2023年健康大数据分析应用平台解决方案

1、健康大数据分析应用平台解决方案 TOC o 1-5 h z 背景介绍1产品愿景1产品定位23. 1解决的问题23. 2达到的效果3产品理念3总体思路55.1对接数据源，获取健康大数据分析应用平台62对获取的健康大数据分析应用平台预处理机制75. 3建立健康大数据分析应用平台的存储机制75.4健康大数据分析应用平台的处理和分析算法分类和形成.95. 5开发专题大数据分析，形成专题大数据应用115. 6开发机构大数据分析，建立机构大数据应用117建立平台应用实施推广组织机制 115.8建立平台产品优化升级服务组织机制 11健康大数据分析应用平台建模描述和分析 121我们给出的相关数据模型 136.

2、2卫计委给出的相关数据模型146.3相关数据特征对比分析 17健康大数据分析应用平台支持的业务主题场景 191医疗卫生服务机构应用21健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.07. 11.37. 11.3商业医疗保险的保障设计和精算定价60健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.07. 11.37. 11.3商业医疗保险的保障设计和精算定价60健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.07. 5.37. 5.3政府医疗规划结构进行居民健康保健决策应用421. 1各级医院自身应用211.2基层医疗

3、机构自身应用267.1.3区域卫生医疗联合体应用271.4医疗卫生机构的合规应用327.2患者医疗治疗应用347.2.1患者就医过程提示服务347. 2.2患者服药提示服务347. 2.3患者饮食、运动、习惯注意事项服务357.2. 4患者体征和治疗效果服务357. 2.5患者交流交往服务357. 3个性化医疗服务应用353. 1基因测序分析应用363.2个性化药物应用367. 3.3个人健康管理应用377. 4慢性病预防治疗应用（疾控中心）387.4. 1慢性病检测、发现、预警服务397.4.2慢性病诊断服务407.4.3慢性病防控治疗服务407. 5居民健康保健应用（疾控中心） 417.5

4、.1居民自我健康保健应用417.5.2政府卫生管理部门进行居民健康管理应用 427.6医疗卫生管理机构应用（卫生局）427.7医疗保险管理机构应用（医保局） 437. 1基本医疗保险的决策支持分析 457.2基本医疗保险费用单据的智能化审核 467.3基本医疗保险的有效支付和治理应用477. 4基本医疗保险和服务监管应用477.5降低看病率提升医疗效果应用487.8医药监管机构应用（药监局）527.9医药研发生产经营应用（医药企业） 521医药研发企业应用527.9.2医药生产企业应用537.9.3医药流通企业应用537.9.4医药零售企业应用567. 10医疗卫生资源配置管理规划应用（政府主

5、管部门）577. 10. 1医疗卫生资源服务现状分析 577.10.2医疗卫生资源财务供给能力分析 587. 10.3医疗卫生资源规划指标对比587. 10. 4医疗卫生资源政策建议597. 11商业医疗保险应用（保险公司） 597. 11. 1获得新客户和保留已有客户的分析应用597. 11.2有效控制医疗费用的分析应用60健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.08. 4.98. 4.9患者特征-诊断结论分类分析81健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.08. 4.98. 4.9患者特征-诊断结论分类分析81健康大数据分

6、析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.08.1.18.1.1患者数据预处理767. 11. 4商业医疗保险的理赔运营管理应用 617. 11.5商业医疗保险的市场和销售拓展应用647. 12公共卫生服务应用（卫生防疫中心） 6412. 1传染病预警预报657. 12.2公共卫生舆情监测预警6612.3疾控和保健应用677. 13政府监管应用（政府主管部门）6713. 1医药监管应用677. 13.2医疗监管应用687. 13.3医保监管应用697.13. 4医疗服务机构和医生监管应用707. 14新型医疗卫生服务应用（政府主管部门）707. 14. 1远程医疗717.

