2024(18th) 中國衛生信息技術/健康醫療大數據應用交流大會(2024 CHITEC)將于2024年7月5-7日在重慶舉辦。大會組織平行專題交流及成果與應用技術主題展,全面展示我國衛生健康信息領域卓越實力和水平。
本屆大會上將發布第三屆CHITEC數字醫療健康創新服務典型案例征集結果。自案例征集活動啟動以來,得到全國各醫療衛生機構、高等院校、科研院所的積極響應。
由煙臺毓璜頂醫院申報,醫渡科技旗下醫渡云聯合申報的“醫療大數據驅動的科研平臺建設及應用”案例入選數字醫療健康創新服務典型案例。現與大家進行分享,促進交流合作。
案例名稱:醫療大數據驅動的科研平臺建設及應用
主體申報單位:煙臺毓璜頂醫院
聯合申報單位:醫渡云(北京)技術有限公司
本文內容主要分成以下7個部分:
1、單位簡介
2、針對問題/應用場景
3、創新點
4、關鍵技術及其先進性
5、應用效果
6、社會效益(推廣性)
7、問題與展望
(一)單位簡介
煙臺毓璜頂醫院始建于1890年,其前身是美國長老會創辦的教會醫院。經過130多年的發展,現已發展成為煙臺市最大的綜合性醫療保健中心、三級甲等綜合醫院、山東省區域醫療中心。
醫院設有50個臨床科室、18個醫技科室,其中有國家級重點學科1個,國家臨床重點專科3個,山東省臨床醫學研究中心1個,山東省臨床精品特色專科3個,山東省醫藥衛生重點學科5個,省重點實驗室5個,山東省臨床重點專科30個,山東省中醫藥重點專科3個。
2018年以來,獲國家自然科學基金38項,省級課題96項,發表SCI收錄論文1710篇,最高影響因子168.9分,醫院的整體科研實力和學術水平居國內地市級醫院前列。
醫院網絡信息管理處共33人,其中,博士生1人、研究生13人,本科生19人。分設系統運維組、網絡運維組、安全運維組、維修組。網絡信息管理處全面負責醫院信息化規劃、建設、管理維護工作,全面負責網絡安全建設及管理維護工作。
(二)針對問題/應用場景
醫院經過長期的信息化建設,構建了相對完備的信息化系統。在各平臺的使用過程中,產生了大量的數據,這些數據分散在幾十個甚至上百個臨床系統中。這些來自不同系統的數據之間是完全割裂的,或者只達到了部分聯通。
這些數據除了一些簡單的已經被結構化錄入的數據(如患者性別、檢查種類)外,還有大量數據在錄入系統時,采用的是非結構化方式輸入,如一訴五史、病程記錄、影像檢查報告等。這些非結構化信息往往是更具有臨床價值的信息。
如何能夠充分挖掘利用醫院積累的千百萬份病歷數據?
如何讓數據提供科研靈感?
如何把數據轉化為有價值、促學科發展的資產?
如何快速利用這些數據,進行成果轉化,支持未來實現精準醫療?
“科研構思難、數據獲取難、想法驗證難、數據處理難”的傳統科研模式已無法實現以上問題,為推進信息標準化工作,促進標準的規范和實用,實現分散數據資源的集成和利用,實現醫院的大數據挖掘和利用,以及真正的知識庫和高級決策支持,基于大數據及人工智能技術進行臨床研究的新模式應運而生。
(三)創新點
1. 層次醫療術語抽取技術
基于對病歷數據的理解,特別設計了一種基于多層次醫療術語抽取技術的醫學自然語言處理方法,以實現對病歷自由文本的語義分詞。通過機器學習技術與語義分詞的結合,可以持續完善分詞的準確度和精細度。這種模式可以替代傳統的數據摘抄模式,在提高數據獲取效率的同時,為科研提供了更廣泛的數據資源。
2. 在線統計建模
實現醫學統計算法的集成與嵌入,數據無需導出即可進行線上實時統計分析,結果快速可靠。除覆蓋比較均值分析、回歸分析、相關分析等基本統計分析算法外,還引入了高級挖掘算法,如:決策樹和主成分分析等。降低了科研統計專業的門檻,方便醫生隨時驗證研究想法,快速生成統計結果。
(四)關鍵技術及其先進性
基于云計算及大數據技術,整體采用Hadoop 2.0技術框架及Spark并行計算框架,采用了應用與計算能力的架構設計,并采用了Docker封裝技術。 完成整個大數據平臺的數據處理工作,其具備的基礎功能有:OGG / CDC / ETL等技術、結構化、清洗歸一、數據挖掘、索引構建、機器學習等。
