醫療行業大數據應用實例232023/7/3醫療行業大數據應用實例23outline一、醫療與大數據的趨勢二、醫療大數據的應用場景三、案例分析醫療行業大數據應用實例23一、醫療與大數據的趨勢二、醫療大數據的應用場景三、案例分析醫療行業大數據應用實例23醫療費用在不斷上升

GDP的占比非常高10-19%0-9%趨勢分析:我們正處在醫療行業的一個重要轉折點

%

of

population

over

age

60

30+

%

25-29%

20-24%

2050

WW

Average

Age

60+:

21%Source:

United

Nations

“Population

Aging

2002”

全球老齡化

平均年齡60+的人:目前的10%,到2050年將到達20%

以美國為例:醫療大數據的價值3千億美元/年,相當于每年生成總

值增長0.7%醫療行業大數據應用實例23到2020年，醫療數據將會急劇增長到35ZB,相當于2009年數據量的44倍增長。01500010000

50002010

2011

2012

2013

2014

2015趨勢分析:我們正處在醫療行業的一個重要轉折點

存儲的增長

醫療服務產生的數據總量(PB)AdminImagingEMREmailFileNon

Clin

ImgResearch

一個CT圖像含有大約150MB的數據，而一個基因組序列文件大小約750MB，一個標準的病理圖則大得多，接近5GB。如果將這些數據量乘以人口數量和平均壽命，僅一個社區醫院或一個中等規模制藥企業就可以生成和累積達數個TB甚至數個PB級的結構化和非結構化數據。醫療行業大數據應用實例23一、醫療與大數據的趨勢二、醫療大數據的應用場景三、案例分析醫療行業大數據應用實例23醫療大數據應用場景醫療行業產生的數據量主要來自于PACS影像、B超、病理分析等業務所產生的非結構化數據。人體不同部位、不同專科影像的數據文件大小不一，PACS網絡存儲和傳輸要采取不同策略。面對大數據，醫療行業遇到前所未有的挑戰和機遇。醫療行業大數據應用場景非常多，右圖僅以臨床操作和研發為例，展示醫療行業大數據應用場景。對于公共衛生部門，可以通過過覆蓋全國的患者電子病歷數據庫，快速檢測傳染病，進行全面的疫情監測，并通過集成疾病監測和響應程序，快速進行響應。比較效果研究臨床操作臨床決策支持系統醫療數據透明度遠程病人監控研發預測建模提高臨床試驗設計的統計工具和算法疾病模式的分析7醫療行業大數據應用實例23一、醫療與大數據的趨勢三、案例分析二、醫療大數據的應用場景醫療行業大數據應用實例23臨床醫生的知識更新無法與急劇增長的醫學知識同步。對大批量的常規決策工作，自動化決策效率更高(如大量的常規實驗室檢測和數據分析等)。人有時會犯錯誤或失誤，當然醫生也不例外(復雜病例和常見病例都會出錯),使用臨床決策支持系統，可以提醒專家沒在意的或沒有發現到的病人信息，從而提高診斷準確性對醫學院學生，成熟專業的臨床支持系統可能是他們學習專業知識和專家經驗的方便可得的廉價的老師，同時也是他們初入醫院實習工作的非常好的助手。臨床決策支持系統的功能和作用醫療行業大數據應用實例23案例分析醫療行業大數據應用實例23基于知識庫的CDSS

大部分CDSS屬于此類，它由三大模塊組成：知識庫、推理機和通訊模塊。知識庫存儲著編譯好的醫學知識，推理機則根據知識庫里的規則，以及患者的資料進行自動分析。分析的結果通過通訊模塊反饋給用戶。例如：MYCIN非基于知識庫的CDSS主要是通過機器學習從已有的經驗中自動攫取規則。醫療行業大數據應用實例23MYCIN系統

MYCIN系統是由斯坦福(Stanford)大學建立的對細菌感染疾病的診斷和治療提供咨詢的計算機咨詢專家系統。醫生向系統輸入病人信息，MYCIN系統對之進行診斷，并提出處方。細菌傳感疾病專家在對病情診斷和提出處方時，大致遵循下列4個步驟：確定病人是否有重要的病菌感染需要治療。為此，首先要判斷所發現的細菌是否引起了疾病。(2)確定疾病可能是由哪種病菌引起的。(3)判斷哪些藥物對抑制這種病菌可能有效。(4)根據病人的情況，選擇最適合的藥物。醫療行業大數據應用實例23咨詢開始時，先啟動咨詢系統，進入人機對話狀態。在對話過程中，系統向用戶提出必要的問題，進行推理。當結束咨詢時，系統自動地轉入解釋子系統。解釋子系統回答用戶的問題，并解釋推理過程。解釋時，系統顯示說明為什么需要某種信息，以及如何得到某個結論。這樣做的主要目的是為了使醫生容易接受系統的結論。醫療行業大數據應用實例23動態數據庫中的數據表示數據庫中的數據都用如下形式的三元組描述：(對象屬性值）1.“對象”又稱為上下文，它是系統要處理的實體，例如：PERSON(病人）2.“屬性”又稱臨床參數,用于描述相應對象的特征，例如“病人”的姓名、年齡、性別。3.“值”是指相應屬性的值，根據屬性的不同類別，其值可以是一個或多個。對象屬性值病人-1性別((男1.0))病人-1藥物過敏((青霉素1.0)(氣芐青霉素1.0))病原體-1鑒別名<(鏈球菌0.6)(葡萄球菌0.4))醫療行業大數據應用實例23MYCIN采用上下文樹(Contexttree)來表示問題,一棵上下文樹構成了對一個病人的完整描述。醫療行業大數據應用實例23知識庫的知識表示領域知識的表示領域知識用規則表示,其一般形式為：RULE***IF<前提>THEN<行為>

