・２０・ 现代医院管理２０１５年８月第１３卷第４期Ｍｏｄｅｍ Ｈｏｓｐｉｔａｌ Ｍａｎａｇｅｍｅｎｔ，Ａｕｇ．２０１５，ｖｏ１．１３，Ｎｏ．４ 探索与研究 大数据时代生物医学决策支持模型的创新 汪陈应，李佳，邬小军 （中国人民后勤学院卫勤教研室，北京市１００８５８） 【摘要】 大数据已成为生物医学行业研究的热点。笔者以生物医学中的大数据为切入点，提出并 对比分析了大数据背景下三类生物医学决策支持模型，最后阐述了生物医学决策支持面临的三大挑战， 即生物医学数据隐私保护与大数据共享要求高的矛盾，生物医学数据的特殊性与大数据处理能力不足 的矛盾，医疗机构狭隘的数据保护与大数据平台要求的矛盾。 【关键词】 大数据；生物医学；决策支持 【中图分类号】 Ｒ１９７ 【文献标识码】 Ｂ 【文章编号】 １６７２—４２３２（２０１５）０４—００２０—０３ 【Ｄ０Ｉ编码】 １０．３９６９／ｊ．ｉｓｓｎ．１６７２—４２３２．２０１５．０４．００６ 大数据已经成为当前各界关注的焦点…。通常， 域疾病防控、区域医疗服务等相关的健康信息。首先， 电子健康档案记录的是人或者一个区域长时期的健康 数据，具有持续时间长、大量增长的特点；其次，由于电 大数据是指无法在可容忍的时间内，用现有信息技术 和软硬件工具对其进行感知、获取、管理、处理和服务 的数据集合。近年来，随着基因的一代测序、二代测 序、各种医学成像技术等的发展，大大加速了生物医学 领域数据的产生，给生物医学领域的决策支持模型带 来了新的挑战。 １生物医学中的大数据 子健康档案采集的卫生机构和健康状况检测设备的差 异，导致档案数据格式复杂，很难集成融合；第三，随着 时间的推移和医学的发展，导致常规检测指标和参考 标准发生变化，从而造成健康档案数据模式也不断更 新完善。电子健康档案的特点对数据存储、共享、查询 和分析效率都提出了更高的要求。 １．４ 生物医学事业快速发展产生了生物医学文献大 数据 １．１ 第二代ＤＮＡ测序技术产生了碱基序列大数据 第二代ＤＮＡ测序技术也叫新一代测序、高通量测 序，可以一次对几十万到几百万条ＤＮＡ分子进行序列 测定，每小时能够完成数以亿计的ＤＮＡ碱基序列的测 序，产生约１０ＴＢ（１ＴＢ＝１０ Ｂ）的数据。而目前亟待 生物医学事业发展的标志是生物医学涉及的学科 增多，分支也越来越多，生物医学知识也随之剧增。据 解决的问题在于，测序仪产生的海量数据没有与之相 适应的有效的二代测序结果分析工具和数据管理系 统，这给科研人员和二代测序技术的普及造成了障碍。 １．２ 医学成像技术产生了医学影像大数据 随着ＣＴ成像、磁共振成像、超声成像、核医学成 像等技术的发展，医院诊疗工作越来越依赖于现代化 的检查检验结果，随之而来的是医学影像数据的海量 统计，互联网中的信息资源超过３０％是生物医学信 息；全球生物医学类刊物近３万种，每年发表论文２００ 多万篇，并以７％的速度递增。另外，生物医学信息是 医学界知识更新的主要来源和重要工具。这就对生物 医学信息存储和检索效率提出了较高的要求。 ２大数据时代的生物医学决策支持模型 在总结现有理论和方法的基础上，充分考虑大数 据环境所带来的管理方法创新，提出生物医学领域三 类研究方法的决策支持模型，如图１。 增长。