一种医疗数据处理平台的制作方法

本发明涉及数据处理领域，尤其涉及一种医疗数据处理平台。

背景技术：

近几年来，随着医疗技术的不断发展，医疗数据迅速增长，基于医疗大数据的分析及决策支持也开始流行起来。但是随着医院的规模不断增大，医疗的数据量不断增加，his、lis、pacs等各个管理系统这些简单的业务分析已经不能满足区域医疗平台对管理和发展的需求。

商务智能的出现为业务数据的深入分析与挖掘提供了可能，但是与医院相结合的商务智能分析还处在起步阶段，特别是针对医疗领域的智能分析尤为缺乏。医院需要从医院业务出发对现有的医疗数据进行更深层次的挖掘与分析，才能找出医院自身发展中的问题并且对未来的发展做出正确的决策。

技术实现要素：

本发明的目的是针对现有技术的缺陷，提供一种医疗数据处理平台，能够实现对医疗数据的不同角度的多维分析，便于卫生管理与医药工作者从不同的视角进行分析问题，并且，能够从已有的数据中找出新的有价值的信息，实现对医疗数据的多属性综合分析。

有鉴于此，本发明实施例提供了一种医疗数据处理平台，包括：

数据获取单元，用于根据预设时间间隔获取多个医疗平台的医院信息系统数据库、实验室信息系统数据库、影像归档和通信系统数据库中的医疗数据；

数据整合单元，用于根据数据库的类型获取相对应的预设规则，根据所述预设规则对相对应的医疗数据进行数据整合，根据所述整合后的医疗数据建立平台数据仓库；

bi数据处理单元，用于对所述平台数据仓库中的医疗数据进行数据抽取、转换和加载，得到商业智能数据库；对医疗管理决策、医疗诊断和科研需求进行分析，得到第一业务维度、第一指标维度和第二业务维度、第二指标维度；

olap数据分析模型单元，根据所述医疗平台的第一业务维度和第一指标维度建立多维度的数据分析模型；根据多维的数据分析模型对所述商业智能数据库中的医疗数据进行数据分析，得到多维数据分析结果；

数据挖掘模型单元，用于根据所述医疗平台的第二业务维度和第二指标维度建立多维度的数据挖掘模型；根据多维度的数据挖掘模型对所述商业智能数据库中的医疗数据进行数据挖掘，得到多维数据挖掘结果；

bi展示单元，用于根据预设表现形式对所述多维数据分析结果和多维数据挖掘结果进行展示，其中，所述预设表现形式为折线图、条形图、扇形图、散点图、仪表盘、雷达图以及表格中的一种或多种。

优选的，所述olap数据分析模型单元还用于根据所述第一业务维度和第一指标维度在所述商业智能数据库中获取相应的医疗数据；根据所述医疗数据对所述数据分析模型进行多次训练、测试与评估。

优选的，所述数据挖掘模型单元还用于对所述多维度的数据挖掘模型进行多次训练、测试与评估。

进一步优选的，所述数据挖掘模型单元具体用于根据所述数据挖掘模型设定输入项目和输出项目；所述输入项目包括第一时间周期，所述输出项目包括第二时间周期；根据所述输入项目和所述第一时间周期在所述商业智能数据库中获取相对应的医疗数据；将所述获取到的医疗数据输入所述数据挖掘模型，所述数据挖掘模型对所述医疗数据进行处理后得到预测输出数据；所述预测输出数据包括置信区间；根据所述输出项目和第二时间周期获取相对应的医疗数据，并进行汇总分析，得到实际输出数据；将所述预测输出数据与所述实际输出数据进行对比，得到误差数据；根据多次训练、测试得到的多个误差对所述数据挖掘模型进行评估。

进一步优选的，所述数据挖掘模型单元具体用于根据所述数据挖掘模型设定输入项目和输出项目；所述输入项目包括患者信息、检查信息、诊断信息和医疗费用信息；所述输出项目包括疾病影响因子列表、患病分析列表、疾病特征列表或费用影响因素列表，所述列表中包括项目信息和相对应的概率信息；根据所述输入项目和预设数量所述商业智能数据库中获取相对应的医疗数据；将所述获取到的医疗数据输入所述数据挖掘模型，所述数据挖掘模型对所述医疗数据进行处理后，根据所述输出项目输出输出数据；增加所述预设数量，对所述数据挖掘模型进行多次训练和测试，得到多个输出数据；将所述多个输出数据进行对比分析，根据所述分析结果对所述数据挖掘模型进行评估。

