基于AI大数据的医疗卫生信息化建设研究

过骏愈

（嵊州市中医院 浙江省嵊州市 312400）

医疗卫生作为国家信息化建设的重要内容，能够为国家人民健康提供切实、可行的保证。因此，必须对医疗卫生方面的研究给予足够的重视程度[1]。由于信息化时代的不断进步，医疗卫生向着信息化方向的发展已经成为促进其发展的主流趋势。但目前针对医疗卫生信息化建设方面的研究并不多见，且研究主要停留于表层，未结合实例将医疗卫生信息化建设落到实处，导致医疗卫生整体信息化水平偏低，信息化程度急需提高。基于此，针对医疗卫生信息化的优化建设是具有实际意义的，能够促进医疗卫生的长远发展。为解决传统医疗卫生信息化建设中存在的不足，AI 大数据指的是人工智能与大数据技术之间的融合应用，通过人工智能包括：脑科学、认知科学、心理学、语言学、逻辑学、哲学以及计算机科学与大数据技术中的：数据存储技术以及数据处理技术相结合，切实提高对数据的集成处理速率，进而提高其整体信息化水平。为此，有理由将AI 大数据应用在医疗卫生信息化建设中，通过设计一种基于AI大数据的医疗卫生信息化建设方法，致力于从根本上减少医疗卫生门诊所需排队时间，促进医疗卫生信息化建设能够有大幅度的飞跃。

1 AI大数据

AI 大数据作为人工智能与大数据的融合技术，其最为关键的应用作用就是通过互联网的优越性，彻底打破了时间以及空间的限制，在海量信息中挖掘出有价值的信息[2]。AI 大数据下的信息特征为以多元的方式呈现数据，形成庞大的信息队列，其中也隐含了实时性的优势。AI 大数据下借助信息化技术为依托，通过在大量数据中提取出有价值的信息，并挖掘数据中存在的内部规律[3]。结合国外针对AI 大数据的研究中，主要将AI 大数据分为两大类，包括：数据存储技术以及数据处理技术。AI 大数据具有效率高、精度高、使用方便等优点，有理由将其应用在医疗卫生信息化建设中。AI 大数据在医疗卫生领域中的应用已经不是首次提出，但以往研究较为片面，未对其深入分析，并提出具体措施。基于此，本文基于AI 大数据设计医疗卫生信息化建设方法，具体内容详见下文。

2 基于AI大数据的医疗卫生信息化建设方法

2.1 基于AI大数据预处理医疗卫生信息数据

在医疗卫生信息化建设过程中，本文基于AI 大数据中的Hadoop 架构将医疗卫生信息数据的预处理分为两部分执行，首先通过AI 大数据Hadoop 中的Map 阶段从网络节点采集医疗卫生信息数据，以AI 大数据描述性特征为指标将医疗卫生信息数据划分为若干个小的数据集合。而后采用Hadoop 中Reduce 阶段，非结构化表示若干个小的数据集合。设Reduce 阶段非结构化表示数据的目标函数为ω，如公式（1）所示。

在公式（1）中，t 指的是医疗卫生信息数据点的归属度；f 指的是每两个医疗卫生信息数据集合之间的吸引度；i 指的是同一个词汇在医疗卫生数据集中出现的次数；d 指的是医疗卫生数据集中的高维特征权重。通过公式（1），得到非结构化处理后的医疗卫生数据集合[4]。最后，采用AI大数据Reduce 阶段中的稀疏表示技巧，通过同一子空间的低维数据表示医疗卫生数据特征。基于Reduce非结构化表示医疗卫生数据后，本文采用Hadoop 中计算子空间维数的方式提取医疗卫生数据特征。设医疗卫生数据空间维数目标函数为Y，可得公式（2）。

在公式（2）中，y 指的是医疗卫生数据中的高维特征空间数据权重；n 指的是医疗卫生数据中的高维特征个数，为实数。通过公式（2），可提取医疗卫生数据特征，分布式并行更新医疗卫生数据点的吸引度。

2.2 建立低维医疗卫生数据稀疏线性表示聚类矩阵

在基于AI 大数据完成医疗卫生信息数据预处理后，建立低维医疗卫生数据稀疏线性表示聚类矩阵[5]。设低维医疗卫生数据稀疏地线性表示聚类矩阵表达式为r，则有公式（3）。

在公式（3）中，s 指的是低维医疗卫生数据标签与空间聚类子区域标签的对应约束关系；v 指的是低维医疗卫生数据标签与空间聚类子区域标签的对应函数关系；T 指的是不同子空间的医疗卫生数据低维权重。通过公式（3），融合医疗卫生数据中低维数据特征，提高低维医疗卫生数据稀疏线性表示精度，使同一类别的医疗卫生数据维数区域很容易被聚类到一起，进而确保基于AI 大数据的医疗卫生信息化建设的可行性。

