《医疗科研大数据平台技术指南 第4部分：临床科研系统功能》

1医疗大数据平台技术指南第4部分：临床科研系统功能本文件规定了临床科研系统的总体功能规范，包括临床科研数据管理要求、科研项目管理要求、临床科研数据分析要求等方面内容。本文件适用于各医疗单位、企业构建临床科研系统解决方案的研发、选择和评价，不适用于各医疗单位、企业硬件要求，也不包括医院整体临床数据中心的要求。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T14396疾病分类与代码GB/T18391.1信息技术元数据注册系统(MDR)第1部分：框架GB/T34960.5信息技术服务治理第5部分：数据治理规范GB/T35295信息技术大数据术语GB/T37721信息技术临床科研系统功能要求WS/T303卫生信息数据元标准化规则WS/T304卫生信息数据模式描述指南WS/T500（所有部分）电子病历共享文档规范3术语和定义下列术语和定义适用于本文件。3.1随机对照试验randomizedcontrolledtrial随机对照试验是一种对医疗卫生服务中的某种疗法或药物的效果进行检测的手段，特别常用于医学、药学、护理学研究中，在司法、教育、社会科学等其他领域也有所应用。3.2数据战略datastrategy组织开展数据工作的愿景和高阶指引。[GB/T34960.5,定义3.4]3.32临床预测模型clinicalpredictionmodel临床预测模型，又称临床预测规则或者风险评分，是指利用多因素模型估算患者有某种疾病的概率3.4数据预处理datapreprocessing数据预处理，由于真实世界的临床数据大体上都是不完整，不一致的脏数据，无法直接进行数据挖掘，或挖掘结果差强人意。为了提高数据挖掘的质量产生了数据预处理技术。数据预处理有多种方法：数据清理，数据集成，数据变换，数据归约等。这些数据处理技术在数据挖掘之前使用，大大提高了数据挖掘模式的质量，降低实际挖掘所需要的时间。3.5特征工程featuresengineering特征工程，是指用一系列工程化的方式从原始数据中筛选出更好的数据特征，以提升模型的训练效果。在临床研究中常见的特征工程包括变量筛选：如逐步回归、岭回归、LASSO回归、基于机器学习算法的重要度排序等，除了变量筛选外还常用到的主成分分析与因子分析进行特征工程。3.6模型评价modelevaluation确定纳入模型的因子和结局变量后，选择不同的模型类型，例如传统的Logistic回归、线性回归、COX比例风险模型等，也可以使用机器学习算法（SVM、Xgboost等通过对测试集上预测效果进行模型的评价，常用的模型评价指标有ROC-AUC、F1-score、召回率、区分度、校准度等模型性能评价指标。4缩略语下列缩略语适用于本文件:API：应用程序编程接口（ApplicationProgrammingInterface）;ETL：抽取、转换、加载（Extract-Transform-Load）;CRF：病例报告表（CaseReportForm）;PI：主要研究者（principleinvestigator）;CI：合作研究者(co-investigator）;SI：助理研究者(sub-investigator）;CSV：逗号分隔值（Comma-SeparatedValues）;EMRs：电子病历系统（ElectronicMedicalRecordSystem）;JSON：对象简谱（JavaScriptObjectNotation);XML：可扩展标记语言（eXtensibleMarkupLanguage）;XSL：可扩展样式语言（eXtensibleStylesheetLanguage）;ML：机器学习（MachineLearning）;RCT：随机对照试验（RandomizedControlledTrial）;GCP：药物临床试验管理规范（GoodClinicalPractice）;COX：比例风险回归模型(proportionalhazardsmodel);3ROC：接受者操作特性曲线（receiveroperatingcharacteristiccurve）;PSM：倾向性评分匹配（PropensityScoreMatching）;One-Hot：独热编码(One-HotEncoding)；OLAP：联机事务处理(OnlineTransactionProcessing）。5临床科研系统设计总则5.1概述建设基于人工智能的全院级科研一体化平台，可以对医院临床病历数据进行结构化、标准化的整合治理，面向医院重点专科提供临床科研数据采集和分析服务，满足不同临床医生不同的科研诉求，从而促进医疗机构的科研产出。临床科研系统的目标是利用信息技术手段，有效地聚合、分析、管理、利用医疗大数据资源，打造高质量的临床科研数据中心,提供科研的统计分析工具，嵌套医学常用统计方法，以满足临床科研对高质量研究与管理的要求。6总体技术要求6.1概述主要从系统架构、系统性能、数据标准化、数据与信息安全4个方面规范了临床科研系统的基本技术要求。6.2系统架构技术要求——系统宜支持多种数据格式，具有高效的数据采集和存储能力，能够采集和存储来自不同来源的大量临床数据，包括病历、影像、生物标本、基因测序等。——系统宜支持数据集成和分析，能够将不同来源的数据集成到一起，并对数据进行分析和挖掘。支持高效的数据处理和分析能力，包括机器学习、数据挖掘、自然语言处理等。——系统宜具有高效可靠的数据库，能够支持海量数据的存储和高并发的数据读写操作。——系统宜具有高可用性和容错性，以确保系统的稳定性和可靠性。高可用性和容错性技术可以使用负载均衡、故障转移、多活部署等。——系统宜具有可扩展性和高可用性，能够支持大规模的用户和数据，同时具有高可用性和容错性，以确保系统的稳定性和可靠性——系统宜具备严格的安全性和隐私保护措施，以保护患者的隐私和数据的安全。安全性和隐私保护技术可以使用加密、认证、授权等。6.3临床科研系统数据与信息安全——临床科研系统宜支持单中心\多中心科研数据使用审批流程，明确数据出口以及数据使用权——与医院信息系统对接时宜遵循医院数据管理的要求，对医院生产系统进行只读访问，不对医院生产系统进行数据写入。4——所有用户的密码在数据库中，采用摘要算法加密后再保存。——支持用户的权限的设置：支持医院管理人员方便的管理各种角色、用户的功能权限、数据访问和使用权限的定义。——支持操作日志的记录：对所有用户操作记录日志，记录访问IP地址、时间、用户名、操作涉及的模块等信息。——支持患者去隐私管理：对于患者隐私，在应用或系统设计时充分考虑相关数据的隐私保护政7总体功能要求本标准的功能要求主要从样本收集、科研项目管理、数据选取、数据挖掘以及系统管理5个方面对临床科研系统的基本功能做出要求，各模块间的相互关系，如图1所示。图1临床科研系统框架8样本收集模块功能要求8.1概述样本收集是临床研究的第一步，对于内部样本即存储于医疗大数据平台内的样本，宜支持多种形式、复杂条件的查询进行收集，外部样本主要针对前瞻性研究，宜支持手工录入、电子交换或是数据导入的收集方法。8.2外部样本采集外部样本采集功能要求如下：——宜支持手工录入样本信息；——宜支持上传相关图片信息；——宜支持以接口的方式与外部系统进行交互导入数据集，数据提供方宜按照接口标准处理需要导入的数据，如JSON、WebService等方式；——宜支持以ETL（数据仓库技术）的方式从外部系统抽取数据，数据提供方宜按照ETL技术标准对数据进行抽取、清洗、校对等。