优选的，所述数据整合单元还用于更新所述平台数据仓库中的医疗数据。

进一步优选的，所述bi数据处理单元还用于根据更新后的平台数据仓库更新所述商业智能数据库。

进一步优选的，所述olap数据分析模型单元还用于根据更新后的商业智能数据库对所述数据分析模型进行训练、测试与评估。

进一步优选的，所述数据挖掘模型单元还用于根据更新后的商业智能数据库对所述数据挖掘模型进行训练、测试与评估。

本发明实施例提供的一种医疗数据处理平台，能够实现对医疗数据的不同角度的多维分析，便于卫生管理与医药工作者从不同的视角进行分析问题，并且，能够从已有的数据中找出新的有价值的信息，如预测，描述，聚类，分类，影响因素分析、相关因素分析等，实现对医疗数据的多属性综合分析。

附图说明

图1为本发明实施例提供的一种医疗数据处理平台的结构示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1为本发明实施例提供的一种医疗数据处理平台的结构示意图，如图1所示，包括数据获取单元1、数据整合单元2、bi数据处理单元3、olap数据分析模型单元4、数据挖掘模型单元5和bi展示单元6。

数据获取单元1可以通过数据采集引擎实现，数据获取单元1的作用是根据预设时间间隔获取多个医疗平台的医院信息系统数据库、实验室信息系统数据库、影像归档和通信系统数据库中的医疗数据。其中，本领域技术人员可以根据需要对预设时间间隔进行设定，比如可以设定为1天、一周等，从而可以及时获取各个医疗平台更新的医院信息系统数据库、实验室信息系统数据库、影像归档和通信系统数据库中的医疗数据。

医院信息系统数据库(hospitalinformationsystem，his)，是覆盖医院所有业务和业务全过程的信息管理系统，是利用电子计算机和通讯设备，为医院所属各部门提供病人诊疗信息和行政管理信息的收集、存储、处理、提取和数据交换的能力并满足授权用户的功能需求的平台。

实验室信息系统数据库(laboratoryinformationmanagementsystem，lis)，通过门诊医生和住院工作站提出的检验申请，生成相应患者的化验条码标签，在生成化验单的同时将患者的基本信息与检验仪器相对应；当检验仪器生成结果后，系统会根据相应的关系，通过数据接口和结果核准将检验数据自动与患者信息相对应，从而实现检验信息电子化、检验信息管理自动化的网络系统。

通信系统数据库(picturearchivingandcommunicationsystems，pacs)，应用在医院影像科室的系统，主要的任务就是把日常产生的各种医学影像(包括核磁，ct，超声，各种x光机，各种红外仪、显微仪等设备产生的图像)通过各种接口(模拟，dicom，网络)以数字化的方式海量保存起来。

具体的，数据获取单元1通过区域内各个医院的数据接口分别获取各个医院的医院信息系统数据库、实验室信息系统数据库和影像归档和通信系统数据库中的医疗数据，需要说明的是，在医疗数据的获取数据库包括但不限于上述医院信息系统数据库、实验室信息系统数据库、影像归档和通信系统数据库三种数据库。本领域的技术人员可以根据需要对所述区域以及医院的数量进行设定。

数据整合单元2的作用是根据数据库的类型获取相对应的预设规则，根据预设规则对相对应的医疗数据进行数据整合，根据整合后的医疗数据建立平台数据仓库。需要说明的是，每个类型的数据库对应不同的预设规则，预设规则中包括对数据的储存格式、结构和类型的要求等，也就是说，对于医院信息系统数据库、实验室信息系统数据库、影像归档和通信系统数据库中的医疗数据分别采用相对应的预设规则进行数据整合，并根据整合后的医疗数据建立平台数据仓库。

bi数据处理单元3有两个作用，一个是对平台数据仓库中的医疗数据进行数据抽取、转换和加载，得到商业智能数据库。数据抽取是指从平台数据仓库抽取目的数据源系统需要的数据；数据转换是指将从源数据源获取的数据按照业务需求，转换成目的数据源要求的形式，并对错误、不一致的数据进行清洗和加工；数据加载是指将转换后的数据装载到目的数据源。该过程的目的是负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市，即商业智能数据库中，成为联机分析处理、数据挖掘的基础。

bi数据处理单元3的另一个作用是对医疗管理决策、医疗诊断和科研需求进行分析，得到第一业务维度、第一指标维度和第二业务维度、第二指标维度；其中，其中，第一业务维度、第一指标维度用于数据分析，第二业务维度、第二指标维度用于数据挖掘，第一业务维度和第二业务维度可以相同也可以不同，本领域技术人员可以根据需要进行设定。

