不同规模医疗机构开放云服务模型及效益评估＊

魏 明，贾 亮

（连云港市东方医院 信息处，江苏 连云港 222042）

一、引 言

作为一个医疗机构，业务十分繁杂，各类管理信息系统明目繁多、异构性强，建设和维护强度大，传统信息系统架构技术已对我国医疗机构特别是基层医疗机构信息化发展产生了制约和阻碍。随着我国卫生信息化的不断发展、深入，卫生医疗机构对信息化建设提出了更高的要求。

随着移动通信技术和云技术的发展日趋成熟，医疗工作人员和管理者可以通过移动终端随时随地访问存储在云端的医疗数据。使用云技术不仅可以大幅度提升病例电子数据库的存储容量与数据处理的性能，而且能够使医疗保健服务变得方便快捷，提高其服务质量。通常地，云服务依靠第三方来提供数据存储和系统维护，用户可以根据自身需求，选择购买最合适的服务，从而节省开支、简化管理、提高效率。

本文探讨不同规模医疗机构建设基于云平台服务对其高效率高质量系统管理所起的重要作用。研究部署医疗云平台时所需的条件、面临的问题，对并解决方案进行优劣势分析。

云计算技术为信息系统建设带来了新的思路，并在西方发达国家得到了成功的应用。2011年7月，英国切尔西西伦敦健康中心建立了云平台来管理和存储电子健康档案，患者可以完全控制自己档案的访问权限。云服务提供商为了保证系统的安全性，设置了多重身份验证，以防止病人的隐私数据泄露或遭受非法访问。意大利罗马巴比诺隔宿儿科医院也采用了基于云技术的电子医疗服务，使用电子医疗系统让医务工作人员之间的合作更加协调高效，与患者的关系也更加亲密，并且还节约了宝贵的IT资源。在西班牙，一个名为“AVANZA计划”的医院放射治疗项目就是利用云计算技术实现的；而在南美洲的一些不发达国家，基于云的电子健康系统也得以投入实践。

随着电子信息技术和网络的发展，各种结合移动设备和云计算技术的应用也越来越多地出现在人们的视野中。比较常见的诸如将家用测量设备收集到的健康数据，如心电图、血压数据等，上传至云端进行存储和分析，然后追踪健康状态并得到分析报告的应用。

与西方国家一样，我国国内多家知名专业软件研发机构针对各类医疗机构提出了相应的云平台解决方案。如曙光与万达携手推出“医疗云”为成都市卫生局和基层医疗机构提供动态弹性数据中心，能够按照业务的特性提供可定制的解决方案，对于大访问的需求通过负载均衡有效承载百万级的网络访问，通过并行数据库确保系统提供安全和数据处理能力。

近年来，国内诸如百度、华为等信息服务提供商纷纷推出了各自的开放云服务方案，其中最具吸引力的即所谓弹性计算云（ELASTIC COMPUTING CLOUD，ECC）。弹性计算云是整合计算、存储与网络资源的一站式自助计算资源租用服务，其基本运用模式是按需使用、按需付费，包含云主机、云硬盘、镜像、弹性带宽、IP地址各种能力部件，能够支撑企业快速启动信息化项目、快速部署、简化运维，从而聚焦自身的业务发展。

基于弹性计算云的医疗云服务能够有效推进区域医疗业务信息共享，包括临床诊断、临床检验、临床检查、医疗业务等各类信息的互联互通，医疗云应用价值归纳起来为4点。

（1）降低成本投入：应用云计算，通过支付少量的租用费用，基层医疗机构就可获得云数据中心提供的存储与计算服务，从而使基层医疗机构以较低的成本获得较高的效益。

（2）信息资源共享：通过云计算模式，医疗机构间可以共同构筑医疗资源的信息共享空间，分享由大量系统连接在一起而形成的基础设施。

（3）降低运维费用：云计算模式对用户终端的配置没有限制，技术人员不必在升级基层内部硬件环境上煞费苦心，服务器日常维护也由云服务提供商来提供，从而降低工作强度。

（4）更加安全可靠。“云”中的服务器可快速利用克隆技术将某台服务器中的数据完全拷贝到别的服务器上，并启动新的服务器来提供服务，从而使医院真正实现无间断的安全服务。

二、医疗云平台模型

为对比分析云计算技术在各种不同规模的医疗机构中的应用可行性，本文假设某城市设有若干个具有30万患者年接诊能力的大型医院和多个可以年接纳3万名患者的社区医疗中心。所购置的开放云服务为电子病历资料的存储和授权访问。在保证数据服务与患者隐私保护安全性的前提下，为节约开支，两类医疗机构都需要精确估算租用云环境进行数据存储和处理的数据量，适度购买符合自身业务需求的服务，减少因使用云计算而产生的开销。在这一过程中，医疗机构相关患者有权知道自己的个人数据将被迁移到云端，并授权第三方服务商对其数据处理。

表1总结了基于云技术的电子病例系统所具有的优劣势、面临的问题，搭建云计算平台系统所必要的条件。

表1 基于云技术的电子病例系统比较Table1 Comparison of cloud technology－based digital clinical cases systems

假设大型医院每年接诊量为30万名就诊者，而各社区医院年接诊3万名，且各医院要求将电子病历全部上传至云端系统，那么有必要知道所上传的总体数据量。

大型医疗机构独立云平台架构方案见图1。

图1 大型医疗机构独立云平台架构方案Fig.1 Independent cloud platform architecture plan for large hospitals

如图1所示，对于使用云计算系统的大型医院来说，电子病历被存储在云端，医务工作人员可以通过医院的网络对其进行访问。这种部署需要医院的网络连接速度足够快，以保证医务人员能及时获取患者的电子病历。