2.3 设计医疗卫生信息集成数据库

通过对医疗卫生信息的集群处理，基于AI 大数据技术的存储功能设计医疗卫生信息集成数据库[6]。该数据库在不同运行状态下的动态化表现形式是不同的，随机状态下某一概率将由其中一个概率转移至另一个概率值。基于AI 大数据的全减缩计算是在数据不断转移、交叉、变异过程中，分析数据集合之间存在的某种动态化链接。以此基于并行计算实际操作依据，设计分布式数据库函数，其表达式为则有公式（4）。

公式（4）中：F 指的是医疗卫生信息集成数据库中的字符串；指的是字符串的权值数值；γ 指的是函数的短期变异参数，即可能出现数据交叉或重组等现象；x 指的是数据组别；i 指的是组别的基础个数；xi指的是信息化建设表现出的数值特征；j 指的是主句转移概率，计算单位为%。采用上述分布式医疗卫生信息集成数据库函数，将全减缩计算流程近似看作马尔科夫决策流程，将最优计算方法按照5 元组的方式描述，设其目标函数为Q，则有公式（5）。

在公式（5）中：S指的是医疗卫生数据集合的特征有限数据集合，集合中数据值为1～k 中任意自然整数，表示为A指的是医疗卫生集成数据库中数值存在的交叉率，变异参数记为η；P 指的是在时间t 的种群状态下，s 的原始数值及其奖励数值，按照基于AI 大数据的并行计算原理，数值个体适应程度越高，数值奖励程度越大；R(s)指的是特殊种群中数值个体的最近适应程度，定义s'指的是数值与计算数值两者之间的匹配程度，匹配程度越高，可为函数计算提供下一步适应度数值，为计算提供正确决策；π 指的是数据库第二次计算的决策函数，可表达其期望数值与信息化建设方向。通过设计医疗卫生信息集成数据库，提高医疗卫生信息集成速率，为下文实现医疗卫生信息化建设提供软件支持。

2.4 实现医疗卫生信息化建设

在完成医疗卫生信息集成数据库设计后，可以将医疗卫生数据存储与管理有效衔接起来，进行医疗卫生信息共享，为医疗卫生信息化建设提供安全可靠的访问[7]。通过开放医疗卫生信息数据权限，提供数据管理接口、数据目录检索以及数据融合决策等视觉展示。医疗卫生信息共享具体功能信息，如表1所示。

结合表1信息，本文以AI 大数据为核心技术，因为设计医疗卫生信息化建设方法具有大量数据的基础，同时涉及到医疗卫生的10 个子系统，通过AI 大数据技术将不同系统内不同维度的数据综合存储、分析，从而为医疗卫生信息化建设提供数据支持。

3 实例分析

3.1 实验准备

构建实例分析，本次实例分析选择实验对象为某城市，其内容为针对该城市的医疗卫生进行信息化建设。首先，使用本文基于AI 大数据设计方法对该城市的医疗卫生进行信息化建设，通过MATALB 软件测试其医疗卫生门诊所需排队时间，并记录，将其设为实验组；再使用传统方法对该城市的医疗卫生进行信息化建设，同样通过MATALB 软件测试其医疗卫生门诊所需排队时间，并记录，将其设为对照组。由此可见，本次实验主要内容为测试两种方法建设后的医疗卫生门诊所需排队时间，医疗卫生门诊所需排队时间越短证明该方法下的医疗卫生信息化水平越高。

3.2 实验结果分析与结论

采集实验数据，对比结果，如表2所示。

表1：医疗卫生信息共享

表2：实验组与对照组实验结果对比

通过表2可得出如下的结论：本文设计方法医疗卫生门诊所需排队时间明显短于对照组，证明设计方法具有现实应用意义，值得被大力推广。

4 结束语

本文通过实例分析的方式，证明了设计方法在实际应用中的适用性，以此为依据，证明此次优化设计的必要性。因此，有理由相信通过本文设计，能够解决传统医疗卫生信息化建设中存在的耗时长的缺陷。但本文同样存在不足之处，主要表现为未对本次实例分析结果的精密度与准确度进行检验，进一步提高实例分析结果的可信度。这一点，在未来针对此方面的研究中可以加以补足。与此同时，还需要对医疗卫生开展流程的优化设计提出深入研究，以此为提高医疗卫生服务的质量提供建议。