基于大数据技术临床诊断决策系统.docVIP

基于大数据技术临床诊断决策系统 　　摘 要：临床诊断决策系统是人工智能在生物医学领域的重要应用，计算机科学和互联网的发展使生物医学领域产生了巨量的数据，大数据的出现为临床诊断决策系统的发展提出新的要求。该文阐述了在大数据时代临床诊断系统的现状和所面临的挑战，并对于大数据时代建立用于临床诊断决策系统权威的、全面的、多领域的数据库进行了探讨。 　　关键词：大数据 临床诊断决策 　　中图分类号：R241 文献标识码：A 文章编号：1672-3791（2015）04（b）-0017-01 　　近年来，随着计算机科学在医学领域的应用，生物医学领域迎来了大数据时代。知识大爆炸对医疗工作提出了严峻的挑战，医师们日益感到现有的知识已经很难跟上突飞猛进的医学发展步伐，即使临床分科有助于缓解这一矛盾，但绝非根本解决方法。因为医学领域知识的快速更新和增长，已远超出医师的学习和掌握限度，而大量的信息和数据更让医师们无所适从。同时大数据技术在生物医学领域的应用也给医学的发展带来了机遇，它可以将传统的医学所提供的“碎片化”的知识信息逐渐拼凑起来，从而以更全面的图景来完整真实的展现生命与疾病[1]。这能使人们对生命机制和疾病机制的理解更全面深入，从而提高疾病预测和临床诊断的效率。 　　SS的现状及面临的挑战 　　CDSS一般包括临床表达模型的建立、逻辑推理和知识库。临床表达模型是系统与用户之间数据的输入和输出部分的操作界面，系统根据手工输入或者从其他系统获得的条件进行判断，从知识库中抽取对应的相关词条或句子显示出来。决策支持系统与医生的工作流程相融合，医生可在工作流程中迅速获得决策支持，可在完全不干预的情况下自动提示，并与电子病历等临床信息系统紧密融合。逻辑推理是利用决策树的原理，对重要关键词语进行判断，把结果与知识库中的关键词进行匹配，等同于一个小型搜索引擎。知识库是临床相关知识的总集，源自权威出版物，并进行结构化处理，按照药品、诊疗指南、专科进行分类整理，这是一项费时且专业性强的工作。 　　美国、英国等发达国家早已将信息技术广泛应用到医药卫生行业[2]，结合各国实际情况制定了促进卫生信息发展的战略规划，开发出许多实用的决策支持系统应用于临床诊断、临床诊疗、临床用药等领域，取得了明显的成效。犹他州盐湖城的Latter Days Sants（LDS）医院开发的是一个与医院信息系统结合的非常完善的决策支持系统的例子。它是一个半自动系统，每次病历更新都会激活决策支持模块。 　　我国CDSS的发展滞后一些，现有的决策系统只有单纯的合理用药系统、处方点评等，存在的临床诊断决策系统也仅仅针对少数单病种。如第四军医大学的骨肿瘤辅助诊断系统，上海大学的产科决策系统及复旦大学的神经外科临床决策系统等等。由解放军总医院药材处和武汉天罡医药软件有限公司共同研制开发的临床用药智能咨询管理系统“e药通”用药指南软件。该系统可根据处方中各种药物自动检索数据，审查处方的合理性和各药物之间是否有相互作用，旨在为临床、药品零售、医师、药师、家庭用药提供药物信息，推动合理、安全用药。但是目前我国生物医学科研部门和医院等所积累的数据大部分处于孤立使用的状态，机构之间的数据共享有限，这很大程度上限制了生物医学研究效率的提高[3]。另外不同科研机构和系统之间的信息数据标准不同，这也限制了机构之间的数据共享。 　　2 基于大数据的CDSS 　　根据不同的数据采集需求，选择使用合适的数据采集平台，并通过流式处理平台进行预处理。根据不同的数据类型，如关系性数据、健值型数据、非结构化数据、半结构化数据、知识型数据、文件数据等，选择或综合使用不同的存储系统。传统数据库/数据仓库已经无法支持海量数据的分析要求，不论是数据复杂度还是数据的规模上都远远无法满足要求，必须要有能够支持多源、多类型、结构化、非结构化的数据整合能力。根据医院数据的特点，使用nosql数据库。另外根据不同的数据挖掘需求，选用不同的分布式计算平台，如基于Map Reduce的计算平台、分布式图计算平台等。比较典型算法有用于聚类的K-means、用于统计学习的SVM和用于分类的Naes，主要使用的工具有Hadoop的Mahout等。通过使用Apache Hadoop库，Mahout还可以有效地扩展到云中，这样就使海量数据整合到一起，为CDSS提供了一个完善的权威的多领域数据库[4]。 　　使用大数据技术分析疾病症状、诊疗规则，不仅能够通过智能诊断减少错误的发生率，还能够不断发现病情之间的隐含联系，开创疾病诊断研究的新领域。与传统诊断相比，它不再依赖于医务人员的专业知识，而是依据数据的潜在联系发现规则，因此更符合循证医学的基本原则。通过建立的知识库和模型通过自我学习的能力，可以记住大多数人的选择而提高检索命中率。临床决