例如對如下規則：RULE047如果：（1）病原體的鑒別名不確定，且（2）病原體來自血液，且（3）病原體的染色是革蘭氏陰性，且（4）病原體的形態是桿狀的，且（5）病原體呈赭色那么：該病原體的鑒別名是假單胞細菌，可信度為0.4。醫療行業大數據應用實例23靜態知識的表示（屬性特性的表示）

從臨床參數（屬性）的角度來看，可認為每個臨床參數都具很多種特性。主要特性有：MEMBEROF:按所描述的對象不同迸行分類時，臨床參數所屬的類型名，例如:PRO-PToVALUTYPE:臨床參數是單值、二值還是多值。PROMPT:用于向用戶提問一個單值或二值參數的值。LABDATA：用于指出相應參數的值是否可從用戶那里獲得。對象屬性值BURNMEMBEROFPRO-PTBURNVALUTYPEBINARYBURNPROMPTIs*aburnpatient?BURNLABDATA1醫療行業大數據應用實例23

推理策略：

MYCIN的咨詢系統采用逆向推理（目的驅動）過程。在咨詢開始時，首先例示上下文樹中的根節點。根節點屬于PERSON類型的上下文。例示包括以下3步：

(1)賦于這個上下文一個名稱；

(2)把這個上下文加到上下文樹上去；

(3)馬上跟蹤這類上下文的MAINPROPS表中的參數。

實例示范：

系統首先在數據庫中建立一棵上下文樹的根節點,并為該根節點指定一個名字PATIENT-1(病人-1)，其類型為PERSON。

PERSON的屬性為(NAMEAGESEXREGIMEN),其中前三項都具LABDATA特性，即可通過向用戶詢問得到其值。于是系統向用戶提出詢問。

用戶輸人病人的姓名、年齡及性別，并以三元組形式存入數據中。REGIMEN不是LABDATA屬性，必須由系統推出。

醫療行業大數據應用實例23為了得到REGIMEN,系統將開始推理過程。推理時首先運用的一條規則是RULE092。規則092

IF存在一種病菌需要處理

某些病菌雖然沒有出現在目前的培養物中，但已經注意到它們需要處理

THEN根據病菌對藥物的敏感情況，編制一個可能抑制該病菌的處方表

從處方表中選擇最佳的處方

ELSE病人不必治療規則092的前提部分涉及到臨床參數TREATFOR，它是一個NONLABDATA,因而系統調用TREATFOR的UPDATEI-BY特性所指出的第一條規則090。

醫療行業大數據應用實例23規則090：

IF已知細菌的類別

存在和這種細菌的出現有關的顯著的病癥

THEN肯定存在一種需要處理的細菌(可信度1.0)檢查它的前提是否為真，此時如果該前提所涉及到的值是可向用戶詢問的，就直接詢問用戶,否則再找出可推出該值的規則。如此反復進行，直到最后推出PATIENT-1的主要臨床參數REGIMEN為止。醫療行業大數據應用實例23發展障礙

醫學知識的復雜性導致了系統設計時需要考慮非常多的因素，如患者的癥狀、體征、實驗室檢查數據、家族史、基因、流行病學資料、現有的醫學文獻等等。而且，每年發表的臨床研究數以千計，而且不少研究彼此矛盾，大量的數據導致了系統維護上存在困難。目前成功用于診斷環節的CDSS常常局限于某個領域，比如，1971年上線使用的Leeds腹痛診斷系統，其診斷的正確率高達91.8%，而醫生的診斷正確率在79.6%。但這套系統僅能用于腹痛的診斷。臨床工作的復雜性也增加了系統整合的難度。目前大多數系統仍獨立于臨床工作流程，這導致了醫生需要獨立打開CDSS，然后花費時間錄入患者資料，降低了工作效率。目前整合比較成功的案例是藥房系統和賬單系統。因為藥房工作相對簡單，CDSS主要解決藥物相互作用問題，比較容易設計。CDS