7、14.2移动医疗717. 14.3互联网医疗737. 14.4数字医疗737. 14.5大数据医疗737. 14.6智慧医疗747. 14. 7精准医疗74健康大数据分析应用平台支持的专题大数据应用758.1患者分析（基于电子病历EMR） 761. 2患者个体（个性）分析771.3患者群体（统计）分析778.2疾病分析（基于电子病历EMR和电子健康档案EHR） 77& 2. 1常见疾病分析77& 2. 2慢性疾病分析77& 2. 3疾病诱因分析78& 2. 4疾病统计分析78& 2. 5临床路径分析788.3医生及医护人员分析（基于医疗卫生资源数据） 78& 3.1医生及医护人员资历资格分析7

8、8& 3.2医生及医护人员行医记录分析78& 3. 3医生及医护人员培训进修分析784处方分析（基于电子病历EMR） 78& 4. 1医生用药分析79& 4. 2患者用药分析79& 4. 3处方用药分析80& 4. 4医院科室用药分析80& 4. 5安全用药分析80& 4. 6处方符合性分析80& 4. 7处方用药-诊断结论关联分析81& 4. 8诊断结论-处方总价聚类分析81健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.09.9.关键核心技术和算法97健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.09.9.关键核心技术和算法97健康大数

9、据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.08. 7.28. 7.2医学影像图像分析95& 4. 10患病时间-诊断结论序列分析 818.5居民人口分析（基于电子健康档案EHR） 82& 5. 1居民个体健康分析82& 5. 2人口群体健康分析82& 5.3人口亚健康相关因素关联分析82& 5.4人口健康相关因素关联分析82& 5.5人口健康时间空间分布分析82& 5. 6人口健康预测分析828.6药品分析（基于医药产业链数据）82& 6.1药品种类分析83& 6.2药品研发分析84&6.3药品生产分析87& 6.4药品销售分析87& 6.5药品物流分析88& 6.6药

10、品资金流分析89& 6.7药品信息流分析89& 6.8药品库存分析89&6.9药品质量偏差分析94&6. 10药品不良反应&药品群体不良事件分析 947医疗健康检验检测分析（基于电子健康档案EHR） 941生理信号检测分析947. 3 DNA检测和DNA序列分析958.7.4重要人体征数据分析 957.5远程自助健康医疗检测分析958医疗安全风险分析（基于电子病历EMR） 951医疗安全分析958.8.2医疗风险分析958.8.3假药、过期药、成分异常药的使用分析968.8.4医疗事故诱因分析968.8.5医疗安全风险统计分析968.9医疗卫生资源分析（基于政府的医疗卫生资源数据）.961医生

11、护理人员分析968.9.2医院床位分析968.9.3医疗检测检验能力分析968.9.4医疗卫生资源需求分析968.9.5医疗卫生资源匹配度分析968.9.6医疗卫生资源对比分析 9710医疗卫生效果分析（基于电子健康档案HER和医疗卫生资源数据）9710. 1医疗卫生满意度分析9710.2医疗卫生问题诱因分析9710.3医疗卫生规划符合度分析 97健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.01大数据分析能力982大数据分析技术983大数据存储技术和系统994大数据业务模型建模1005大数

12、据的实时查询1036大数据的复杂分析104用健康大数据分析应用平台为业务服务 1081核心理念10810.2管理闭环109健康大数据分析应用平台解决方案V3. 健康大数据分析应用平台解决方案V3. 0第第 页库系统不适合存储非结构化数据。一种解决方案是采用两套系统分 别存储结构化与非结构化数据，但这为两种数据之间进行联接查询 (join)带来了困难。例如，当要寻找某科室患者的所有CT影像图 片时，需要首先在业务数据库中查询到该科室所有患者的II),然后 再到非结构化数据库中查找图片。这种跨数据库的联接查询的执行 效率不高。因此，就医疗健康大数据而言，需要研究一种基于混合 数据模型的数据管理系统

13、，能够高效管理结构化数据与非结构化数据, 并支持异构数据之间的高效混合查询。5大数据的实时查询医疗服务对时效性的要求很高，很多查询都要求得到实时响应。 智慧医疗中涉及实时查询的可大致分为：与时间有关的查询，如检索监护对象某一时间段内的全部信 息；与空间有关的查询，例如检索监护对象在某个区域(如某个 医院)内的全部信息；与特定属性有关的查询，例如检索监护对象的血压变化历史 和用药记录等；综合查询，例如检索监护对象在某段时间和某个区域内的某 项生命体征数据。高效实时查询的关键是必须预先了解查询类型并建立所需的索 引。当数据规模非常大时，现有数据库采用的索引技术基本能够满 足数据检索的实时性需要，但

14、在索引的创建与更新的性能方面有较大 不足。例如，我们的测试结果表明，用一台运行PostgreSQL的服务 器为200万条数据(约1GB)在一个空间属性上创建R-tree索引，用 时约为20分钟；在此基础上再次插入40万条数据(约0. 2GB),用时 约为60分钟。根据这个结果，当数据产生的速度大于960万条/天 时，即使服务器的全部计算资源都用于维护索引，索引的更新速度仍 将落后于数据产生的速度。而如果1个医疗传感器每15秒产生1条 测量数据，1万个这样的传感器每天将产生超过5000万条数据。这 意味着现有的索引更新方法无法胜任医疗健康大数据处理的需求。 此外，是一种常用的避免更新索引的方法是

