基于人工智能的医疗大数据中心设计与建设

朱伯堃 张教赟

关键词：人工智能；医疗；大数据中心

1引言

随着人工智能技术的飞速发展，其逐渐被应用到医疗健康领域，如智能诊断、影像识别等，实现了医疗诊断服务一体化建设，对于现代医疗事业的发展有着积极作用。在实际应用人工智能技术的过程中，为保障技术应用的有效性，以及诊断结果的准确性和可靠性，提高诊断速度，加强对基于人工智能的医疗大数据中心建设研究很有必要。

2基于人工智能的医疗大数据中心管理系统应用方向

2.1辅助临床诊疗

辅助临床诊疗是当前人工智能技术在医疗数据中心管理系统中的主要应用方向之一。通过对数据中心中患者的相应病症资料、数据信息以及360°视图的分析和挖掘，为临床诊断、治疗提供可靠数据支持，并辅助决策，不仅有助于减少单一人工诊疗过程中可能存在的误诊问题，而且有助于提高诊疗效率，对于降低医疗风险、保障医疗质量有着积极作用[1]。

2.2提升医疗质量

基于医疗大数据中心，构建医疗质量控制系统，能够实现对医疗质量数据的高效提取和分析，并由此展开事前防范、事中提醒以及事后分析，有助于提高医疗质量水平，降低医疗事故发生概率。另外，相应医疗质量数据信息还能够作为后续质量分析和评价的原始数据，形成质量控制闭环，为后续医疗质量的优化管控提供可靠支持。而且，通过对床位周转率、住院时长等相关指标和数据的分析，还能够有针对性地进行医疗服务整改，对于提高医院服务质量、提升患者满意度等有着良好的效果。

2.3支持医院运营

基于医疗大数据中心，能够实现对醫院运营管理数据的高效整合和保存管理，其不仅包括医护人员视图信息，还包括绩效管理数据信息、医院设备资源消耗情况等，能够帮助医院管理人员更加直观、准确地了解医院运行情况，实现人员、资源以及资产的精细化管理，有助于提升医院决策的可靠性以及运营管理水平。

2.4促进科研发展

医疗大数据还可以为医疗科研工作提供数据支持，实现临床数据的高效整合和提取，有助于提高医疗及科研工作的效率和质量，对于医疗事业发展有着积极意义。同时，医疗大数据中心的建立还能够实现对医院数据信息的有效整合，提高数据利用率，促使数据价值得到充分挖掘和发挥，为智慧医院建设提供良好支持。

3医疗大数据中心架构设计

基于医疗大数据中心的实际应用需求，要求该数据中心能够对医院系统后台中的数据信息进行采集、存储和处理，为医疗工作的开展以及医院运营管理提供基础数据支持[2]。为满足上述要求，医疗大数据中心架构应主要包括门户层、数据应用层、服务支持层、数据治理层、数据层以及业务系统层6个层次，如表1所列。

4医疗大数据中心模块设计

4.1患者主索引模块

患者信息和临床数据是医疗大数据中心的主要组成部分，也是模块设计中的重点内容。但由于各医院系统之间存在壁垒，系统架构、数据格式等差异较大，因此不同医院系统之间的患者以及临床数据信息难以有效共享。另外，门诊患者与住院患者之间的信息数据轴线不同，门诊患者是以就诊号为就诊依据的，相应数据信息的存储方式也是根据就诊号进行归类保存的，但住院处患者的信息保存是以住院号为基准的，二者互相割离，难以实现数据信息的有效整合。为解决此类问题，在医疗大数据中心模块设计的过程中，应加强对患者主索引模块的设计，以实现患者临床信息之间的有效互通和共享。在实际进行模块设计的过程中，应着重加强对以下几个方面的重视。

（1）建立患者唯一识别性，针对患者住院号与门诊号无法关联的问题，将患者身份作为数据信息唯一识别参数，以对重复患者数据信息进行有效整合，形成最佳记录，实现对患者就诊、体检以及住院等相关系统信息的共享，并在此基础上生成唯一ID，用于患者信息识别和提取。