大數據平臺需要解決數據獲取、數據清洗等方面的工作,將醫院的醫療信息子系統的數據進行抽取、同步、匯集、結構化、映射到兼容國際國內醫療數據規范標準的全局標準、統一的數據結構平臺中,對字段信息清洗和語義歸一,為上層應用服務提供準確的基礎數據支撐和業務模型訓練。
將醫院各相關應用系統的數據庫作為數據源,通過ETL等工具進行數據的抽取同步清洗轉化,在此過程中,著重對患者的敏感信息進行處理,然后加載到醫院標準數據的Schema數據倉庫中,先做數據集中,然后進行清洗和關聯操作,這個過程參考HL7相關標準,建立臨床數據標準的數據集,數據加工的過程做“數據歸一處理”,形成面向應用的標準數據集。
另外,醫生在臨床工作中會記錄大量自然語言信息,非結構化數據,這部分數據在既往是無法挖掘的。通過自然語義處理技術,結合醫療專業術語的語義結構,按照臨床專家的醫學邏輯,進行數據處理,將原始的自然語言表達分析處理為結構化的可用數據,為后續的應用、挖掘、機器學習提供基礎數據支持。通過醫用術語的歸一和結構化處理后,再進行檢索時,一并獲取檢索結果。
(五)應用效果
截至2024年03月,已入庫治理6大廠商,12個信息系統的臨床數據8000余萬條,包括800多萬份病人和超過600萬份病歷數據。形成數據治理規則3000余條,結構化數據指標2857個,數據質量核查規則1240個,基于此建立多病種疾病數據模型。
已支撐面向冠心病、耳鼻喉疾病、甲狀腺腫瘤、生殖遺傳病、乳腺疾病、泌尿系腫瘤、哮喘7個科研科室建立了專病數據庫庫,已有20余個研究模型成果轉化反哺臨床。
1. 建立醫院高質量數據資產
以疾病為單元,構建覆蓋患者全病程數據的科研數據庫,通過自然語言處理、機器學習等技術使多源異構的臨床數據變成滿足臨床研究細粒度要求、可直接用于臨床研究統計分析使用的結構化、標準化的高質量數據,為醫院實現數據應用奠定堅實的研究級數據基礎。
2. 構建智能化臨床研究分析平臺
臨床研究平臺融合人工智能技術,實現復雜的患者檢索、靈活的項目管理、全面的數據質量管控、自動化數據清洗、高效的數據分析挖掘等功能,輔助醫生提高科研效率,降低臨床研究門檻,提升科研積極性。
3. 助力醫院成為數據驅動型醫院
通過歷史電子醫療數據和實時醫療數據的集成與治理,建設醫院特色的高質量專病數據資產庫,依托大數據平臺,充分挖掘醫院醫療大數據,構建“臨床行為產生數據,洞察數據輔助決策,反饋臨床行為”的數據驅動閉環流程,從而以數據的角度提高醫院臨床治療效果與臨床質量。
(六)社會效益(推廣性)
通過建立科研專病數據庫,整合、加工院內符合標準的患者診療信息,實現臨床醫生對精準患者臨床全量數據的結構化存儲和管理,實現數據快速更新,高效復雜檢索,多項目管理等需求,確保數據質量,提高科研效率。
科研專病數據庫的建立對相關病種數據進行標準化描述、深度分析應用,為實現醫學大數據精準科研工作應用提供重要工具。
科研信息平臺應用的意義在于,科研課題與成果由以數量取勝逐漸轉變為數量穩定, 層次不斷攀升,高水平成果、論文、學術研究等大幅度提升, 體現出科技是第一生產力和“科技興醫、質量興院”的強大世態, “數字化醫院管理、人性化醫療流程、高水平科技創新、低成本高效經營”的戰略目標逐步實現。
(七)問題與展望
基于人工智能技術的科研專病數據庫建設,實現了數據的重復利用和價值提升,專科疾病隊列建設的意義在于為疾病的早期預防和干預提供數據依據,優化個體化醫療決策和治療策略,推動臨床轉化和新療法研發。
因此,建立和維護一個全面、準確、實時更新的專病數據庫對于科研和臨床實踐非常重要。
通過整合和共享專病相關數據,促進專病研究的進展,并為臨床醫生提供更好的決策支持。在技術的推動下,我們期待科研專病數據庫能夠更加全面、準確和智能,對我國疾病的預防、治療和管理產生深遠影響,為人類健康做出更大的貢獻。
