醫(yī)療行業(yè)大數據應用實例

大數據

醫(yī)療領域應用

演講人：崔浩博時間：.10.13ppt制作：崔浩博醫(yī)療行業(yè)大數據應用實例第1頁outline一、

醫(yī)療與大數據趨勢二

、醫(yī)療大數據應用場景三、

案例分析醫(yī)療行業(yè)大數據應用實例第2頁一、

醫(yī)療與大數據趨勢二、醫(yī)療大數據應用場景三、

案例分析醫(yī)療行業(yè)大數據應用實例第3頁醫(yī)療費用在不停上升

GDP占比非常高10-19%0-9%趨勢分析:我們正處于醫(yī)療行業(yè)一個主要轉折點

%

of

population

over

age

60

30+

%

25-29%

20-24%

2050

WW

Average

Age

60+:

21%Source:

United

Nations

“Population

Aging

”

全球老齡化

平均年紀60+人:當前10%,到2050年將抵達20%

以美國為例:醫(yī)療大數據價值3千億美元/年,相當于每年生成總

值增加0.7%醫(yī)療行業(yè)大數據應用實例第4頁到年，醫(yī)療數據將會急劇增加到35ZB,相當于年數據量44倍增加。01500010000

5000

趨勢分析:我們正處于醫(yī)療行業(yè)一個主要轉折點

存放增加

醫(yī)療服務產生數據總量(PB)AdminImagingEMREmailFileNon

Clin

ImgResearch

一個CT圖像含有大約150MB數據，而一個基因組序列文件大小約750MB，一個標準病理圖則大得多，靠近5GB。

假如將這些數據量乘以人口數量和平均壽命，僅一個小區(qū)醫(yī)院或一個中等規(guī)模制藥企業(yè)就能夠生成和累積達數個TB甚至數個PB級結構化和非結構化數據。醫(yī)療行業(yè)大數據應用實例第5頁一、

醫(yī)療與大數據趨勢二、醫(yī)療大數據應用場景三、

案例分析醫(yī)療行業(yè)大數據應用實例第6頁醫(yī)療大數據應用場景醫(yī)療行業(yè)產生數據量主要來自于PACS影像、B超、病理分析等業(yè)務所產生非結構化數據。人體不一樣部位、不一樣?？朴跋駭祿募笮〔灰?，PACS網絡存放和傳輸要采取不一樣策略。面對大數據，醫(yī)療行業(yè)碰到前所未有挑戰(zhàn)和機遇。醫(yī)療行業(yè)大數據應用場景非常多，右圖僅以臨床操作和研發(fā)為例，展示醫(yī)療行業(yè)大數據應用場景。對于公共衛(wèi)生部門，能夠經過過覆蓋全國患者電子病歷數據庫，快速檢測傳染病，進行全方面疫情監(jiān)測，并經過集成疾病監(jiān)測和響應程序，快速進行響應。比較效果研究臨床操作臨床決議支持系統醫(yī)療數據透明度遠程病人監(jiān)控研發(fā)預測建模提升臨床試驗設計統計工具和算法疾病模式分析7醫(yī)療行業(yè)大數據應用實例第7頁一、

醫(yī)療與大數據趨勢三、

案例分析二、醫(yī)療大數據應用場景醫(yī)療行業(yè)大數據應用實例第8頁臨床醫(yī)生知識更新無法與急劇增加醫(yī)學知識同時。對大批量常規(guī)決議工作，自動化決議效率更高(如大量常規(guī)試驗室檢測和數據分析等)。人有時會犯錯誤或失誤，當然醫(yī)生也不例外(復雜病例和常見病例都會犯錯),使用臨床決議支持系統，能夠提醒教授沒在意或沒有發(fā)覺到病人信息，從而提升診療準確性對醫(yī)學院學生，成熟專業(yè)臨床支持系統可能是他們學習專業(yè)知識和教授經驗方便可得廉價老師，同時也是他們初入醫(yī)院實習工作非常好助手。臨床決議支持系統功效和作用醫(yī)療行業(yè)大數據應用實例第9頁案例分析醫(yī)療行業(yè)大數據應用實例第10頁基于知識庫CDSS

大部分CDSS屬于這類，它由三大模塊組成：知識庫、推理機和通訊模塊。知識庫存放著編譯好醫(yī)學知識，推理機則依據知識庫里規(guī)則，以及患者資料進行自動分析。分析結果經過通訊模塊反饋給用戶。比如：MYCIN非基于知識庫CDSS主要是經過機器學習從已經有經驗中自動攫取規(guī)則。醫(yī)療行業(yè)大數據應用實例第11頁MYCIN系統

