基于数据仓库的临床决策支持系统在我院的应用

赵妍，王颖，闫国涛，邵伟

邯郸市中心医院 信息科，河北 邯郸056001

基于数据仓库的临床决策支持系统在我院的应用

赵妍，王颖，闫国涛，邵伟

邯郸市中心医院 信息科，河北 邯郸056001

目的建设临床决策支持系统，辅助医生从日常大量的临床数据中迅速挖掘出有价值的信息，为患者快速制定个性化的诊疗方案、降低医疗风险、提升医疗质量。方法收集国内外相关材料，利用数据仓库、数据挖掘技术，结合相关医疗保障政策建立一个符合临床实际操作的临床决策系统。结果该系统可智能提供安全诊疗方案、药物过敏警示、重复检验检查提示等相关功能。结论基于数据仓库的临床决策支持系统的应用，减轻了医生负担，是基层医院信息化发展的趋势。

医院信息系统；临床决策支持系统；数据仓库；数据挖掘

随着计算机技术的不断发展，医学领域对计算机的依赖日益增强，医院信息系统（HIS）已经成为临床医疗所依赖的重要工具和手段。经过多年的积累，HIS已经收集到了海量的信息，同时仍在呈几何级数增长。虽然这些信息成为医院的宝贵财富，却无法改变“数据爆炸但知识贫乏”的现象。如何充分利用这些宝贵的医学信息来为疾病的诊断和治疗提供科学的决策，为基层医护工作人员提供实时、权威、有效的临床决策支持，将成为未来医疗信息化发展的趋势。本文将系统地阐述临床决策支持系统在医院信息化建设中的建立与应用。

1 决策支持系统的基本概念

决策支持系统以管理学、运筹学、控制论和行为科学为基础，以计算机技术为手段，综合利用现有的数据、信息和模型，辅助决策者提高解决半结构化或非结构化决策问题有效性的人机交互系统[1]。临床决策支持系统顾名思义，也就是决策支持系统在医院中的应用。它的核心就是通过人工智能技术应用，将医院信息处理与临床实践信息集成，根据医学专家提供的知识和经验进行推理和判断，模拟这些专家的决策过程以解决各类复杂的临床问题[2]。

2 国内外现状与存在的问题

决策支持系统的概念于20世纪70年代由美国学者首先提出，80年代开始蓬勃发展。80年代末，美国波士顿马萨诸塞州综合医院首次应用了基于知识库的临床诊断，从而开始了决策支持系统应用于临床医疗的历史。

我国的医院信息化经过近30年的发展建设，大部分的大中型医院已经建设了医院信息系统（HIS）、实验室管理系统（LIS）、影像管理系统（PACS）等常用的信息系统。每个系统对医嘱、病历、检验、检查影像等各有侧重，临床医生需要综合各系统的信息进行分析，一旦漏掉重要数据便有可能得出不同的诊治方案，造成医疗差错。因此，国内目前已有不少医院开始实施临床决策支持系统，但多处于探索阶段，尚没有形成统一、规范的标准。

目前存在的问题：多数的临床决策支持系统只是基于知识库的临床指南，缺少对临床诊治的辅助决策功能，真正具有基于不同患者的个性化分析及辅助决策功能的临床决策分析系统还未实现。根据国家版ICD10编码的疾病就有几万种，常见的疾病也有几千种，因而由此衍生的各种临床症状、检验检查结果等信息更是不可胜数，临床医师无法保证每一次都能通过不同的数据信息得出正确的结论。此外，国家医疗保障覆盖范围日益扩大，医保支付种类及支付总额的限制也成为临床医生诊治的约束条件。

3 系统建设目标

临床决策支持系统的建设是把零散分布于各个系统的数据进行整合，并按照不同专业关注点进行区分，实现数据的抽取、加工和转换[3]。我院临床决策支持系统综合临床医生多年经验，由具有多年医技工作经验的检验、检查技师的鼎力协助，利用数据仓库技术，通过人工智能技术进行人机交互。系统采集临床患者既往史、诊断、用药、生物学资料等数据生成变量，用数据挖掘决策树算法进行综合分析，为临床医生提供个性化的诊治方案。

4 系统实现的关键技术

4.1 数据仓库

4.1.1 概念

数据仓库（Data Warehouse，DW）是由数据仓库之父W.H.Inmon定义，是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持经营管理中的决策制定的过程[4]。