58.3内部样本检索内部样本检索功能要求如下：——宜提供可视化的工具进行各类数据查询统计，同时支持查询结果数据的图形、报表展示——宜支持复杂条件的检索方式，自由构造查询条件以及组合筛选条件，查询条件包括但不限于：大于、小于、等于、大于等于、小于等于、不等于，包含，不包含等；组合条件包括但不限于：且、或等；——宜支持多维度的检索，包括但不限于：诊断、检验、体征、时间、就诊信息等；——宜支持病例全文的精确以及模糊检索；——宜支持对疾病名进行归一化搜索，如搜索慢性阻塞性肺疾病或慢阻肺或英文简写，搜索到的宜是同一种疾病的相关内容；——宜支持管理人员设置系统使用人的数据可查询范围。9科研项目模块功能要求9.1概述临床科研项目主要包括前瞻性研究以及回顾性研究，系统功能宜满足两类研究的使用需求，参考附录A。9.2前瞻性研究项目前瞻性研究功能要求如下：——宜提供科研项目管理功能，包括但不限于项目管理、团队管理、成员管理、多中心管理等；——宜支持受试者（患者）管理功能，包括但不限于筛选、添加、更新、删除受试者（患者）信息等；——宜提供入组样本的随机分组功能，以满足随机对照试验的要求；——宜提供CRF表单制作功能，宜允许用户或管理人员创建编辑CRF表单；——宜提供多终端的表单填写功能，包括但不限于网页填写、收集APP填写、微信小程序填写等；——宜提供可视化的随访管理功能，允许项目成员查看随访对象的随访进度；——宜提供项目的质控。9.3回顾性研究项目回顾性研究功能要求如下：——宜提供队列管理功能，包括但不限于删除队列、查询队列、手工增加队列样本等；——宜提供队列的二次筛选功能，包括但不限于队列的并集、交集、对某一指标进行筛选。10数据选取功能要求10.1概述科研数据选取宜提供基线选择、变量选取所需的可视化工具，宜提供数据选取的患者信息展示，并支持最终选取数据的导出。10.2定义基线支持可视化定义研究基线，包括但不限于诊断、检验、就诊信息、用药、手术等。610.3变量选择——支持设置数据选取所需的患者信息相关变量，包括但不限于诊断、检验、就诊信息、用药、手术等。——支持选取基于自然语言处理的患者信息。——支持自定义变量的配置、编辑、删除。——支持配置所选变量选取的时间点或时间段。——支持保存变量选择模板应用于其他项目。10.4数据导出——宜提供患者视图，宜提供展示纳入数据选取的患者信息，宜提供单个患者整个数据生命周期的全部数据。——宜提供数据导出功能，数据使用者或管理者可从将选取的数据以所需的格式导出，格式包括但不限于CSV、XLS、SAS、Excel、SPSS等多种格式。11数据挖掘功能要求11.1概述数据挖掘功能宜满足不同临床研究设计（如：RCT）或临床试验标准（如：GCP）中需要的分析算法，该模块功能要求主要包括：提供对原始数据以及处理后数据进行数据预处理、数据分析、数据建模以及数据图表的分析工具库，同时能够输出分析结果、知识或者决策，参考附录B。。11.2数据清洗数据清洗宜模块功能要求如下：——宜提供数据编辑功能，包括但不限于小数点位数修改，变量属性修改（定量数据、定类数据等），变量名修改，变量删除，变量转化等；——宜提供数据批量清洗功能，包括但不限于缺失值填补、剔除文本、记录替换等；——提供重编码功能，包括但不限于分组重编码、One-hot编码等；——宜提供数据标准化功能，包括但不限于归一化、正则化等；——宜提供数据筛选功能，使用目标数据集自由构造查询条件以及组合筛选条件，查询条件包括但不限于：大于、小于、等于、大于等于、小于等于、不等于，包含，不包含等；组合条件包括但不限于：且、或等。11.3数据分析——提供研究样本的描述功能：包括但不限于最大值、最小值统计、正态检验、交叉表等。——提供变量关联分析功能，包括但不限于共线性、相关性分析等。——提供组间\组内差异分析功能，包括但不限于非参数检验、T检验、单因素方差分析等。——提供临床常用回归\生存分析功能，包括但不限于Logistic回归、COX回归、生存分析、RCS样条、主成分分析等。