第一业务维度是指决策分析主题，具体可以包括医疗数质量运营管理决策、人力资源决策、财务决策、物资管理决策、服务决策、实时临床决策、临床路径和科学研究决策，第一指标维度是指基于第一业务维度的分析指标，比如医疗数质量运营管理决策对应的分析指标可以为住院收治主题、手术主题、麻醉主题；人力资源决策的分析指标可以为绩效主题、业务信息、基本信息主题；财务决策的分析指标可以为医疗收入主题、医疗成本主题；物资管理决策的分析指标可以为医用耗材主题、医疗设备主题、后勤物资主题；服务决策的分析指标可以为住院收治预测主题、平均住院日预测主题；实时临床决策的分析指标可以为实时临床决策、临床诊疗主题、医疗质量控制主题；临床路径的分析指标可以为临床路径、通用指标监控主题、临床路径与非临床路径对比主题、单病种关键实施路径监控主题；科学研究决策的分析指标可以为询证医学主题、临床科研主题。

第二业务维度具体可以包括服务决策类、医疗诊断与科研类和财务管理类，第二指标是指基于第二业务维度的分析指标，比如服务决策类对应的第二指标可以为挂号情况预测、就诊情况预测、出诊情况预测、诊断情况预测、出院情况预测、出院日情况预测、危重率情况预测、有创手术情况预测、无创手术情况预测、床位使用率情况预测、床位周转天数情况预测、就诊时间分析；医疗诊断与科研类对应的第二指标可以为疾病病因分析、病种预测分析、患者模式识别、并发病种关联分析、智能处方推荐、用药组合分析、疫情监测分析、麻醉分析、药物异常反应分析、病情演化分析；医疗诊断与科研类的第二指标可以为疾病病因分析、病种预测分析、患者模式识别、并发病种关联分析、智能处方推荐、用药组合分析、疫情监测分析、麻醉分析、药物异常反应分析、病情演化分析；财务管理类的第二指标可以为成本预警分析、科室成本预测分析、项目成本预测分析、病种成本预测分析、院级成本预测分析、科室收入预测分析、项目收入预测分析、病种收入预测分析、院级收入预测分析、医保收入预测分析、医疗费用异常分析、住院费用影响因素分析。

需要说明的是，本领域技术人员可以根据需要对第一业务维度、第一指标维度和第二业务维度、第二指标维度进行设定。

olap数据分析模型单元4的作用是根据医疗平台的第一业务维度和第一指标维度建立多维度的数据分析模型；具体的，每一个第一指标维度均可建立一个维度的数据分析模型，从而根据医疗平台的第一业务维度和第一指标维度建立多维度的olap数据分析模型。

在此之后，需要用大量的数据对多维度的模型进行训练，即根据第一业务维度和第一指标维度在商业智能数据库中获取相应的医疗数据；根据医疗数据对相对应的数据分析模型进行多次训练、测试与评估，并根据训练、测试与评估结果不断对模型进行优化，进而得到优化后的多个多维度的数据分析模型。

olap数据分析模型单元4还用于根据多维的数据分析模型对商业智能数据库中的医疗数据进行数据分析，得到多维数据分析结果。在使用大量的数据训练优化模型得到多个多维度的数据分析模型之后，区域管理人员可以根据需要选择数据分析模型，并在商业智能数据库中选择要分析的数据分析范围，根据数据范围选择医疗数据，并输入所选择的数据分析模型，从而得到数据分析结果。olap数据分析主要功能是对数据进行汇总统计与计算，不同于常见的静态报表外，基于olap技术的动态报表，实现多角度的数据分析查询，便于卫生管理与医药工作者从不同的视角进行分析问题。

数据挖掘模型单元5的作用是根据医疗平台的第二业务维度和第二指标维度建立多维度的数据挖掘模型。具体的，数据挖掘模型主要功能是针对特定分析主题，采用先进的数据挖掘与统计技术，从已有的数据中找出新的有价值的信息，如预测，描述，聚类，分类，影响因素分析、相关因素分析等，数据挖掘提供了一种多属性的综合分析方法。具体的，每一个第二指标维度均可建立一个维度的数据挖掘模型，从而根据医疗平台的第二业务维度和第二指标维度建立多维度的数据挖掘模型。