4.1.2 DW的功能

医院数据仓库的主要功能应具有多层次、多角度的数据挖掘、分析和辅助决策能力，以提高临床及科研能力。数据是决策支持系统的基础，因此DW是支撑决策支持系统最基础的工具。它可以把医院各信息系统的数据提取出来，即把分散的、难于访问的数据，转化为集中统一、随时可用的信息。

4.1.3 DW的结构和设计

总体层次由基本功能层、管理层和环境支持层3部分组成[5]。设计过程是一个循环往复的过程，通常涉及数据的选择、变换、建模、评估、解释模型、运用和巩固模型等步骤（图1）。以住院患者费用为例，设计住院患者费用事实表和相关的维度：事实表收集与患者费用相关的各种信息，包含多个度量值条件，用于求和、百分比、平均值等基本函数；建立的维度分别是患者的基本信息、疾病名称、收治医生、入院科室、入/出院时间、费用类别等，这些数据均可从HIS数据库中抽取。每个维度可设多个级别，每个级别可设多个属性，如科室维度设有两个级别，即门诊科室和病房科室。每个级别可设多个属性，如科室级别分别有科室名称、内外科标志属性等。

图1 DW的结构模型

4.1.4 DW的建立

医院的信息系统和数据源较为丰富，经调研分析可以分为以下几类：

（1）基础数据字典。方便数据的统计分析，是数据的规范化说明和数据仓库的数据源。

（2）诊疗数据。包含病人基本信息、就诊、检查、检验、诊断、病程、医嘱等与医疗行为相关的数据。

（3）物品流向数据。主要包括药品流向、办公用品、医疗设备及固定资产等相关数据。

（4）财务数据。指医院日常运营中的收入与支出数据。

（5）质控与管理数据。主要是由前3类数据产生过程的信息及其行为的评估判断信息为基础。

4.2 数据挖掘

4.2.1 概念

数据挖掘（Data Mining，DM）是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道、但又是潜在有用的信息和知识的过程[6]。DM起源于20世纪80年代，在决策支持中扮演着重要的角色。DM主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，可自动化的分析已有的数据，做出归纳性的推理，从中挖掘出潜在的信息，帮助决策者作出正确决策[7]。

4.2.2 DM常用的算法

DM常用的算法有关联规则、决策树、粗糙集、统计分析、神经网络、支持向量机、模糊聚类、基于范例的推理、贝叶斯预测、可视化技术[8]。用于辅助临床疾病诊断的数据挖掘算法主要有人工神经网络和决策树。本系统使用的方法就是决策树，该算法能对现有医学数据库进行综合分析，生成个体化临床医学诊治的参考方案，实现临床决策支持。

4.2.3 DM的应用

以糖尿病为例建立决策树，从而判断出患者所患糖尿病的类型。起点是血糖高，第一个分支判断条件是否妊娠期，答案“是”，决策树就直接归于妊娠期糖尿病；答案为“否”，则属于其他类型糖尿病，然后再根据年龄、是否有自发性酮症、病情的起因快慢和轻重等条件判断该患者是I型糖尿病还是Ⅱ型糖尿病。

4.3 系统结构设计

4.3.1 设计思路

遵循“在正确的时间、对于正确的人、提供正确的信息”的设计理念，利用数据挖掘技术对积累的海量医疗信息进行挖掘和分析，为临床医生提供科学智能的诊疗方案、治疗安全警示、药物过敏警示、重复检验检查提示等一系列人机互动的应用。同时还会参考数据仓库中的医疗支付保障相关政策信息来调整诊治方案，从而使费用结构更加合理，减少医疗浪费。

4.3.2 总体架构

系统总体架构分为3层：支撑层、分析层和应用层（图2）。

图2 决策支持系统总体架构示意图

（1）支撑层。由临床数据和临床知识库构成。其中临床数据主要包括患者的基本信息、主诉、临床辅助检查信息、临床诊断等；临床知识库主要包括临床治疗指南、临床相关业务术语、相关政策等，为系统提供数据来源和业务规则支撑。