——提供综合统计分析功能，包括但不限于单因素\多因素分析、多模型回归分析、趋势分析、分层分析等；支持分析结果的可视化与导出。——支持统计任务复用与修改要求。11.4数据建模7——宜提供临床科研中常用的基于机器学习的分类算法，包括但不限于XGboost分类、RF分类、KNN分类、SVM分类、logistics分类、朴素贝叶斯分类、ADboost分类、lightGB分类等。——宜提供临床科研中常用的基于机器学习的回归算法，包括但不限于XGboost回归、RF回归、KNN回归、SVM回归、线性回归等。——宜提供临床科研中常用的基于机器学习的聚类算法，包括但不限于K-mean聚类、Birch聚类、高斯混合模型聚类等。——宜提供临床科研中常用的降维算法，如PCA、LDA等。——可支持多种神经网络算法，包括但不限于MLP、DNN、CNN、LSTM等。——可支持按照比例划分数据集的训练集、测试集，提供手动设置划分比例的界面。——可支持对选定模型的手动调整、自动调整模型参数，提供手工调整参数的界面。——可支持多个预测模型间预测效能进行比较，提供测试集以及训练集中预测效能的比较。——可支持机器学习流程的其它其它组件，包括特征提取、特征选择、重要度排序、交叉验证等。——可提供基于每个建模分析方法产生分析结果的说明和解释。12科研系统管理功能要求12.1概述系统管理提供用户管理、角色与权限、数据策略、院外访问设置和日志审计功能。12.2用户管理——宜支持展示系统用户信息。——宜支持添加、编辑、删除用户信息。12.3角色与权限——宜支持不同角色配置不同功能权限。——宜支持展示不同角色的权限，并支持新增、删除、编辑角色的权限。12.4科研项目权限管理——宜支持管理人员设置对项目的增删改查权限；——系统宜提供研究项目背景、数据来源、入排标准、研究设计等文档的录入界面——支持系统管理者对全部的研究项目进行增删改查。——支持团队成员权限管理，根据不同权限配置用户角色的功能权限及数据权限，权限包括但不限于PI、CI、SI等角色的功能权限。12.5科研数据安全管理——支持数据权限策略与配置，包括根据用户职称、职位（也可以定制化）配置全院、所在科室数据权限策略。——支持对于某一类患者信息(姓名、家庭地址、身份证)进行加密，避免患者隐私泄露。支持系统用户登录/登出/变更、智能搜索、数据导出等操作的日志审计。8（资料性）医疗大数据科研平台的实践案例A.1案例背景随着医疗机构信息化的不断完善，医疗机构拥有的数据量越来越庞大。在大数据时代，对于研究型医疗机构，如何释放大数据的价值成为很多医疗机构关注的问题。科研是医疗机构高质量发展的重要基石，也是发挥大数据价值的主要领域。一方面，借助大数据平台完成数据治理，提升医疗机构数据质量，提高科研产出效率。另一方面，借助大数据促进医疗机构智慧管理、临床智能应用，加速智慧医疗机构建设。A.2痛点和难点A.2.1痛点A.2.1.1科研无法直接使用非结构化数据医疗机构虽然积累了海量数据，但由于80%左右的数据是非结构化的数据，在科研中是无法有效利用的。医疗机构急需非结构化电子记录的结构化处理能力，采用医疗人工智能技术将医学语境下基于自然语言描述的医疗记录自动转化为结构化数据，满足临床科研需求。A.2.1.2缺乏统一的数据标准在没有统一数据标准的阶段，医疗机构虽然拥有海量的、种类丰富的临床数据，在数据统计等应用的过程中，发现了很多统计不准确、筛选范围覆盖不完整等问题。例如，搜索“慢性阻塞性肺疾病”的相关病例，有很大比例的病例应该被搜索出来，但是却没有搜索出来，因为部分患者的临床描述采用的是慢阻肺、英文简称或者其他的描述方式。A.2.1.3缺乏工具，病例数据采集、统计分析难——传统的病例数据采集是采用的是Excle和人工收集数据的模式，收集数据这种低价值、重复性劳动占用了临床科研工作大量的宝贵时间。