醫(yī)療大數(shù)據(jù)分析管理系統(tǒng)的設(shè)計與科研應(yīng)用

1 背景

我院半結(jié)構(gòu)化電子病歷起用于2005年，至今已積累電子病歷近50萬份。由于病歷完成者主要是進(jìn)修醫(yī)和學(xué)生，數(shù)據(jù)質(zhì)量無法滿足科研需求，我們又開發(fā)了科研電子病歷系統(tǒng)，供科研人員在其中補(bǔ)充錄入普通電子病歷沒有的數(shù)據(jù)。兩個系統(tǒng)共為科研數(shù)據(jù)中心的數(shù)據(jù)來源?？蒲袛?shù)據(jù)中心的應(yīng)用大大提高了科研工作效率及準(zhǔn)確性。但隨著數(shù)據(jù)量和查詢維度的增加，數(shù)據(jù)查詢和數(shù)據(jù)挖掘的速度越來越慢。為此，我們決定引入分布式存儲及分布式計算技術(shù)，建立醫(yī)療大數(shù)據(jù)分析管理系統(tǒng)，來提高數(shù)據(jù)處理效率。

2 硬件系統(tǒng)架構(gòu)

我們采用MongoDB作為存儲工具。首先，因為普通關(guān)系型數(shù)據(jù)庫的每次操作都會有一致性檢查，而MongoDB的設(shè)計沒有這個步驟，所以MongoDB的存儲效率比普通關(guān)系型數(shù)據(jù)庫更高。其次，醫(yī)院總數(shù)據(jù)量低于5T，綜合考慮數(shù)據(jù)量級及管理成本，沒有選擇hadoop。而且，MongoDB也考慮了設(shè)備故障出現(xiàn)的場景，在設(shè)計時就做了容災(zāi)和故障轉(zhuǎn)移的方案。

圖1 硬件系統(tǒng)架構(gòu)

如圖1所示，客戶端連接3臺應(yīng)用服務(wù)器，應(yīng)用服務(wù)器主要負(fù)責(zé)隨訪、數(shù)據(jù)采集清洗和科研項目管理等業(yè)務(wù)。因為做大數(shù)據(jù)分析，盡管本項目對存儲量要求不高，但對I/O及CPU運算速度卻要求很高，故設(shè)計9臺PC服務(wù)器用來進(jìn)行分布式存儲及計算，這9臺PC服務(wù)器由三套副本集組成，以提高存儲及計算效率。每個副本集又由三個存儲節(jié)點組成，每個存儲節(jié)點各有分工，但數(shù)據(jù)相互備份，以保證數(shù)據(jù)安全。

MongoDB的集群部署方案中有三類角色：實際數(shù)據(jù)存儲結(jié)點（shard）、配置文件存儲結(jié)點（config server）和路由接入結(jié)點（mongos）。連接的客戶端直接與路由結(jié)點相連，從配置結(jié)點上查詢數(shù)據(jù)，根據(jù)查詢結(jié)果到實際的存儲結(jié)點上查詢和存儲數(shù)據(jù)。

mongos，數(shù)據(jù)庫集群請求的入口，所有的請求都通過mongos進(jìn)行協(xié)調(diào)，不需要在應(yīng)用程序添加一個路由選擇器，mongos自己就是一個請求分發(fā)中心，它負(fù)責(zé)把對應(yīng)的數(shù)據(jù)請求請求轉(zhuǎn)發(fā)到對應(yīng)的shard服務(wù)器上。在此我們考慮部署3臺mongos作為請求的入口，防止其中一臺宕機(jī)后所有的mongodb請求都無法操作。

config server，顧名思義為配置服務(wù)器，存儲所有數(shù)據(jù)庫元信息（路由、分片）的配置。mongos本身沒有物理存儲分片服務(wù)器和數(shù)據(jù)路由信息，只是緩存在內(nèi)存里，配置服務(wù)器則實際存儲這些數(shù)據(jù)。mongos第一次啟動或者關(guān)掉重啟就會從 config server 加載配置信息，以后如果配置服務(wù)器信息變化會通知到所有的 mongos 更新自己的狀態(tài)，這樣 mongos 就能繼續(xù)準(zhǔn)確路由。在此我們考慮部署3臺config server 配置服務(wù)器，就算其中一臺宕機(jī)， mongodb集群仍然可用。

shard，實際的數(shù)據(jù)存儲節(jié)點，把既往一臺服務(wù)器存儲的數(shù)據(jù)分散到3臺存儲，不僅存儲空間大大的擴(kuò)展，同時硬盤的讀寫，網(wǎng)絡(luò)的IO、CPU和內(nèi)存都得到很大的擴(kuò)展。在Mongodb集群中只要設(shè)置好了分片規(guī)則，通過mongos操作數(shù)據(jù)庫就能自動把對應(yīng)的數(shù)據(jù)操作請求轉(zhuǎn)發(fā)到對應(yīng)的分片機(jī)器上。同時每個分片有3臺服務(wù)器組成副本集(Replica Set) ，保證同一份數(shù)據(jù)存儲三份。

3 軟件系統(tǒng)架構(gòu)

