大数据背景下中医电子病历关键问题研究

发布时间：2020-08-12 21:24

【摘要】：医疗部门既是大数据时代的推动者,也是参与者,中医临床数据具有典型的大数据特征,其数据体量巨大,数据类型复杂,中医电子病历包含大量有价值,具有“中医特征”的临床信息。中医药信息化发展“十三五”规划指出,建立中医电子病历专题信息资源库,完善中医药基础信息资源动态更新和共享应用机制。组织和引导开发中医药数据资源,全面提升信息采集、处理、传输、利用、安全能力,释放数字红利,促进信息消费。互联网、社交网络、可穿戴设备等的广泛应用扩充和丰富了中医电子病历的数据来源,数据体量增加,大数据背景下中医电子病历数据应用需求和应用方式也发生了变化,传统医学信息化方式无法灵活、有效地应对。对国内外研究现状分析表明针对中医大数据的研究还处于初始阶段,有关中医电子病历大数据的研究甚少,仍然面临以下关键问题的挑战:①缺乏一种符合中医特色,能屏蔽数据资源的异构性和复杂性的,面向多角色的中医电子病历大数据共享服务架构;②现有中医电子病历存储系统结构单一,缺乏对非结构化以及半结构化电子病历数据的合理有效的存储方案,缺少数据共享和数据安全的保障;③面对大规模的中医电子病历数据,传统数据挖掘方法需花费大量时间和内存空间,严重降低了中医电子病历数据分析的效率。为解决上述问题,以大数据生命周期和大数据处理流程为主线,本文对中医电子病历大数据服务架构、存储方案、数据挖掘方法等进行系统的研究。(1)提出基于多数据源面向多角色的中医电子病历大数据服务架构。采用自顶向下(top-down approach)的研究方法,将文献调查、专家咨询、实地调研相结合,对国内外研究现状及中医电子病历大数据内涵进行总结归纳,分析大数据背景下中医电子病历数据来源、中医电子病历中医特色以及用户角色需求,根据调查分析结果归纳中医电子病历大数据服务框架,从顶层设计角度把握中医电子病历大数据服务整体要素,提出整体设计方案。服务架构包括数据采集层、数据存储层、数据分析层和数据应用层。(2)设计基于MongoDB的中医电子病历大数据共享存储方案。研究大数据背景下中医电子病历数据存储格式和存储需求,基于医疗信息存储和交换的国际标准HL7 CDA对中医电子病历文档进行规范约束,设计中医电子病历CDA文档章节和条目,并通过对CDA模板中各元素的嵌套和细化实现中医电子病历数据信息的规范化表示,以实现中医电子病历区域共享。分析传统关系型数据库在非结构化和半结构化数据存储方面的缺陷和不足,基于NoSQL数据库中的MongoDB数据库设计中医电子病历存储方案,实现HL7 CDA文档、声音、图片以及医学影像的一体化存储,并以疾病类型、患者ID为基础建立数据组织和存储规则,建立数据集之间横向和纵向的关联,为中医电子病历的检索查询、分析挖掘奠定基础。研究中医电子病历共享存储的安全问题,在充分论证现有标准、法律法规以及相关技术基础上提出电子病历隐私数据保护方法。(3)大数据背景下中医电子病历数据挖掘研究与实现。对比大数据挖掘与传统数据挖掘的区别,研究大数据挖掘工具和方法,分析中医大数据挖掘的理念和流程。为适应大数据背景下中医电子病历日益增长的数据量,对经典的关联规则Apriori算法进行基于Hadoop平台的并行化改良,并利用并行化Apriori算法对中风病中医电子病历中药处方配方规律进行实例挖掘,验证了改良算法的可行性和性能优越性。本论文是将大数据技术理念应用于中医电子病历数据服务的研究初探,通过对中医电子病历数据采集、存储、分析与应用中关键问题的研究与实践,弥补传统数据处理方法在中医大数据处理上的不足与缺陷,为大数据技术在中医药领域的具体应用提供了重要的理论支持和实践指导。
【学位授予单位】：山东中医药大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：R197.4
【图文】：