——有了数据后，由于缺乏科研工具，在队列管理、样本纳入、数据分析方面均采用人工处理方式或借助多种第三方工具，一方面是存在速度慢、效率低的问题，另一方面第三方软件还存在数据泄露的安全隐患。A.2.1.4信息安全无保障——医疗机构数据服务缺少数据隐私和脱敏配置功能，无法在对应的服务中进行脱敏处理。——传输过程宜当缺少加密配置功能，无法服务的传输过程中对交互数据进行加密处理。——数据访问缺少访问控制与监管的功能，无法做到对每个接入数据服务的系统和数据使用方都进行登记与注册，以及记录每次访问的情况。A.2.2难点A.2.2.1面向未来3~5年的统筹规划及落地方案9——评估医疗机构内，业务系统和人员能力等现状，分析医疗机构科研发展方向及重点，为医疗机构数据治理制定可行性方案。——制定医疗机构、科研平台服务商、其他系统服务商之间的规划、治理范围和任务的界定，以及实施策略、流程的设计。——制作监督执行过程的策略和方式，保证实施进度和质量。A.2.2.2高质量、可持续的数据治理体系设计——医疗机构数据中心要建立一套可评价的体系，从数据的及时性、完整性、准确性、一致性、关联性、溯源性等6个维度对数据治理过程进行评价。——及时性：业务数据产生的时间（以数据记录时间或业务时间为准）与数据收集的时间间隔，宜满足一定的时间要求。该评价主要是针对数据治理中数据收集的过程。——完整性：医疗机构数据中心宜制定数据完整性相关质量指标，通过业务标准来识别业务关键数据的完整性，并根据评价情况，对数据质量过程进行持续优化和调整。——完整性：医疗机构数据中心宜制定数据准确性相关质量指标，结合业务规则和数据标准来识别数据的准确程度，并根据评价情况，对数据治理过程进行持续优化和调整。——一致性：医疗机构数据中心宜制定数据一致性相关质量指标，结合业务规则和数据标准来识别数据的一致性程度，并根据评价情况，对数据治理过程进行持续优化和调整。——关联性：医疗机构数据中心宜制定数据关联性相关质量指标，结合数据库管理范式要求识别数据的关联性水平，并根据评价情况，对数据治理过程进行持续优化和调整。A.3平台架构平台架构分为四个层级：——数据集成：科研平台首先采集院内的临床数据和院外产生的随访、CRF表单等数据。——数据治理：集成的数据与术语标准体系进行映射或进行标准化转化，支持进行数据合理性校验，实现将多元性、异源性数据转化为统一标准的高质量科研数据。——数据中心：将经过治理的数据存放在科研数据中心。——科研应用：科研人员使用应用系统来建立课题、队列、筛选病历，做回顾性、前瞻性研究。图A.1临床科研系统架构A.4功能介绍A.4.1构建ETL平台实现历史与实时数据汇聚，保障数据完整性与整合性。——规划大数据平台数据池，将所有临床原始数据汇聚进数据池；——通过ETL相关工具实现构建基础数据采集平台；——设置DICOM前置服务器，接入医疗影像、心电等原始数据；——设置基因数据服务器，通过与测序仪直连方式接收基因测序数据。A.4.2建立数据脱敏规范，开启平台软硬件结合安全防护，保障数据安全性。——参照HIPAA定义的18项内容进行脱敏、加密存储；——平台在院内网部署，接口机纳入堡垒机管理；平台开启Kerberos安全认证以及严格的权限控制。A.4.3建立数据质量核查、监控流程，提高基础数据质量。——历史数据：生成数据质量核查报告，作为后续数据清洗依据；——新增数据：选取不同检查方法实时监控数据质量及预警。A.4.4建立数据标准化规范。提取非结构化数据信息，提高数据可用性对电子病历、MRI\CT报告中文本数据进行自然语言处理，产生了结构化数据，包括门诊病历数据和住院病历数据。A.4.5采用分层、分域模型构建医疗大数据模型，采用主题化、层次化方式管理数据，提高数据使用效率。