MYCIN系統是由斯坦福(Stanford)大學建立對細菌感染疾病診療和治療提供咨詢計算機咨詢教授系統。醫(yī)生向系統輸入病人信息，MYCIN系統對之進行診療，并提出處方。細菌傳感疾病教授在對病情診療和提出處方時，大致遵照以下4個步驟：確定病人是否有主要病菌感染需要治療。為此，首先要判斷所發(fā)覺細菌是否引發(fā)了疾病。(2)確定疾病可能是由哪種病菌引發(fā)。(3)判斷哪些藥品對抑制這種病菌可能有效。(4)依據病人情況，選擇最適合藥品。醫(yī)療行業(yè)大數據應用實例第12頁咨詢開始時，先開啟咨詢系統，進入人機對話狀態(tài)。在對話過程中，系統向用戶提出必要問題，進行推理。當結束咨詢時，系統自動地轉入解釋子系統。解釋子系統回答用戶問題，并解釋推理過程。解釋時，系統顯示說明為何需要某種信息，以及怎樣得到某個結論。這么做主要目標是為了使醫(yī)生輕易接收系統結論。醫(yī)療行業(yè)大數據應用實例第13頁動態(tài)數據庫中數據表示數據庫中數據都用以下形式三元組描述：(對象屬性值）1.“對象”又稱為上下文，它是系統要處理實體，比如：PERSON(病人）2.“屬性”又稱臨床參數,用于描述對應對象特征，比如“病人”姓名、年紀、性別。3.“值”是指對應屬性值，依據屬性不一樣類別，其值能夠是一個或多個。對象屬性值病人-1性別((男1.0))病人-1藥品過敏((青霉素1.0)(氣芐青霉素1.0))病原體-1判別名<(鏈球菌0.6)(葡萄球菌0.4))醫(yī)療行業(yè)大數據應用實例第14頁MYCIN采取上下文樹(Contexttree)來表示問題,一棵上下文樹組成了對一個病人完整描述。醫(yī)療行業(yè)大數據應用實例第15頁知識庫知識表示領域知識表示領域知識用規(guī)則表示,其普通形式為：RULE***IF<前提>THEN<行為>

比如對以下規(guī)則：RULE047假如：（1）病原體判別名不確定，且（2）病原體來自血液，且（3）病原體染色是革蘭氏陰性，且（4）病原體形態(tài)是桿狀，且（5）病原體呈赭色那么：該病原體判別名是假單胞細菌，可信度為0.4。醫(yī)療行業(yè)大數據應用實例第16頁靜態(tài)知識表示（屬性特征表示）

從臨床參數（屬性）角度來看，可認為每個臨床參數都具很各種特征。主要特征有：MEMBEROF:按所描述對象不一樣迸行分類時，臨床參數所屬類型名，比如:PRO-PToVALUTYPE:臨床參數是單值、二值還是多值。PROMPT:用于向用戶提問一個單值或二值參數值。LABDATA：用于指出對應參數值是否可從用戶那里取得。對象屬性值BURNMEMBEROFPRO-PTBURNVALUTYPEBINARYBURNPROMPTIs*aburnpatient?BURNLABDATA1醫(yī)療行業(yè)大數據應用實例第17頁

推理策略：

MYCIN咨詢系統采取逆向推理（目標驅動）過程。在咨詢開始時，首先例示上下文樹中根節(jié)點。根節(jié)點屬于PERSON類型上下文。例示包含以下3步：

(1)賦于這個上下文一個名稱；

(2)把這個上下文加到上下文樹上去；

(3)馬上跟蹤這類上下文MAINPROPS表中參數。

實例示范：

系統首先在數據庫中建立一棵上下文樹根節(jié)點,并為該根節(jié)點指定一個名字PATIENT-1(病人-1)，其類型為PERSON。

PERSON屬性為(NAMEAGESEXREGIMEN),其中前三項都具LABDATA特征，即可經過向用戶問詢得到其值。于是系統向用戶提出問詢。

用戶輸人病人姓名、年紀及性別，并以三元組形式存入數據中。REGIMEN不是LABDATA屬性，必須由系統推出。

醫(yī)療行業(yè)大數據應用實例第18頁為了得到REGIMEN,系統將開始推理過程。推理時首先利用一條規(guī)則是RULE092。規(guī)則092

IF存在一個病菌需要處理

一些病菌即使沒有出現在當前培養(yǎng)物中，但已經注意到它們需要處理

THEN依據病菌對藥品敏感情況，編制一個可能抑制該病菌處方表

從處方表中選擇最正確處方

ELSE病人無須治療規(guī)則092前提部分包括到臨床參數TREATFOR，它是一個NONLABDATA,因而系統調用TREATFORUPDATEI-BY特征所指出第一條規(guī)則090。

醫(yī)療行業(yè)大數據應用實例第19頁規(guī)則090：

IF已知細菌類別

存在和這種細菌出現相關顯著病癥

THEN必定存在一個需要處理細菌(可信度1.0)檢驗它前提是否為真，此時假如該前提所包括到值是可向用戶問詢，就直接問詢用戶,不然再找出可推出該值規(guī)則。如此重復進行，直到最終推出PATIENT-1主要臨床參數REGIMEN為止。醫(yī)療行業(yè)大數據應用實例第20頁發(fā)展障礙

醫(yī)學知識復雜性造成了系統設計時需要考慮非常多原因，如患者癥狀、體征、試驗室檢驗數據、家族史、基因、流行病學資料、現有醫(yī)學文件等等。而且，每年發(fā)表臨床研究數以千計，而且不少研究彼此矛盾，大量數據造成了系統維護上存在困難。當前成功用于診療步驟CDSS經常局限于某個領域，比如，1971年上線使用Leeds腹痛診療系統，其診療正確率高達91.8%，而醫(yī)生診療正確率在79.6%。但這套系統僅能用于腹痛診療。臨床工作復雜性也增加了系統整合難度。當前大多數系統仍獨立于臨床工作流程，這造成了醫(yī)生需要獨立打開CDSS，然后花費時間錄入患者資料，降低了工作效率。當前整合比較成功案例是藥房系統和賬單系統。因為藥房工作相對簡單，CDSS主要處理藥品