图1还表明医务人员可以通过两种渠道访问患者的电子病历，即医院内部网络或联网移动设备。患者则可根据被授权的访问设备信息来查看自己的医疗记录。

图2显示的是多个社区医院联合共享医疗云部署方案。

在图2这一部署模式下，各社区医院共享同一个云服务，并可以通过医院内部网络对各自患者的电子病历进行访问。就访问模式而言，社区医院访问电子病历的途径与大型医院是一致的。采用这种云解决方案的原因在于，每个社区医院仅需承载较少的网络资源，共享云服务，从而提高服务利用率和经济效益。由于云服务的可拓展性，通过吸引更多的社区医院加盟，可以扩大共享网络和云服务增值功能，因此进一步提高每个社区医院的服务质量。

图2 基层医疗机构共享云平台架构方案Fig.2 Public cloud platform architecture plan for community hospitals

由于带有图片信息的电子病历数据量较大，在使用云服务时应部署混合解决方案，含有较大图片数据的电子病历只能存放在医疗机构本地的服务器中。为了更好地部署混合解决方案，需要将能使用云服务的电子病历进行分类，尽量地精确计算出适合上传的最大数据量，并在能保证访问云端数据速度的情况下选择合适的云服务。上传的电子病历数据量越多，使用的云服务越多，开销越大，对医院自身网络设备的带宽要求也越高。在采用混合解决方案时，需要将云平台和本地存储平台有效、无缝地结合起来，以保证医务工作者访问电子病历资源的服务质量和速度。

三、云服务开支估算

根据不同规模医疗机构云服务数据存储和传输量，笔者采用华为云服务价格测算器对医疗机构月开支账单进行评估，华为云服务工具能对电子病历系统的传输数据量进行统计，通过ECC服务，医疗机构可以将自己的电子病历数据存储在弹性存储块（EBS）中。由于华为云 WEB服务接口简单，用户可以轻松获取和配置容量，在存储和计算需求发生变化时，可以快速扩展计算容量，并按实际使用资源量计算费用，这种服务模式改变了计算经济理论。

根据经验，每个不含图片数据的电子病历大小一般在20～100KB之间。而含有图片信息的电子病历一般可达1～20MB之大，要上传这种数据对于医疗机构的网络带宽要求比较高，所以将这种电子病历部署到云端的可操作性比较小。在此，笔者假设每个电子病历大小统一为60KB。由于图片信息的数据量比较大，因此假设电子病历系统不包括图片数据。

表2展示了两种部署架构的实际需求。据此，一个大型医院电子病历数据所需EBS存储块约为20GB，而每个社区医院的数据约为2GB。

表2 两种部署架构的实际需求Table2 Demand for the two architecture plans

为了计算云服务下的数据传输量，假设医务人员会对每一起诊断进行数据查询和结果更新，且每个电子病历每个月被访问量平均为10次。评估结果显示，大型医院的传输数据量约为40GB，每月账单为3 770元；3个共享云服务的社区医院每月传输数据量约为4GB，月账单为1 194元。

四 、结论

本研究中使用的经济效益估算依据华为当前提供的弹性云服务价格估算。华为云估算工具可以为客户根据其业务量评估出月账单，以帮助客户决定购买何种服务。为了更精准地确定每个月使用云服务的数据传输量，未来研究可以对业务数据进行更细的划分和假设。另外，医疗机构可以对解决方案的时间段利用率进行探究，讨论是否有必要全天候24小时地使用云服务。

尽管本文中提到了云技术服务的很多局限性和缺陷性，需要注意的是云技术模式仍然在不断发展，并且必将在更多科学领域引领革新。笔者相信，在不久的将来，云技术将会带来为公共事业的发展带来更多改变和进步。

［1］ LINDE Y，BUZO A，GRAY R M.An algorithm for vector quantizer design［J］.IEEE Transactions on Communications，1980（1）：702－710.

［2］ KAUKORANTA T，FRANTI P，NEVALAINEM.Vector quantization by lazy pairwise nearest neighbormethod［J］.Opt.Eng，1999（11）：1862－1868.

［3］ MA C K，CHAN C K，Maximum descent method for image vector quantization［J］.Electron Letter，1991（12）：1772－1773.

［4］ KOHONEN T.The self organizing map［J］.Proceedings of IEEE，1990（9）：1464－1480.

［5］ HAWKINS D.Identification of Outliers［M］.London：Chapman and Hall，1980.

［6］ KNORR E M.Algorithms for Mining Distance－Based Outliers in Large Datasets［C］／／GUPTA A.Proc 24th Int Conf on Very Large Data Bases.New York：NY，1998.

［7］ JOHNSON T，KWOK I.Fast computation of 2－dimensional depth contours［C］／／PIATETSKY－SHAPIRO G.Proc 4th Int Conf on Knowledge Discovery and Data Mining.New York：ACM Press，1998.

［8］ YU D，SHEIKHOLESLAMI G，ZHANG A.Findout：Finding outliers in very large datasets［EB／OL］.（2002－09－01）［2014－02－01］.http：／／www.springerlink.com／...x／NTM59P9DB1AADH03.pdf－2002－9－1.

［9］ BREUNIG M M，KRIEGEL H，SANDERJ.LOF：Identifying Density－based Local Outliers［C］／／DUNHAM M，NAUGHTON J，CHEN W.Proc of the 2000 ACM SIGMOD Int’l Conf on Management of Data Dallas：ACM Press，2000.

［10］ HE Z Y，XU X F，DENG S C.Squeezer：an efficient algorithm for clustering categorical data［J］.Journal of Computer Science and Technology，2002（5）：611－624.

［11］ TAMHANE A C.A note on the use of residuals for detecting an outlier in linear regression［J］.Biometrika，1982（2）：488－489.