基于Hadoop的醫(yī)療輔助診斷系統(tǒng)的設計與實現(xiàn).pdf

1、我國醫(yī)院大范圍建設以電子病歷為重點的信息系統(tǒng)已進行了10多年。電子病歷、實驗室信息系統(tǒng)、醫(yī)學影像傳輸和存儲系統(tǒng)等信息系統(tǒng)已被引入到醫(yī)院中，這使得醫(yī)院積累了豐富的醫(yī)療數(shù)據(jù)資源。以上海交通大學醫(yī)學院附屬瑞金醫(yī)院為例，每年產(chǎn)生的臨床數(shù)據(jù)約在60TB。醫(yī)療數(shù)據(jù)包括了臨床診斷、檢驗檢查結果等類型，具有數(shù)據(jù)量大、數(shù)據(jù)形式多元、數(shù)據(jù)變化快、數(shù)據(jù)價值高的“大數(shù)據(jù)”特征。如何利用這些數(shù)據(jù)為臨床醫(yī)療診斷提供數(shù)據(jù)支持、讓醫(yī)生更好地為病人服務，是信息化建設的更

2、高要求。
　　論文結合《基于瑞金醫(yī)院的臨床大數(shù)據(jù)平臺建設和深度應用》實際項目，研究了基于大數(shù)據(jù)處理平臺Hadoop的醫(yī)療輔助診斷系統(tǒng)。首先分析了醫(yī)療數(shù)據(jù)的特點，綜述了數(shù)據(jù)挖掘相關技術。針對糖尿病人處方數(shù)據(jù)，研究了基于關聯(lián)規(guī)則的藥品推薦，并通過改進算法提高效率滿足了醫(yī)療診斷的及時性要求。針對甲亢病人的檢驗數(shù)據(jù)，研究了基于邏輯回歸的并發(fā)癥預測，結合醫(yī)療數(shù)據(jù)特點，分析了數(shù)據(jù)清洗、集成、轉換以及預測結果的評估相關技術。使用MapReduc

3、e和Spark兩種計算模型，論文對醫(yī)療輔助診斷系統(tǒng)的藥品推薦和并發(fā)癥預測功能進行了實現(xiàn)，驗證了課題研究方法和技術的有效性。論文的主要工作有以下幾個方面。
　?。?）研究了基于關聯(lián)規(guī)則的藥物推薦。利用數(shù)據(jù)挖掘中的關聯(lián)規(guī)則算法，找出醫(yī)療處方數(shù)據(jù)中的頻繁處方項集，并從頻繁處方項集中尋找有意義的處方關聯(lián)信息，在醫(yī)生開具處方時提供輔助診斷作用。為了滿足藥品推薦的及時性需求，論文對關聯(lián)規(guī)則的經(jīng)典Apriori算法進行改進，提出基于前綴項集的A

4、priori算法，并在實際醫(yī)療處方數(shù)據(jù)上證明了改進算法的有效性。
　?。?）研究了基于邏輯回歸的并發(fā)癥預測。針對病人的各種檢驗指標數(shù)據(jù)，結合數(shù)據(jù)挖掘中的邏輯回歸算法建立分類模型，通過該模型對未來病人的患病情況進行判斷，從而達到為醫(yī)生提供輔助診斷的效果。在預測功能具體實現(xiàn)中，本文使用了1~99分位極值處理、基于熵的數(shù)值離散化、針對不平衡數(shù)據(jù)的模型評估方法等技術以保證最終預測模型的準確性。
　　（3）在Hadoop平臺上使用Ma