基于机器学习的医疗大数据分析与临床应用

郭尚志 章光裕 唐玉玲

摘要：医疗大数据分析与临床应用概括是当前针对医疗系统建立的一项基础项目，医疗大数据数目庞大、增长迅速快且结构相对复杂，是一种应用较为广泛的数据。机器学习技术能够有效地分析医疗大数据内部结构，对于疾病早期诊断与预防处理具有直接的应用意义。文章研究了机器学习在医疗大数据中的分析应用特点，对回归分析、决策树控制以及降维计算控制做出概括，在后续的医疗大数据学习应用过程中，实现在诊断系统、病案管理系统、门诊挂号系统、药品管理系统、医疗器械管理系统方面的优化，大大提高了医院信息处理的数据能力。

关键词：机器学习;医疗大数据分析;临床应用

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2022）12-0017-02

开放科学（资源服务）标识码（OSID）：

大数据是一种非常先进的数据技术，利用回归分析、卷积神经网络、循环神经网络算法对其作出控制。从海量数据中挖掘有效的数据内容，实现数据模式的概括。在数据模型的建立过程中，实现特征关系的概括，更好地完成现有的数据分析操作。医院信息化系统的建立，有着其使用年限。在当前以机器学习作为医院信息化系统的基础，进行医疗大数据分析概括及应用，为临床诊断提供多方面的依据。

1医疗大数据与机器学习

当前大数据的发展变得更加广泛，它需要利用纵向信息，对数据进行一定的补充。医疗大数据是医疗卫生机构发展产生的一类数据，其具备多样性、间接性、缺失性、隐藏性等特点，在医疗信息化时代内挖掘信息。医疗大数据成为做好临床服务的一项基本选择，医疗大数据应用较为广泛。在当前医疗途径选择过程中，其来源大致可以分为以下几种：1）基于医院医疗过程中的电子信息档案、影像记录或者相关的检查记录收费单、手术记录单等;2）基于物联网或者个人体征活动所创立的某些量化数据[1];3）按照区域协同卫生中心汇集的某些数据;4）基于宏观表达的医疗大数据等。当前医疗大数据的来源较为广泛，为临床研究做出了直接的铺垫。

1.2机器学习

1956年，人们首次提出了人工智能概念，希望通过计算机设计出具有人类智慧的机器。作为人工智能的重要技术，机器学习理念由此研发。由机器学习编码控制获得人的主观思想，其定义为不同编码手段的集合体。在当前的机器控制学习过程中，也受到更多的关注。机器学习以大数据作为支撑，在后续的评估建立过程之中以其算法作为核心，对其模式做好评估控制。最终利用模型做好信息的输入，了解到整个阶段性的过程[2]。如图1所示，当前机器学习的阶段性内容可以分为如下四个：1）定义目标，假设问题主要类型;2）数据收集，用于模型历史数据库的构建分析;3）模型评估，利用已有的训练数据库建立模型，提高模型后续的准确性及可拓展性;4）验证模型的预测成果，对于模型的数据输入能力做出一定的分析。

2机器学习常见算法模型

2.1浅层机器学习算法模型

为了获取机器学习算法模型的最优解，根据输入变量的控制特点，按照学习方式将机器学习分为督促学习、无督促学习，半督促学习等。督促学习是根据输入的变量以及期望变量，对于整个模型做出控制。底部提供输出变量作为其模型计算的核心，在输出模型的建立过程中，关键是根据模型的差异点进行控制。无督促学习的数据集是信号标识不明确的，一般情况下，其比督促学习相比更为宽松，因为大量数据的存在，使无督促学习具备一定的普遍性。在无督促学习的控制过程中，结合其不同信号的处理差别点，按照数据信号的集成模式进行控制，根据督促模型的特点做出书籍的整理[3]。半督促学习结合了前两种学习的特点，既有样本级信号，也能进行模拟训练。在数据输入过程中，对其进行控制，实现期望分析。

医疗大数据领域中应用的是浅层机器学习算法，对回归分析及内核计算、降维度计算控制进行处理。按照多维度调整内容做出控制，其决定的是某一阶段的输入特点。决策树算法是一种树状模型，基于内核的算法支撑，在向量控制过程中，按照高阶向量空间的使用对其进行分析，采用主成分分析法和偏离最小二乘回归法。两者皆能够降低维度，实现数据重组，基于内核算法，做好监督学习。医疗大数据领域应用机器算法模型，如表1所示。