院內(nèi)醫(yī)療數(shù)據(jù)大量分散存儲在HIS、LIS、EPR、PACS等子系統(tǒng)中，院外數(shù)據(jù)主要存儲在隨訪系統(tǒng)中。這些數(shù)據(jù)具有多源相關(guān)性、異構(gòu)性、海量高速性的特點，有效的數(shù)據(jù)整合是大數(shù)據(jù)分析的前提。首先，所有子系統(tǒng)數(shù)據(jù)通過醫(yī)院系統(tǒng)集成平臺進(jìn)行采集，然后通過解析、映射、標(biāo)準(zhǔn)化等手段進(jìn)行加工處理，最后存儲于數(shù)據(jù)倉庫中。數(shù)據(jù)倉庫中的數(shù)據(jù)通過聚合統(tǒng)計、結(jié)構(gòu)化、歸一等技術(shù)手段，為大數(shù)據(jù)查詢、挖掘、隨訪、科研項目管理等應(yīng)用系統(tǒng)提供數(shù)據(jù)支撐,具體如圖2所示。

圖2 軟件系統(tǒng)架構(gòu)

4 應(yīng)用效果分析

我院科研大數(shù)據(jù)分析管理系統(tǒng)啟用后效果明顯，到目前為止已建立20個專業(yè)科研數(shù)據(jù)庫，支持了15個科研項目。完成各類科研查詢200余項次，發(fā)表論文上百篇，其中SCI文章數(shù)十篇?？蒲泄ぷ骺冃чL期在北京市醫(yī)管局系統(tǒng)名列前茅。科研人員普遍反映工作效率有很大改善。

5 目前存在的不足

5.1數(shù)據(jù)分析與建模中存在的問題 首先，醫(yī)療信息系統(tǒng)通常不是為了科研和數(shù)據(jù)分析設(shè)計的。從數(shù)據(jù)分析的角度看，醫(yī)療數(shù)據(jù)通常比較復(fù)雜，醫(yī)療數(shù)據(jù)建模與醫(yī)療業(yè)務(wù)流程關(guān)系密切，需要不同領(lǐng)域的知識，包括醫(yī)學(xué)、生物統(tǒng)計學(xué)、流行病學(xué)和信息學(xué)等。在某些涉及基因療法的醫(yī)學(xué)數(shù)據(jù)中，還需要有基因?qū)W領(lǐng)域的專家。僅憑HIS廠商是無法實現(xiàn)的。因此如何協(xié)調(diào)好各領(lǐng)域?qū)＜?，建立行之有效的?shù)據(jù)模型是項目成敗的關(guān)鍵。

5.2 醫(yī)學(xué)自然語言處理難度大，影響數(shù)據(jù)質(zhì)量 由于大量詳細(xì)的病人信息以文本形式存儲，而文本描述的信息通常存在歧義和很多非標(biāo)準(zhǔn)化描述，如何把這些非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一的結(jié)構(gòu)化數(shù)據(jù)是醫(yī)學(xué)信息處理的重要步驟。自然語言處理是解決方案之一。將非結(jié)構(gòu)化醫(yī)療數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)需要一系列醫(yī)學(xué)自然語言處理技術(shù)，包括：醫(yī)學(xué)名實體識別，名實體自動編碼，名實體修飾詞識別，時間信息抽取等。作為信息抽取的關(guān)鍵技術(shù)，醫(yī)學(xué)信息抽取一直是醫(yī)學(xué)自然語言處理的研究熱點。

5.3 病案質(zhì)量欠佳 科研數(shù)據(jù)中心的數(shù)據(jù)是需要經(jīng)過結(jié)構(gòu)化、標(biāo)準(zhǔn)化處理后才能存儲的。這些數(shù)據(jù)要求以病例個體為單位，以時間為線索，按照開放的標(biāo)準(zhǔn)架構(gòu)進(jìn)行組織存儲，如HL7、CDA，保證病例數(shù)據(jù)的可用性和可擴(kuò)展性。提供靈活的數(shù)據(jù)檢索能力，方便查找符合條件的病例，并通過數(shù)據(jù)輸出接口將數(shù)據(jù)導(dǎo)出成為標(biāo)準(zhǔn)的，可供第三方平臺處理的數(shù)據(jù)格式。

臨床科研對病案質(zhì)量要求更高，低質(zhì)量的病案會直接導(dǎo)致臨床科研結(jié)果的偏差。因此，嚴(yán)謹(jǐn)?shù)牟v書寫規(guī)范及數(shù)據(jù)校驗，對每一個數(shù)據(jù)元素進(jìn)行標(biāo)準(zhǔn)化定義，是必不可少的步驟。

5.4 患者提供隨訪數(shù)據(jù)的依從性有待提高 隨訪數(shù)據(jù)對于醫(yī)學(xué)科研的意義不言而喻。在實踐過程中，我們發(fā)現(xiàn)心腦血管疾病人群大多為老年人，而老年人對于電子設(shè)備操作不熟練，影響了數(shù)據(jù)采集的及時性和準(zhǔn)確性。未來應(yīng)通過可穿戴設(shè)備、遠(yuǎn)程會診、異地醫(yī)療機(jī)構(gòu)信息系統(tǒng)互聯(lián)互通等方式提高患者，特別是外地患者隨訪的依從性。

6 結(jié)論與展望

醫(yī)療衛(wèi)生行業(yè)的數(shù)據(jù)資源為大數(shù)據(jù)技術(shù)應(yīng)用提供了條件。目前醫(yī)療大數(shù)據(jù)的相關(guān)標(biāo)準(zhǔn)與軟件應(yīng)用等研究仍處在起步階段，開拓空間大，提供機(jī)會多，但也面臨諸多現(xiàn)實問題。