在此之后，需要用大量的数据对多维度的数据挖掘模型进行多次训练、测试与评估。数据挖掘模型具有设定的输入项目和输出项目，根据输入项目和输出项目的不同，不同数据挖掘模型有不同的训练测试方法，下面具体介绍两种训练测试评估方法：

第一种是，根据数据挖掘模型设定输入项目和输出项目；输入项目中包括第一时间周期，输出项目中包括第二时间周期，在一个具体的例子中，根据第二业务维度服务决策类对应的第二指标维度为挂号情况预测建立的数据挖掘模型为挂号情况预测模型，功能为预测未来y期各科室的挂号情况，则设定的输入项目为历史x期的各科室的挂号人数，x为第一时间周期，输出项目为未来y期各科室的挂号人数，y为第二时间周期；根据输入项目和第一时间周期在商业智能数据库中获取相对应的医疗数据；将获取到的医疗数据输入数据挖掘模型，数据挖掘模型对医疗数据进行处理后得到预测输出数据，所述预测输出数据中还包括置信区间。在得到预测输出数据之后，根据输出项目和第二时间周期获取相对应的医疗数据，并进行汇总分析，得到实际输出数据；将预测输出数据与实际输出数据进行对比，得到误差数据；根据多次训练、测试得到的多个误差对数据挖掘模型进行评估和优化。这种方法适用于服务决策类数据挖掘模型，服务决策类数据挖掘模型具体如下表1所示。

表1服务决策类数据挖掘模型

第二种是，根据数据挖掘模型设定输入项目和输出项目；输入项目包括患者信息、检查信息、诊断信息和医疗费用信息；输出项目包括疾病影响因子列表、患病分析列表、疾病特征列表或费用影响因素列表，列表中包括项目信息和相对应的概率信息；根据输入项目和预设数量商业智能数据库中获取相对应的医疗数据；将获取到的医疗数据输入数据挖掘模型，数据挖掘模型对医疗数据进行处理后，根据输出项目输出输出数据；增加预设数量，对数据挖掘模型进行多次训练和测试，得到多个输出数据；将多个输出数据进行对比分析，根据分析结果对数据挖掘模型进行评估。这种方法适用于医疗诊断与科研类数据挖掘模型，医疗诊断与科研类数据挖掘模型具体如下表2所示。

表2医疗诊断与科研类数据挖掘模型

此外，对于财务管理类数据挖掘模型，有些采用第一种方法，有些采用第二种方法，财务管理类数据挖掘模型具体如表3所示。

表3医疗诊断与科研类数据挖掘模型

数据挖掘模型单元5还用于根据多维度的数据挖掘模型对商业智能数据库中的医疗数据进行数据挖掘，得到多维数据挖掘结果，在使用大量的数据训练优化模型得到多个多维度的数据挖掘模型之后，区域管理人员可以根据需要选择数据挖掘模型，并在商业智能数据库中选择要挖掘的数据分析范围，根据数据范围选择医疗数据，并输入所选择的数据挖掘模型，从而得到数据挖掘结果。

bi展示单元6用于根据预设表现形式对多维数据分析结果和多维数据挖掘结果进行展示，其中，预设表现形式包括但不限于折线图、条形图、扇形图、散点图、仪表盘、雷达图以及表格中的一种或多种。

随着时间的推移，医疗平台会产生新的医疗数据，从而更新医疗平台的医院信息系统数据库、实验室信息系统数据库和影像归档和通信系统数据库中的医疗数据，数据整合单元2还用于及时更新平台数据仓库中的医疗数据，bi数据处理单元3还用于根据更新后的平台数据仓库更新商业智能数据库，从而使olap数据分析模型单元4根据更新后的商业智能数据库对数据分析模型进行训练、测试与评估，以及数据挖掘模型单元5根据更新后的商业智能数据库对数据挖掘模型进行训练、测试与评估，从而得到更准确的分析数据。

本发明实施例提供的一种医疗数据处理平台，能够实现对医疗数据的不同角度的多维分析，便于卫生管理与医药工作者从不同的视角进行分析问题，并且，能够从已有的数据中找出新的有价值的信息，如预测，描述，聚类，分类，影响因素分析、相关因素分析等，实现对医疗数据的多属性综合分析。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ra医疗数据处理平台)、内存、只读存储器(ro医疗数据处理平台)、电可编程ro医疗数据处理平台、电可擦除可编程ro医疗数据处理平台、寄存器、硬盘、可移动磁盘、cd-ro医疗数据处理平台、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。