架构图,架构,组件,分布式文件系统

图２－１邋Ｈａｄｏｏｐ组件及架构逡逑２．邋２．邋２邋ＨＤＦＳ逡逑ＨＤＳＦ是一个分布式文件系统，类似于Ｇｏｏｇｌｅ邋ＧＦＳ的开源的分布式文件系统，逡逑不同于ＧＦＳ的是它具有相当强大的容错性，而且可以部署在普通的廉价的机器上。逡逑它还可以提供高吞叶量来访问应用程序的数据，这对于需要大数据处理的应用来逡逑说是项非常重要的特征。ＨＤＦＳ可以采用流式的方式进行数据访问，放宽了可逡逑以只操作系统的接口。与ＧＦＳ类似的是，ＴＯＦＳ可以采用多副本存储，保证了数逡逑据存储的可靠性。逡逑２．２．邋３邋ＭａｐＲｅｄｕｃｅ逡逑ＭａｐＲｅｄｕｃｅ并行编程框架米用Ｍａｐ和Ｒｅｄｕｃｅ函数提供Ｊ＂两个尚层的并彳了编逡逑

程序图,程序,调度作业,执行流

在Ｈａｄｏｏｐ并行计算架构上，Ｈａｄｏｏｐ使用ＪｏｂＴｒａｃｋｅｒ作为ＭａｐＲｅｄｕｃｅ的主逡逑控节点，用来管理和调度作业的执行，用ＴａｓｋＴｒａｃｋｅｒ管理每个从节点上任务的逡逑执行。图２－２展示了一个用户客户端提交的ＭａｐＲｅｄｕｃｅ程序的执行流程。逡逑丨＾：逦？，：：Ｔ邋ｆ，熠：摩－？逡逑—／逦邋！逦Ｌ逦丨碘沙、：上：、逦、、、＇逡逑／邋，邋１邋＼邋？＿．、、：、逡逑／邋，邋逦逦邋＼邋＼、＼邋逦逡逑／逦—邋一、，，逦Ｉ邋＇、、￣逦＂逡逑．，一＾邋１—ｒ逦ｊ邋一邋＿邋一一邋邋一一卜逡逑卜：逦－逦厂逡逑（＇－Ｊ逦？邋］逡逑Ｋ逦逦邋ｊ逦／逦逦／逦Ｉ邋？逦逦１逡逑（逦构出义邋ｔｔ逦／－？＂逦￣ｊｖｉｎ逦ｊ邋１，１邋ａｋ逦ｊｖｍ＇逡逑、一、邋ｌ—＼逦｜逦一邋、＇、？、？？逦卜丨广邋１逡逑、＂、、、一，’逦丁、、＼逦ｆ逡逑＾逦、、？逦＊ｉ逡逑ＨＤＦＳ分布未文汴长饫逦

体系结构图,体系结构

但是底层对Ｗ）ＦＳ和ＭａｐＲｅｄｕｃｅ的依赖使其区别于传统数据库，它利用ＭａｐＲｅｄｕｃｅ逡逑编程技术，可直接用类似ＳＱＬ的语言——ＨｉｖｅＱＬ，提供数据仓库所需要的数据抽逡逑取转换、存储管理和查询分析功能，Ｈｉｖｅ的体系结构如图２－３所示。逡逑命令行接口逦ＪＤＢＣ／ＯＤＢＣ逦网络接口逡逑＼财／逡逑＾逦（编译器、优化＜逦ｕ．逡逑器＇执行器）逦出代逡逑ＪｏｈＴｒａｃｋｅｒ逦ＮａｍｅＮｏｄｅ逡逑ＤａｔａＮｏｄｅ逡逑＆逡逑ＴａｓｋＴｒａｃ邋ｋｃｉ逡逑Ｊ逦Ｈａｄｏｏｐ逡逑图２－３邋Ｈｉｖｅ的体系结构图逡逑２．邋２．邋６邋Ｍａｈｏｕｔ逡逑Ｍａｈｏｕｔ起源ｆ邋Ａｐａｃｈｅ邋Ｌｕｃｅｎｅ的子项目，它的主要目标是建立可扩展的机逡逑器学习算法，包含聚类、分类、推荐引擎、频繁项集的挖掘等，帮助开发人员方逡逑便地创建智能应用程序。Ｍａｈｏｕｔ算法运行在Ｈａｄｏｏｐ平台下，它通过ＭａｐＲｅｄｕｃｅ逡逑校式丈现，Ｍａｈｏｕｔ．在巾．个节点或非Ｈａｄｏｏｐ平台也可以提供很好的支持，并具有逡逑良好的性能。逡逑１３逡逑

【相似文献】