尤其是医学影像存储于传输系统（ＰＡＣＳ）的发 展与广泛应用，各大医院的各类医学影像数据已经向 ＰＢ（１ＰＢ＝１０１５Ｂ）级迈进。另外，医学影像数据的复 杂性、异构性和保存周期长等特点，对当前的数据管理 和分析系统都提出了巨大的挑战。 １．３健康管理系统产生了电子健康档案大数据 传统的卫生统计方法是将数理统计的原理和方法 应用到卫生领域，通过设计、收集、整理和分析，获得可 靠结果的过程；数据挖掘方法是对大量观察到的数据 进行分析，以便从中发现事先未知的联系和规律的过 程；大数据研究方法旨在从海量复杂数据中抽取知识 和观点。 健康管理从服务对象的层次分为：面向社区的健 康管理和面向个人的健康管理。与之相对应，电子健 康档案也区分为社区电子健康档案和个人电子健康档 案。两者的关系是：个人电子健康档案是基础，包含个 人所有的健康信息；社区电子健康档案是汇总，是与区 卫生统计决策支持模型与其他两类模型的显著差 异：一是数据尺度的差异。卫生统计是依据决策的精 度决定样本含量，通常是几十到几百个体；而数据挖掘 现代医院管理２０１５年８月第１３卷第４期ＭｏｄｅｍＨｏｓｐｉｔａｌＭａｎａｇｅｍｅｎｔ，Ａｕｇ．２０１５，ｖｏ１．１３，Ｎｏ．４ ・２１・ 经常会面对ＭＢ至ＧＢ级的数据库，大数据方法处理 结构化的表，半结构化的网页，非结构化的文字、图片、 音视频等。四是数据分析的理论、方法及工具不尽相 同。卫生统计基于的理论和方法是假设检验、关联性 的数据量更大，会达到ＴＢ至ＰＢ级。二是数据获取的 差异。卫生统计处理的数据往往是针对特定的问题而 采集的数据，在采集数据之前一般有严谨的设计，然后 分析数据解决特定的问题，属于本位分析；而数据挖掘 和大数据所使用的数据原本就存在的，可能是为了其 他目的而采集的，是属于数据分析的次级过程。三是 分析、回归分析等统计学方法，数据处理工具是成熟的 也较为简单的电子表格、ＳＡＳ、ＳＰＳＳ等工具；数据挖掘 基于的理论和方法是聚类分析、分类分析、关联规则分 析等数据挖掘与知识发现理论和方法，数据处理工具 是数据库管理系统等大型数据处理软件；而大数据处 理的理论和方法是自然语言处理、离群点分析、知识推 理等理论和方法，数据处理的技术是云存储和云计算 等新兴技术 。 大数据方法 —数据形态的差异。卫生统计处理的数据是完全结构化 的数据，而数据挖掘可以处理结构化和半结构化数据， 基于ＨＬ７标准的医疗文书数据挖掘就是半结构化数 据；大数据方法处理的数据更是多态而且更新迅速，有 卫生统计方法 —数据挖掘方法 —－－（ 决策支持目标）＿一 １．药物效验证 ２．致病因素分析 ３．平均水平预测 ４．・・－－・・ ＿＿（ 决策支持目标）＿一 １．住院患者聚类 ２．冠心病分类 ３．院内感染监控 ４．・…・・ ＿＿（ 数据获取与整理）一 １．数据自组织 ２．动态实时数据 ３．结构化、半结构化、非结构 化数据；４．…… ｌ —ｌ —Ｉ —一＿（ 数据获取与整理 卜 １．严谨的实验设计 ２．从总体中抽取样本 ３．数据整理与审核 ４．结构化数据 －．（ 数据获取与整理 卜 １．收集整理数据 ２．数据情况 ３．结构化、半结构化数据 ４・・ ・・・ ．＿（ 分析理论与方法 卜 １．自然语言处理 ２．离群点分析与监测 ３．知识推理与预警 ４．