浅析数据挖掘技术在电子病历中的应用

申请免费试用、咨询电话：400-8352-114

       在建设数字医疗的基础之上，电子病历应运而生，其短暂的历史和迅速的崛起形成鲜明对比，在社会信息建设进程中担当了重要角色，并回应了强烈的社会医疗诉求，将医疗服务的手段和模式推向纵深。在这一短暂的本土化发展进程中，电子病历由简单文字纪录载体，迅速进化为多样式的健康信息体系，其集成能力日益强大，其交换整合能力使医疗信息流通得到加强。在当前医疗信息化需求的驱动之下，电子病历完成了系统搭建，使信息化渗透到临床工作中。
       反观电子病历的技术发展史，立足于眼前需求的功能实现已经完成：最早进行电子病历实践的地区和单位，都已拥有固定的运作经验，基于电子病历的诊疗新流程得到确立。进一步地，如何挖掘长远价值、发挥长期效益，成为电子病历发展的下一个主题。笔者认为，数字化医疗建设的真正意义，在于如何利用好这些长期积累的数据。对数据资源的开发利用，将使电子病历的意义得到淋漓尽致的展现，使其可交换性、可用性得到充分发挥。由此，电子病历后续发展的主题，明确指向“如何进行数据挖掘”。
1 广义数据挖掘
1．1 数据挖掘的含义
      数据挖掘是揭示存在于数据里的模式及数据问的关系的学科，它强调对大量观测到的数据的处理。数据挖掘能够从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的、最终可理解的模式。它是一门涉及面很广的交叉学科，涉及机器学习、模式识别、统计学、智能数据库、知识获取、数据可视化、高性能计算、专家系统等学科。数据挖掘的成果可以用在信息管理、过程控制、科学研究、决策支持等许多方面。
1．2 数据挖掘的产生与发展
       数据挖掘最初脱胎于统计学，通过计算机，对大量复杂的数据集自动进行探索性分析。尽管数据挖掘和统计分析之间有明显的联系，迄今为止大部分的数据挖掘方法并不产生于统计学科。正因为数据挖掘工作对商业、工业及科学研究具有极大的影响，在有需求的领域里，关于数据挖掘的研究总有可观的成绩。
1．3 被挖掘数据源的形式
       被挖掘的数据源有多种形式，目前可归纳的主要有：关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产(1egacy)数据库，以及Web数据源。简言之，大量数据库技术的发展，令数据存量大量增加，“数据爆炸但知识贫乏”，由此催生了数据挖掘技术，以获得海量数据背后隐藏着的知识。
2 特殊语境下的数据挖掘
       数据挖掘总是在某一特定知识领域内进行，具有普遍适用性的数据挖掘技术尚未出现。这由数据挖掘本身的难点决定。首先，巨量数据集的性质非常复杂，非线性、时序性与噪音普遍存在；其次，数据分析的目标具有多样性，而复杂目标无论在表述还是在处理上均与领域知识有关；第三，在复杂目标下，对巨量数据集的分析，目前还没有现成的且满足可计算条件的一般性理论与方法。在实际应用中，特定知识领域的确认，有效回避了数据挖掘的瓶颈问题。电子病历的应用就是这样一个明证。作为特殊法律文书，病历本身是严肃而确定的：知识领域的专注使数据噪音大量削减，使数据源形式简化，使分析目标明确，使语义指代明显，语义强度能够有序排列。另一方面，病历固有的格式要求和行文习惯，很好地解决了非线性问题和时序性问题。
      在特定知识库、特殊语言环境下，广义数据挖掘的难点被一一回避。因此，尽管广义数据挖掘还有很长的道路，还有诸多的分歧，但在电子病历中，专注于临床知识的数据挖掘应用是合理可行的，是符合现实的。
3 基于结构化采集的数据挖掘
3．1 预结构化