——通过构建数据仓库，对全量医疗数据进行集中治理；——采用分层、分域架构建立数据仓库，形成了接口层、主题层、汇总层、应用层；——在应用层基础上，通过构建指标集、标签集、应用宽表组成数据集市，为医疗机构运营、机器学习算法、临床业务提供高效数据支撑。A.4.6建设科研系统，加强科研数据采集与检索，提升提高科研数据的统计分析能力：——支持多维度科研变量来检索临床历史数据进行回顾性研究，满足自定义eCRF系统自动采集临床科研数据，实现前瞻性科研的需要。科研数据能直接导出支持SAS/SPSS等第三方统计软件使用；——嵌套医学统计中绝大多数的统计方法，能够依据数据类型自动选择最合适的统计方法，并且自动生成统计报告。其中统计报告包含标准三线表、统计结果描述、统计图形等。A.5应用效果A.5.1利用大数据平台，减少科研时间A.5.1.1回顾性研究方面，改变了传统Excle和人工收集数据的模式，实现了智能检索、变量选择和智能统计分析。针对前瞻性研究，大数据帮助实现了患者入组、方案设计和随访采集等。A.5.1.2以智能搜索为例，科研人员检索一位脑出血患者，很快就能发现系统里脑出血患者的人次、年龄分布等信息，同时支持二次筛选，剔除脑干出血和创伤性出血的患者。A.5.1.3数据分析方面，由于科研系统中嵌入了相关的统计工具，例如描述性分析和差异性分析。通过这些统计模型，可以让科研人员很快分析出结果，从而大大节约工作效率。此外，也让很多沉睡的数据能够得到很好的利用。A.5.1.4从效率上看，过去医疗机构要做一个回顾性研究，耗时在数周到数月都有可能。医疗机构在使用了科研大数据平台后，在十分钟之内就可以建立一个科研队列。前瞻性研究同样如此，借助CRF自动回填、智能随访等功能，可以减少60%左右的科研耗时。（资料性）医疗大数据科研统计分析平台的实践案例B.1案例背景B.1.1一站式临床研究建模平台是集数据治理、医学统计学、机器学习建模于一体的全流程临床研究专业分析平台。平台以科研项目为导向，集多种功能于一身，能实现从数据上传到分析结果一键式、一站式输出的智能平台，在降低使用门槛的同时能够大大提升数据分析及建模效率，为临床医护人员提供便捷。B.1.2平台的愿景是让临床研究变得没有门槛，提升临床研究工作者的研究效率，普及机器学习及人工智能技术在医疗领域的应用，最终推动国内临床研究水平向世界看齐。B.2痛点和难点B.2.1痛点B.2.1.1传统的临床科研数据分析系统例如SPSS、SAS、stats、graphpad等需要前期长时间的培训学习，耗时长、费用高、效果差；大部分临医生无法完全掌握，分析工具软件种类繁多，没有能够实现功能整合的分析工具。B.2.1.2基于机器学习的临床预测模型的研究目前没有数据分析系统能够有效支持，而R\PYTHON等数据分析编程语言的学习门槛较高且不容易掌握，需要研究人员有一定的编程基础。B.2.2难点整合临床研究中常用的数据预处理、数据分析方法；多种机器学习算法的集成，可以在线进行基于机器学习临床预测模型的构建；解决海量、多线程的数据分析问题。B.3基本情况目前平台已完成包括数据治理、基线分析、高级统计分析、智能AI分析、图表制作、分析日志6大功能模块，40个子模块，100余种分析方法建设，能够满足临床研究的分析及教学工作。B.4平台架构平台后端算法采用Python和R语言混编实现，平台后台框架采用Django，同时为满足高并发机器学习的需求，配置多台服务器做Nginx负载均衡，关系型数据采用的Mysql5.6.49，非关系型数据库采取的Redis6.0.9存取，前台JinJa2模板渲染和Vue、js实现，如图B.1所示。图B.1某临床科研数据分析平台系统架构B.5功能介绍B.5.1项目管理分析平台以项目为导向，用户可根据研究方向新增研究项目，项目可上传数据、存储研究标题、研究方案和研究设计等，如图B.2所示。图B.2项目管理界面B.5.2数据治理针对临床研究研究设计的数据清洗模块，提供缺失数据剔除、相