基于BI的医院临床科室综合运营评价模型的设计与实现.docxVIP

PAGE 1 - 基于BI的医院临床科室综合运营评价模型的设计与实现 基于BI的医院临床科室综合运营评价模型的设计与实现 1959〔2021〕08-0019-03 Abstract：Bybuildingahigh-performancedatawarehouse，usingdataminingrelatedtechnologycombinedwithoperationalindicatorstobuildatwo-levelcomprehensiveoperationalevaluationmodelofthehospital，tohelphospitaladministratorsmakefulluseofhospitalbusinessdata，andmoreobjectivelyandefficientlyevaluatetheoperationofhospitaldepartments.Helpthedepartmenttoidentifyproblemsintheoperationprocessandprovidedecisionsupportforthesubsequenthospitaldevelopmentdirection. Keywords：Businessintelligence;Datawarehouse;Hospitalmanagement;Decisionsupport 近年来随着医院信息化建设的飞速进展，尤其是国家电子病历等级评审的要求，医院的信息系统不断深化着应用的范围，在提升医院工作效率，方便患者就医的同时，也积存了海量的业务数据[1]。随着大数据技术的不断进展，商业智能〔BI〕的不断成熟，快速、精确的猎取有用的数据，结合各类算法直接获得分析结果是将来大数据应用的主流方向[2]。本文主要探讨利用BI技术从医院不同业务系统对数据进行抽取、清洗、加载，形成面向主题的数据仓库，并最终通过引入紧密值算法，完成医院临床科室综合运营评价模型的设计。 1BI及其关键技术 1.1数据仓库数据仓库是将不同业务系统中分散的数据，经过抽取、清洗及转换〔extract-transform-load，ETL〕后依据数据分析的要求加载到数据仓库中，为后续数据分析建模做预备[3]。其中，ETL技术是数据仓库技术的核心，通过ETL处理抽取各业务系统中的数据，并通过数据一致性检查、异构数据源标准化处理、缺失数据处理等技术将各系统数据整合到同一主题数据仓库中。数据仓库独立于业务系统数据库之外，在数据仓库中进行数据查询时不会对医院正常业务的产生任何影响，同时与面向事务设计的业务数据库相比，面向主题设计的数据仓库在数据分析决策的应用上，查询效率有极大的提升。 1.2数据挖掘数据挖掘是通过各类算法从海量数据中猎取潜在的信息和学问的过程[4]。数据挖掘技术是大数据时代统计学的技术延长，同时也与近年来热门的人工智能、模式识别和机器学习的搜寻算法和建模技术有着肯定的联系。包括关联和聚类等描述性挖掘方法及分类，以及回来等预报性挖掘方法，数据挖掘的最终目标是依据需求选择合适的分析方法从海量数据中挖掘出有价值的信息[5]。 2紧密值算法基本原理 紧密值法是一种常用的多目标决策分析方法，适用于多项指标的综合评价，其数据模型简洁易懂、评价结果客观合理，因此在績效评价、公共卫生、医疗质量等多个领域都有广泛应用[6]。紧密值法在面对多目标、多维度的指标时，对于同时存在正向指标〔即数值越高越好，如业务工作量〕和负向指标〔即数值越低越好，如药占比〕的进行标准化处理，可以得出各评价指标的“最优点〞和“最劣点〞，并通过计算每个评价对象与“最优点〞及“最劣点〞的距离，最终得到的紧密值的大小可以排出各评价对象的优劣顺序[7]。医院有n个临床科室，每个临床科室有m个评价指标，构建原始数据指标矩阵： 〔i=1，2，…，m;j=1，2，…，n〕，aij是第i个科室第j个指标的原始数据 对原始数据矩阵做同向化处理：当评价指标为正向指标时〔如业务收入、手术量等〕，数值取正值;当评价指标为负向指标时〔如药占比、平均住院日〕，数值取负值。 对不同的指标做标准化处理〔如门诊人次、床位使用率〕，使不同单位或量级的指标可以统一标准。 从标准化矩阵中找到“最优点〞D+及“最劣点〞D-，代表每一项指标的最高分集合和最低分集合。 最优点D+=〔r1+，r2+，…rm+〕 最劣点D-=〔r1-，r2-，…rm-〕 计算出各科室的紧密值，紧密值Ci越小，代表科室各项指标距离最优点越近，距离最劣点越远，综合评价越高。3医院临床科室综合运营评价模型的实现 系统整体接受SAPBusinessObjects技术架构，ETL工具接受SAPDATAServices、前端呈现工具接受SAPBODa