      预结构化电子病历是继“WORD电子病历”之后的一大飞跃。最初，一些医院采用WORD存储电子病历，将病历文本予以电子存储，除去存储和书写方式的变化，病历本身没有发生任何变化。其功能展开、数据交换、数据挖掘完全无法进行。随着社会信息建设要求的提高，数据应用的意义得到重视。以WORD存储电子病历，无法对病历数据进行开采和利用，只是数据垃圾的堆积。于是，电子病历结构化的理念在业界达成了高度一致。基于当时的技术水平，开发了“预结构化”模式：在病历中，按照医学专业要求，将知识点提炼，并逐一罗列，使用医学规范用语和诊断专业术语书写。所生成的电子病历，能够被识别，从而实现病历的检索、分析和质量控制，能够为专家系统所理解，从而为教学科研提供依据。预结构化模式的典型特征是病历模板的应用。病历模板的原型是纸质病历中的表格病历。借鉴表格病历的逻辑，病历模板提炼出了病历记录的必须项目，必须内容， 以及必须形式。在固定的形式下，将项目和内容尽数罗列，提供单选、多选的录人形式。
       由于知识库的支持，电子病历模板相对灵活方便。根据前文选择录入的内容，内部逻辑自动进行选择性地显示，过滤无关项目。其次，病案首页、检验报告等文书的格式固定，内容明确，预结构化的模板完全能够使之功能得到最大发挥。最后，病历模板分离了存储，实现了“动态模板”，以方便临床工作者重复不断地修改和完善模板，尽管如此，在实际使用中，预结构化的模板带有决定性的缺失。模板本身是对自然语言的解构，借助于医学的确定范畴和固定形式，这一过程确实能够圆满实现。但它同时也肢解了自然语言的流畅性和灵活性。当医生需要以独立完整的语言进行描述时，他们便抛弃了病历模板。绕过病历模板的录入方式，使预结构化丧失了用武之地。
3．2 后结构化
       实践表明，自由文本和预结构化病历的使用，难以满足临床科研数据管理与统计的要求，而严格的表格化病历限制了临床描述能力，为了准确表述临床行为，甚至需要另外撰写手工病历，遭到临床医生的反对。
       为了兼顾临床和科研，后结构化应运而生。后结构化的语义分析模型，最终是将语义元素的固有关系进行遍历，结合语义强度等因素，对自然语言进行处理。基于这一模型，得以对纯文本的病历内容进行结构化采集。在首页、医嘱、各类检查化验报告、病程记录、护理记录等良好的结构化文书之外，病历的主观描述部分也实现了完全结构化。解析自然语言的过程称为“后结构化”。与预结构化不同，后结构化并没有设定采集范式，没有设定数据的抓取结构，因而并不要求细致的填充。后结构化技术维护了病历描述的自然语境。后结构化有两大关键难点。首先是机器学习还相当幼稚。在预结构化中，由于抓取和采集的框架已经确定，解析和计算的逻辑相对固定，因而基本不需涉及机器学习。但在后结构化模式中，各种挖掘模式都有应用(如回归模式、聚类模式、关联模式、序列模式等)， 因而其规则抽取也更为复杂。作为一种机器学习方法，神经网络规则抽取的重要指标：泛化精度、保真度、可理解性，目前仍处于较低水平。其次，汉语言不同于依附语范畴的语言(诸如英语)，其转格及形式缺乏显著标志，给结构化处理带来了难度。此外，汉语言的词性词义只在特定语境中才能确定，同一词语可支持多种表义，多种词性，有很大的机会令算法进入死循环。因此，关于汉语言的结构化研究进度迟缓。综上所述，数据挖掘是电子病历发展到相当程度的必然要求。而在电子病历的应用中，实现数据挖掘的关键，即结构化采集。尽管存在着大量难点，但在强大的需求面前，结构化研究拥有良好的发展环境，必然能获得长远的发展。
参考文献
1 俞文敏．电子病历应用中存在的问题及解决方案探讨[J]．东南国防医药，2006，8(1)：66—67．
2 刘静，沈蓓，黄学宁，等．电子病历中结构化描述内容与专科病历模板[J]．现代医学，2005，33(6)：4]7—419．