医学数据挖掘主要应用领域包括以下几个方面：（1）医学信息系统处理。医院信息指的是医院等医疗机构的内部管理信息，包括设备、药械、财务以及以患者为中心的信息等。以初级操作为基础，对信息的数据关联性分析之后，实现对未来发生发展走向和辅助诊断资料的预测分析，其中包括药品的使用频率、某种疾病的发生以及治疗规律等；（2）医疗活动参考诊断。对历史数据的处理和挖掘之后发现出针对特定病例的典型规律。其一数据量很大，范围很广，因此这些规律具有较好的普遍适用性；其二，依据患者全面的指标信息和数据的记录等能够得到相对公正的诊断结果，去除人为因素的干扰之后，可以更加有利于医学治疗活动有效性的提高；（3）医疗质量信息管理。医疗机构不断提高的服务要求与质量效率问题日益被人重视。医疗质量的重要指标是可以用不同的数据指标来衡量的数据、标准与计划。利用数据挖掘技术，能够找到新的指数规律并验证有效性，在此基础上最大调整并改善质量方案。数据挖掘技术能够为发现提高临床质量潜力以及服务效率证据方面提供很大的帮助；（4）医学图像系统应用。此领域的主要应用为目组织的特性分析，也就是图像特性的自动提取与模式识别。比如在医学方面，CT，PET，SPECT这些诊断工具的应用越来越广泛，但是借助于数据挖掘技术医学图像分析的功能将会更加强大[3]；（5）生物（DNA），人类24对染色体的基因测序已经完成，人类遗传研究已进入一个新的发展阶段。关联分析能够帮助找出样本中在同一时间出现的基因种类，有助于准确地发现基因间的交叉关系与致病规律，路径分析可以找到不同时段的致病基因的规律并提高药物治疗的效率。
3 结束语
医疗数据整合与数据挖掘是计算机技术、人工智能、统计学等和现代医学信息资源相结合的一门交叉学科，涉及面广，难度很大。伴随着数据库、人工智能等数据挖掘工具的不断进步，关联规则等理论研究的不断发展以及大型数据库和网络技术的推广与应用，必定还会有数据量更大、格式更多的医学数据出现。以上均表明了医学数据整合与数据挖掘技术的发展机遇和挑战并存，需要广大计算机、信息技术人员和医务工作者结合医学信息自身具有的复杂性与特殊性，寻找并选定适合医学数据类型本身的数据整合与数据挖掘工具，攻克并掌握好数据整合与数据挖掘处理中的核心技术，尽可能的使数据整合与数据挖掘技术在医学信息获取中的价值得到体现。随着理论研究的深入和更多实践摸索的出现，数据整合与数据挖掘技术将会在医学科研与教学、医院管理以及疾病诊断与治疗等方面发挥越来越重要的作用。
参考文献：
[1]张劲松.保险公司数据挖掘技术应用探索[J].商场现代化（学术版），2004（12）：109-111.
[2]周爱华，郑应平，王令群.医学数据挖掘综述[J].中华医学实践杂志，2005（02）：126-128.
[3]Wang ML，Wai L，Leung K S.Discovery knowledge from medical database using evolutjionary algorithms[J].IEEE Eng Med Biol Mag，2000（04）：45.
作者简介：范一星（1968-），男，浙江杭州人，工程师，研究方向：计算机管理应用。
作者单位：浙江大学校医院信息中心，杭州 310027
推荐访问： 信息系统 挖掘 探讨 整合 医疗