・…・・ ｌ —Ｉ —ｌ —＿（ 分析理论与方法卜一 １．假设检验理论 ２．关联性分析 ３．回归分析 ４．－－・・・・ ＿＿（ 分析理论与方法 卜 １．聚类分析 ２．分类分析 ３．关联规则分析 ４．・・・・・・ ＿＿（ 处理工具与技术）一 Ｉ．云存储与云计算 ２．大数据可视化技术 ３．流媒体技术 ４．・・・・－・ ｌ —ｌ —ｌ ——＿＿（ 处理工具与技术）一 １．电子表格 ２．ＳＡＳ ３ ＳＰＳＳ ４．…… ＿＿（ 处理工具与技术）一 １．数据库管理系统 ２．数据仓库系统 ３．数据挖掘工具 ４．・・・－・・ （ 决策支持目标）＿一 １．传染病监测 ２．智慧健康管理 ３．影像大数据分析 ４．・・・・・・ ｌ ｌ ｌ （ 决策支持 ） （ 决策支持 ） （ 决策支持 ） 图１ 三类生物医学决策支持模型对比 除了上述差异外，大数据决策支持模型与其他 两类模型还有一个显著的差异，即大数据方法通常 据研究的基本要求。大数据研究课题是否能够取得 成功与患者参与程度有密切关系，然而随着生物医 是数据驱动型决策，而其他两类方法通常是目标驱 动型决策。所谓目标驱动型决策是指决策者首先要 明确决策支持的目标，即先明确“干什么”，然后研 究“怎么干”，一般是通过数据采集加工与分析计算 等步骤，对数据中的有效信息进行提取和分析，从而 达到对态势评估，趋势预测等目的。所谓数据驱动型 决策是侧重于训练机器的组织和学习能力，能够响应 数据的动态变化，发现海量数据中的“离群点”，并深 入推演分析“离群点”形成的背景和原因，从而最终达 到监测、预警并积极处理突发事件的目标。 ３大数据时代生物医学决策支持面临的挑战 ３．１ 生物医学数据隐私保护与大数据共享要求高矛 盾突出 一学数据的采集、加工和应用，数据泄露时有发生，进 而带来医学数据隐私的泄露；另一方面，随着患者对 个人隐私保护意识增强，科研人员必须告知患者大 数据研究可能给他们及其后代带来的利益与风险， 并尽可能找到保护患者隐私的办法，以获得患者的 信任与参与。 ３．２ 生物医学数据的特殊性与大数据处理能力不足 矛盾突出 除了大数据海量、异变、多态的基本特征外，生 物医学大数据还具有：一是时序性，数据会随着时间 推移而不断演绎；二是异构性，由于研究对象复杂、 试验人员差异、仪器设备差异，造成生物医学数据异 构性非常大；三是要求高，对于作为判断患者病情发 生发展重要依据的生物医学数据 （下转第８０页） 方面，开源和高度数据共享是生物医学大数 ・８０・ 现代医院管理２０１５年８月第１３卷第４期Ｍｏｄｅｍ Ｈｏｓｐｉｔａｌ Ｍａｎａｇｅｍｅｎｔ，Ａｕｇ．２０１５，ｖｏ１．１３，Ｎｏ．４ ２讨论 圈活动前后采用自制的评分表，对每位圈员进行能力 测评，内容包括解决问题能力、责任心、沟通协调、自信 心、团队凝聚力、积极性、品管手法掌握程度、个人素 养，结果显示，圈员各方面能力均有大幅度的提升。 ３小结 ２．１ 缩短医保患者平均住院日具有重要意义 实施医保总额预付制后，医院面临医保经办机构、 医保患者的双重压力，如何平衡不断增长的服务需要 和费用控制的管理需要，是医疗机构要重点关注的问 题 。而平均住院Ｅｌ是评价医院工作效率和效益、医 品管圈活动是建立在ＰＤＣＡ循环基础上的一种推 动Ｆｔ常工作质量持续改进的有效工作，是作为对传统 自上而下管理模式的有力补充。