15、在插入新数据之前删除索 引并在之后重新创建索引，但这种方法不能从根本上解决问题，因为 随着数据不断累积，重新创建索引所用的时间越来越长，最终会比更 新索引的速度更慢。为满足大数据实时查询的需要，必须对现有的索引技术必须加以 改进，将索引的创建与更新速度提高至少一个数量级。索引更新速 度慢的一个重要原因是数据逐条添加时引发了多次随机小量写操作， 因此首先需要重新设计索引结构，使其能够批量添加数据 (bulk-insertion)，尽量用顺序写入大块数据取代随机写入小块数据。 另外，需要设计索引的并行创建与更新算法，使索引的创建与更新能 够在无共享架构中水平扩展。6大数据的复杂分析在智慧医疗中，有

16、很多复杂的数据分析查询，以下仅举几例：(1)医疗数据统计，如统计历年慢性病比例变化和各地区心脑血管疾病分布等；相似联接查询(similarity join),如根据CT成像图片， 寻找相似的病例与诊断，寻找骨髓移植匹配等；医疗数据挖掘与预测，如寻找亚健康状况与职业、性别、年 龄等因素的联系和预测下一个月各类药品的需求等。这些复杂分析 查询的主要特点有：需要读取大量数据，所需计算时间长；查询灵活多变，难以预测；涉及多学科交叉，需要医疗、统计、计算机等各领域的专业 人士协作完成。传统关系数据库与NoSQL数据库难以胜任复杂的数据分析，其原 因主要有两个。首先，它们在维护数据库的原子性、一致性、分离

17、 性和持久性方面花费了巨大的开销，而在进行复杂的数据分析时，数 据往往是静态的，因此这些开销是不必要的。第二，它们的存储与 索引结构是为数据的随机读写与频繁更新而设计，没有为大量数据的 读取进行专门优化。目前，对大数据进行复杂分析的工具主要有两大类。一类是并 行分析型数据库，另一类是基于MapReduce的数据分析工具。分析型数据库基于关系数据模型，与传统关系数据库相比，其存 储结构与查询算法为数据读取进行了专门优化，如用列式存储 (column-store)替代行式存储(row-store)。目前主流的并行分析型 数据库的有Vertica和Greenplum等。这些数据库提供的用户接口 是与

18、传统关系数据库相同的结构化查询语言（SQL） o这种实现方式降 低了用户的学习成本，但也带来了两个问题。首先，虽然关系数据 模型能够进行扩展以表示非结构化数据，但由于数据种类繁多，目前 缺少足够有效的理论与工具将非结构化数据转化为结构化数据；第 二，一些复杂的数据分析难以直接用SQL描述，即使能够用SQL描 述，其执行效率也比专门编写的过程化分析程序要低得多。MapReduce是Google于2003年提出的一种新的基于无共享架构 的并行计算范式。与传统并行计算范式（如MPI）相比，MapReduce 简化了并行数据处理算法的设计与实现，使用者仅需根据查询需要定 义map和reduce两个函数

19、，无需关心并行执行过程中的任务调度、 资源管理以及出错处理等问题。MapReduce最初是为处理Google的 海量文本数据的简单分析算法而设计。随着Apache Hadoop项目提 供的MapReduce开源实现在学术界与工业界广泛使用，MapReduce编 程模型被证明十分灵活。我们不仅可以在其上构建分析型数据库（如 Hadoop Hive）,而且能够实现常用的数据挖掘与机器学习算法程序库 （如 Apache Mahout）。从大数据分析性能的角度看，数据库专家们对并行分析型数据库 与MapReduce的优劣曾经有过长达数年的争论。随着对两者研究的 深入，目前已取得的主要共识有：对于简单的

20、结构化查询，当计算节点较少时（100台或以下），并 行分析型数据库由于采取了更优化的存储结构与查询算法，性能明显 优于 MapReduce；当计算节点较多时，此时计算节点出错的概率很高，并行分析型 数据库在出错时往往需要重新执行整个查询，性能会受到较大影响, 而MapReduce的设计从一开始就将常态化的出错问题纳入考虑，因此 能够轻松扩展到数千台节点；并行分析型数据库必须预先加载数据，而数据加载的时间通常十 分漫长，因此对于日志分析等仅需读取一次数据的任务并不合适； MapReduce比并行分析型数据库的应用更广泛，如能够处理非结 构化查询，实现复杂的数据挖掘算法；尽管编程模型简单，但Map