（2）分析层。利用数据挖掘技术，对临床数据仓库中的数据进行分析。根据临床知识库设定的业务规则，触发临床干预，实现临床决策支持系统的应用。

（3）应用层。可以智能提供诊疗方案、治疗安全警示、药物过敏警示、重复检验检查提示等一系列的相关应用。

5 系统主要功能

5.1 智能提供诊疗方案

系统可以根据患者的疾病临床表现、临床检验检查结果、生理、心理状况等特征，同时参考该患者所属的医疗保障的相关政策，通过数据挖掘技术为其制定个性化诊疗方案。以高血压患者为例，系统会在大量的高血压患者病例治疗的临床资料基础上，利用数据挖掘技术，将患者根据不同生理、心理等特征划分为不同的人群，再分析适合不同人群的最佳治疗方案，辅助临床医生进行治疗方案的制定。

5.2 治疗安全警示

治疗安全的审查信息包括：患者药物禁忌审查、检验检查相关的禁忌审查、药物之间配伍禁忌的审查、治疗相关的禁忌审查等。

5.3 药物过敏警示

利用原有的过敏类药品知识库体系和患者的现状（是否存在家族过敏史、是否特殊人群等）提供药物过敏警示功能。

以心血管疾病为例，常用的药物包括倍他乐克、利多卡因、硝酸酯类药物。而他汀类药物禁用于孕妇、哺乳期妇女；利多卡因禁用于局部麻醉药物过敏者；硝酸酯类药物禁用于青光眼患者、有机硝化物过敏等患者。当医生对该类患者制定医疗方案时，系统将自动对该类药物进行过敏提示。

5.4 重复检验检查提示

当医生对患者开出检验检查医嘱时，系统会自动与上一次做该项检查的时间进行对比，如发现间隔的时间小于系统设定的周期，系统将会予以提示，从而避免进一步损害患者的身体免疫力。

6 结束语

我院临床决策支持系统采用了目前比较先进的数据仓库和数据挖掘技术，实践表明，该系统可以从积累的海量临床信息中提取出有价值的信息，帮助临床医生迅速、准确的为患者做出治疗方案，降低医疗风险，减少医疗浪费，充分体现了“以病人为中心，以医疗质量为核心”的理念，从而提高医院的整体医学水平和医院的核心竞争力。

根据临床使用的实际情况，我们会持续改进和完善临床决策支持系统的功能，为医院信息化建设奠定坚实的基础。

[1] 陈贤博.基于Web挖掘技术的网络营销决策支持系统研究[D].合肥:安徽工业大学,2004.

[2] 苗芳芳,刘骏峰.论人工智能的发展及其在医学领域的应用前景[J].卫生软件科学,2006,23(2):222-224.

[3] 马云,夏新,刘博,等.基于临床决策支持系统与知识库的临床数据中心的研究与应用[J].中国医疗设备,2014,29(7):61-63.

[4] Inmon WH. Building the Data Warehouse[M].John Wiley & Sons,Inc,1993.

[5] 陈京民.数据仓库与数据挖掘技术[M].北京:电子工业出版社,2002:95-96.

[6] 吴文俊,周彬,沈黎,等.医院信息系统Sybase数据库的维护管理[J].中国医疗设备,2015,30(8):81-83.

[7] 陈金雄.构建基于数据仓库的医院决策支持系统[J].医疗卫生装备,2012,33(1):77-78,81.

[8] 王祥辉,匡晓宁,刘伟达,等.数据挖掘技术及其在决策支持系统中的应用[J].计算机技术与自动化,2001,23(4):99-102.

Application of Clinical Decision-making Support System Based on Data Warehouse in the Hospital

ZHAO Yan, WANG Ying, YAN Guo-tao, SHAO Wei
Department of Information, Handan Central Hospital, Handan Hebei 056001, China

ObjectiveTo establish a clinical decision-making support system to assist physicians in quickly mining valuable information from a large number of daily clinical data, developing personalized diagnosis and treatment program for patients, and improving medical quality.MethodsThe related domestic and foreign information was collected, on the basis of which the data warehouse and data mining technology were deployed in combination of relevant medical security policies to establish a clinical decision-making system suited for practical clinical operation.ResultsThe system was equipped with versatile features, including smart provision of secure treatment programs, drug allergy alerts and reminders for repeated testing and inspection.ConclusionThe clinical decision-making support system developed based on data warehouse reduced doctors burden and was the future trend for the development of hospital informatization.

hospital information systems; clinical decision-making support systems; data warehouse; data mining

TP311.13

A

10.3969/j.issn.1674-1633.2016.06.029

1674-1633(2016)06-0095-03

2015-12-17

2016-01-09

作者邮箱：646722183@qq.com