通过对缩短医保患者 疗质量和技术水平的综合指标，有效缩短医保患者平 均住院日，不但能够减轻医保患者负担，在总额相对固 定的情况下，还可以扩大医保的收容量，提高床位利用 率，提高社会效益和经济效益。 ２．２品管圈活动能有效缩短医保患者平均住院日 通过品管圈活动的开展，圈员查验中发现的瓶颈 平均住院日的积极尝试，今后可以在医院的医保管理 工作中开展更多的品管圈活动，让医保各细项工作螺 旋式递进，向标准化、规范化、科学化发展，更符合医改 发革与医院发展需要。 参考文 献 制约问题，如临床医生医保不熟悉、对工作效率认 识不够全面、医保患者手术等候时间长、医技科室预约 等候及出报告时间长、没有建立良好的双向转诊通道 ［１］ 陈琳．林梅，茅建华，等．医保定额结算方式对平均住院日的影 响［Ｊ］，东南国防医药，２０１４，１６（１）：６ｏ一６１． ［２］ 肖谦，廖碧玉．品管圈在医疗收费管理中的应用［Ｊ］．医 院管理杂志，２０１４，（１０）：９８３—９８５． 等问题，都制定了相应对策并实施。实施半年以来，品 管圈活动取得明显成效，医保患者住院时间延迟率下 降至２１．３３％，降低了２５．６７个百分点。而且２０１４年 上半年医保患者平均住院日也由原来的１２．８８天缩短 至１２．３２天，管理手段发挥了良好效应。 ２．３品管圈活动可提升医保专管人员综合素质 ［３］张蘅，闰冰．总额预付改革下精细化医保住院指标的实施［Ｊ］． 中国医院管理，２０１２，３２（６）：４２—４４． 通信作者：廖碧玉（１９８１一），女，经济师，本科；研究方向：医 院成本核算。 收稿日期：２０１５—０６—０８ （编辑曹晓芸） 品管圈活动从选定主题到问题解析，提高了医保 专管人员自主学习、主动分析的能力；拟定、实施对策， 体现收费人员的解决问题能力和团队协作精神；活动 效果分析，增强了收费人员的自信心和责任感。品管 （上接第２１页）处理，准确性、保存周期、更新频率都提 出了很高的要求。生物医学的这些特性，对大数据的 收集、存储、传输、分析等处理能力都提出了挑战。 ３．３ 医疗机构狭隘的数据保护与大数据平台要求矛 盾突出 一参考文 献 ［１］李国杰，程学旗．大数据研究：未来科技及经济社会发展的重 大战略领域：大数据的研究现状及思考［Ｊ］．中国科学院院刊， ２０１２，２７（６）：６４７—６５７． 方面，在大数据时代下，尤其是数据驱动型的生 ［２］杨帅，胡宗倩，伯晓晨，等．云计算在生物医学中的应用［Ｊ］．中 国科学：生命科学，２０１３，４３（７）：５６９—５７８． 物医学决策，根本在于数据的拥有，可以说谁拥有大数 据，谁就有制胜的砝码，谁就能成为大赢家 ；而另一 方面，由于利益及风险等原因，生物医学科研部门及医 疗机构对于各自拥有的生物医学数据都持保护态度， 不愿意向社会和同行提供数据服务，各机构所积累的 海量数据基本还处于“孤岛”状态，这对于形成生物医 ［３］ 甘丽新，涂伟．大数据时代电子商务的机遇与挑战探讨［Ｊ］．科 技广场，２０１３，（３）：１３７—１４０． 通信作者：邬小军（１９６７一），男，博士，副教授；研究方向：卫 生勤务。 收稿日期：２０１５—０５—０４ （编辑马兰） 学大数据平台，提高研究效率都造成了极大的障碍。