（2）针对患者信息建立独立索引系统，以实现对患者信息的单独管理和索引。

（3）确保系统模块设计支持患者、员工多种类型信息的索引、管理以及操作。

（4）要求系统模块设计提供批量化数据导人和导出功能，实现对原始数据信息的索引、提取和分析，并以此构建主索引原始库。

4.2数据治理功能模块

传统临床数据中心与医疗大数据中心之间存在明显的差异，如表2所列，给实际人工智能技术的应用带来了极大困难。而数据治理功能的主要作用在于实现对医疗数据信息的有效整合和处理，借助人工智能技术，提升数据集成度、强化数据收集的目的性，实现数据结构化、标准化以及规范化转变，降低后续数据处理成本，为人工智能技术的应用以及数据价值挖掘提供便利[3]。

4.2.1自然语言处理

医院运营过程中会生成大量的病历，为确保患者能够明确就诊结果以及后续治疗方式，病历中会包含大量文书内容，不利于医疗数据的提取，因此，需要对此类医学自然语言进行处理，将其转化为能够统一管理、存储的医疗数据信息。同时，需要利用人工智能技术，结合医院文本以及医学术语，借助机器学习方法，针对医学文本，建立自然语言处理模型，以实现对病历文本信息的有效提取和处理，提升医学自然语言的标准化、规范化水平。在此过程中，可应用的人工智能技术包括监督式、非监督式以及迁移式机器学习方法，通过分词、词性标记、句法分析以及失序解析、变量匹配等方式，实现医学自然语言的有效转化。

4.2.2术语标准化治理

医学术语内容广泛、种类繁多，因此其标准化处理难度相对较高。因此，在实际进行医疗大数据中心建设的过程中，可通过智能算法建立医学术语标准化治理模型，以实现诊断、药品等医学术语的归一处理。医学术语标准化治理系统应包含知识库、找回层和排序层3个主要结构。值得注意的是，在实际进行标准化治理系统构建的过程中，应考虑到医学术语中存在大量较高相似度的表达词语，如哮喘、哮喘性等，为避免由此引发的医学术语标准化治理效果不佳的问题，在实际进行系统设计的过程中，应在知识库中设置自动知识冲突检测功能，借助人工智能技术，实现对表达冲突词汇的智能检测，并自动选择最佳表达方式。

4.2.3数据质量核查

为保障数据的时效性、完整性以及精准性，还需要对数据质量进行检查，借助平台数据质量监控功能和规则库，对数据质量进行检验，并根据问题程度和级别，进行预警，促使相关操作人员能够及时进行数据处理和整改，以保障数据质量。数据质量核查需要融人数据治理全流程中，以更好地保障数据治理过程中数据信息的准确性。在治理前期，需要使用质量监测工具，对数据进行初步分析：在治理过程中，应借助人工智能技术，对数据进行清洗，筛选出不符合条件要求的数据信息，并进行人工处置；在治理完成后，应对相应拆分字段进行质量校验，确保数据信息的可应用性。

4.3智能化系统模块

智能化数据系统模块的主要功能为实现数据的抽取、转换和加载。应充分结合医疗大数据中心实际情况、数据库类型以及数据特点，开发相应数据库引擎，以保障数据抽取处理的有效性。在此过程中，需要注意以下要点：（1）数据抽取组件的配置和设计，应根据数据抽取逻辑进行选取，以确保相应组件的选取能够满足不同业务需求，保障系统的智能化效果；（2）合理进行作业管理系统设计，根据不同数据处理功能的优先级进行排布，科学设置作业日寸间，提升系统应用性能，保障系统运行的高效性和可靠性；（3）进行可视化模块设计，将任务配置情况以可视化方式展示出来，以保障系统运行情况更加直观；（4）最后进行日志跟踪设计，确保数据抽取、转换以及加载过程能够得到全程跟踪记录，保障数据质量。

4.4元数据管理模块

元数据主要用于体现数据信息基本情况或者某方面特征，对数据的准确性和完整性有着直接影响。设计元数据管理模块的主要是为了明确数据来源，便于进行数据属性的分析，一旦后续数据处理、治理流程出现问题，能够及时找到元数据，并展开对比分析，明确问题所在，保障医疗大数据中心建设的可靠性[4]。

5结束语

基于人工智能的医疗大数据中心设计与建设，更加强调数据信息的准确性、完整性以及可靠性，有效提升了数据处理、应用的智能化水平和效率，也有效保障了数据的标准化和规范化。在实际进行大数据中心设计的过程中，应从数据中心应用需求角度，展开中心架构和模块功能的设计，合理应用机器学习等人工智能技术，全面提升医疗大数据建设水平。