21、Reduce仍需要专业人员进行编程工作， 并行分析型数据库的使用成本比MapReduce低。从严格意义上看，并行分析型数据库与MapReduce并不具备直接 可比性。前者是包含查询语言、逻辑数据模型、并行执行引擎、物 理存储结构等一整套机制的实现，而后者仅与前者中的并行执行引擎 的角色类似。整合二者的优点，可以构建出更为强大的数据分析工 具，这也是数据库领域一个活跃的研究方向。例如，为了保证髙容 错性，MapReduce将计算的中间结果保存在磁盘上，这样做带来了巨 大的开销，影响了查询的执行效率。并行分析型数据库为了保证高 效，采用pipeline机制，即上一步的结果在内存中产生后直接通过 网

22、络推送到下一步的计算单元。由此可以得出一个构建高效可扩展 的分析型数据库的思路，即在pipeline机制的基础上，同时将中间 结果写入磁盘。事实上，二者的融合已经在目前最新的数据分析工 具（如Google Tenzing）中得到体现。无论是并行数据库还是MapReduce,都致力于解决机器的执行效 率问题。在对医疗健康大数据进行复杂分析时，医疗专家的知识与 智能在整个分析过程中起着至关重要的作用。但是，要求医疗专家 同时精通分析型数据库的使用甚至编写MapReduce程序，是不现实 的。因此，如何在这些复杂的数据分析系统之上，提供一个具备良 好可视化与互动功能的交互界面，是帮助医疗专家发掘医疗

23、健康大数 据价值的关键。用健康大数据分析应用平台为业务服务通过一系列技术处理，大数据可以帮助企业制定明智且切实可行 的战略，获取前所未有的客户洞察，支持客户购买行为，并构建新的 业务模式，进而赢得竞争优势。然而，实践往往会比理论来得更困难， 现实中许多企业管理者盲目收集数据并进行分析，期待能够得到快速 的回报。很遗憾，他们未能如愿。无论整体规划、技术平台还是业务 流程，大多数企业并未针对大数据分析做出特别的调整与变化。企业 要处理好大数据生命周期的每一个环节，就必须采用创新且经济高效 的处理方法，并跳出传统的数据管理思维。10.1核心理念首先，管理者需要问清自己这样一个问题：“大数据如何帮助我

24、 的企业实现发展？ ”。如果不能指导行动，那么收集再多的数据也是 毫无意义的。事实上，获得洞察力是一方面，可实践性也是分析的标 志之一。即企业能否从大量历史数据的“噪音”中获得可实践的预测 以及具有前瞻性的决策？其次，需要针对大数据分析来改变传统的业务流程与决策流程。 按照传统企业经营方式，髙层的主观意见会对决策造成决定性影响， 这种现象到现在也还是非常普遍。让真实的数据来说话，这是许多企 业管理者需要进行的观念转变。当然，收集更多的数据并不意味着就 能够将数据转化为洞察，如果没有一个更适应大数据时代的技术架构, 它也会让企业的转型变得难上加难。第三，技术平台不是万能的，但没有技术平台是万万不

25、能的。在 很多情况下，我们会看到各种观点在弱化技术所起到的作用。事实上， 这样的观点是比较片面的。要真正掌握驾驭大数据，我们仍然需要一 个过硬的技术平台来作为支撑。你很难想象用现有的SQL数据库来分 析海量医疗卫生半结构化或非结构化信息，大数据需要我们有一个更 全面、更高效的平台来进行组织、处理和分析数据。同时需要考虑如 何将大数据平台，与原有的数据架构进行最佳集成。10.2管理闭环这里采用一套方法论，帮助思考以下几个问题，并加大数据转化 为实在的收益：1我们是否拥有目前所需的大数据？我们能否获取这些大数据？获取大数据后，我们如何挖掘这些大数据的价值？4业务环境发生变化时，我们如何处理这些大数据？企业在进行数据管理方式转型的时候，需要从四个方面来把握并 健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.0第口第口0页健康大数据分析应用平台解决方案V3.0健康大数据分析应用平台解决方案V3.0第第in页覆盖数据的全生命周期，即设想、创建、部署和扩展，并以此形成一 个有机的闭环。根据这一方法论，推出了有针对性的大数据服务，帮 助企业从数据中获取全新洞察，进一步扩展业务功能，获得更多业务 机会。在