2.2深度学习算法模型

深度学习算法模型是指针对深层机器学习理念做出控制的一类模型，以人工智能网络（ANN）作为其研究基础。以生物神经元模型进行构建，实现特征数值的连接训练。单层神经网络的构建，能够基于结构化的数据进行分析。在选择控制过程中，实现维度控制通过加权后的输入。带入激活函数，并对输出层和输入层间的关系进行控制。然而，感知器只能够解决线性风险关系，对于联接和分选功能特点，不能做出分析。多层感知器的控制结构点，按照多层感知功能，在医疗大数据领域中，应用深度学习算法模型包括卷积神经模型、循环神经模型、深度信念模型等。

3基于机器学习的医疗大数据临床系统应用

3.1门诊挂号系统

门诊挂号系统与当前的患者就诊过程直接相关，也是其建设的基础。首先要解决的是挂号，目前可以通过挂号App和医院门户网进行操作处理。门诊挂号系统通过完成患者信息录入、医师选择或者预约工作管理，利用JSP技术、Html 5技术实现相关信息的互通[4]。在系统建立过程中，对其作出铺垫。

3.2诊断治疗系统

诊断治疗系统将由医师进行操作，基于大數据的机器学习诊断治疗系统构建大数据。在其研究过程中，通过已有信息的采集进行分析，根据医院内已有患者的死亡率、出院率、手术例数。传入入院诊断标准，对其符合率做出分析，确定具体的编码值、上限值以及阈值，随后对其做出一定的控制。按照诊断管理系统建立，对已有病史状况做出分析，随后结合患者拍摄的CT影像、核磁共振、血常规等检测结果，为患者做出诊断录入。同时开具相应的诊断结果，便于继续使用控制。并按照录入目标确定出具体的标准，在后续的使用过程中，做好报表分析及基础维护。

3.3病案管理系统

病案管理系统是记录患者详细信息的系统，基于机器学习自动观念，在其模型建立过程之中，以决策树算法为核心，按照已有模型的评估数目做出分析。得出其内核模型的计算状况。该系统的建立过程会对相关患者信息、患者家属陪同信息、患者自身病史状况，患者疾病移位狀况等进行分析。在使用过程中关注患者的变化状况，并做出继续处理。这些信息会输入到系统内模块，也可以根据信息输入状况做出自动化数据的生成。预览打印系统的主要功能包括日常数据的管理、病案资料的查询以及相关报表数据的汇集。在词典数据、病历功能数据、报表数据的维护过程中，对其做出管理。

3.4医疗器械管理系统

医疗器械管理系统自身的功能较好，根据医疗工作的具体需求，按照医院的日常工作需要，实现医疗器械信息的加工处理。通常情况下，其所涉及的医疗器械种类较多。需要对这些医疗设备进行管理，目前其管理系统所需要的信息较多，包括生产厂家、销售公司以及采购员、保管员的具体信息，还需要进行入库管理操作[5]。从管理人员出发，在非机械自动学习系统建立的过程中，有大数据的编入、控制、查找、排序等功能，对于单据数据的功能实现，将逐渐完成采购数据的收集、保费数据的管理、统计数据的维护以及后续数据系统的建立。

3.5药品管理系统

药品管理系统是以实现药物分类作为管理核心的一类系统，融合大数据，可以将药品划分为中草药、西药、中成药等，实现药品功能打印操作，完成药品的入库管理控制。在库存管理保存以及药品功能方面，针对药品的输入控制特点而言，要结合大数据诊断下医疗救治需求。在药品系统建立过程中，对其做出入库管理、取出管理、报损管理、盘点管理以及药品申请管理。

4 结语

机器学习在医疗领域内的应用广泛。医疗数据契合了其机器学习发展的技术，相较于传统型的临床诊断过程而言，进行医疗大数据分析，能够规避相关误差。在客观评价过程之中，对其做出控制，实现了有关评价模型的构建。建立机器学习模型，在信息学习过程中，实现医疗系统的建立。基于医疗大数据应用，对临床数据特征做出分析和控制，为医疗器械管理、病房数据控制、药品管控、病历档案管理、诊断系统控制、门诊信息查询提供铺垫，从而在大数据观念以及学习自动化领域内，提高智能水平。

参考文献：

[1] 孙涛，徐秀林.基于机器学习的医疗大数据分析与临床应用[J].软件导刊，2019，18（11）：10-14.

[2] 李千惠.基于机器学习的急性肾损伤预测及临床应用优化[D].北京：北京交通大学，2019.

[3] 潘晓英，王佳，刘妮，等.机器学习在医疗大数据中的应用[J].西安邮电大学学报，2020，25（1）：21-33.

[4] 耿明菲.基于医疗大数据分析的门诊辅助诊断模型[J].自动化技术与应用，2019，38（10）：51-55，84.

[5] 王梓民.基于病例大数据的中医“治未病”机器学习方法[J].电子技术与软件工程，2019（5）：161-163.

【通联编辑：唐一东】