姚純旭+嵇承棟+付強強

[摘要] 本文使用循證醫(yī)學方法，對“臨床醫(yī)學數(shù)據(jù)的分析方法與利用”主題進行取詞檢索，檢索中國生物醫(yī)學文獻、萬方、維普、中國知網(wǎng)四大主流中文數(shù)據(jù)庫，納入相關文獻進行分析。從臨床數(shù)據(jù)的分析流程、臨床數(shù)據(jù)的分析方法、數(shù)據(jù)在醫(yī)療領域的利用以及面臨的挑戰(zhàn)等幾個方面展開討論并加以歸納，為醫(yī)療大數(shù)據(jù)時代的臨床數(shù)據(jù)管理提供參考。

[關鍵詞] 臨床數(shù)據(jù)；數(shù)據(jù)分析；數(shù)據(jù)利用

[中圖分類號] R19 [文獻標識碼] A [文章編號] 1673-7210（2017）12（b）-0163-05

[Abstract] Based on the theory of the evidence-based medicine， the relevant information of the topic “analysis and utilization of clinical data” was searched. Sinomed， Wanfang Data， VIP and Chinese National Knowledge Infrastructure databases were searched to comprehensively collect related articles. The paper elaborates the following aspects： the data processing， the statistical analysis and utilization of the clinical data in the medical field as well as the confronting problems， in order to provide some references about clinical data management in the forthcoming years for big medical data.

[Key words] Clinical data； Data analysis； Data utilization

隨著醫(yī)療技術的飛速發(fā)展以及醫(yī)療大數(shù)據(jù)時代的到來，面對激增的海量臨床數(shù)據(jù)，臨床數(shù)據(jù)管理的重要性日益凸顯。2000年美國公布了《臨床研究數(shù)據(jù)管理規(guī)范》，并進行了多次后續(xù)修訂，該規(guī)范對所有臨床研究的數(shù)據(jù)收集流程、不良事件報告、數(shù)據(jù)質量控制、文件的分類歸檔以及數(shù)據(jù)管理培訓等進行了明確的規(guī)定[1]。1999年我國頒布《藥品臨床試驗管理規(guī)范》（good clinical practice，GCP），規(guī)定臨床試驗數(shù)據(jù)應正確無誤并及時地錄入分析，確保臨床數(shù)據(jù)質量以及數(shù)據(jù)的可溯源性[2]。2003年我國GCP參照國際公認原則進行了重新修訂，指出“所有涉及數(shù)據(jù)管理的各種步驟均需記錄在案，以便對數(shù)據(jù)質量及試驗實施進行檢查”“數(shù)據(jù)管理應用適當?shù)某绦虮ＷC數(shù)據(jù)庫的保密性，具有計算機數(shù)據(jù)庫的維護和支持程序”，可更加強調臨床數(shù)據(jù)的可溯源性[3]。2016年，國家頒布《國務院辦公廳關于促進和規(guī)范健康醫(yī)療大數(shù)據(jù)應用發(fā)展的指導意見》，提出健康醫(yī)療大數(shù)據(jù)作為國家重要的基礎性戰(zhàn)略資源，規(guī)范并推動其融合共享，開放應用勢在必行[4]。

現(xiàn)今對“醫(yī)療大數(shù)據(jù)”的分析方法日新月異，常用的臨床數(shù)據(jù)分析技術涉及到很多學科，包括醫(yī)學統(tǒng)計學、職業(yè)流行病學等，因此如何提取不同類型的臨床資料對有用的信息進行分析和利用是臨床數(shù)據(jù)管理的重要命題[5]。

1 臨床數(shù)據(jù)分析流程

臨床數(shù)據(jù)除具有“大數(shù)據(jù)”的特征外，還具有不完整性、冗余性、非標準化、隱私性、價值高的特點[6-7]。數(shù)據(jù)采集方式往往使用病例報告表，包括紙質病例報告表和電子病例報告表，前者包含了大量的非結構化數(shù)據(jù)和半結構化數(shù)據(jù)，非結構化數(shù)據(jù)是數(shù)據(jù)結構或記錄格式未經(jīng)標準化的一種數(shù)據(jù)形式，通常采用了自然語言錄入的方式；半結構化數(shù)據(jù)是部分結構化了的數(shù)據(jù)形式，相對于結構化數(shù)據(jù)，其構成更為復雜和不確定[8]。為了使這兩類數(shù)據(jù)更規(guī)范明了且有利于分析統(tǒng)計，需要通過語義分析以及數(shù)據(jù)提取將非結構化數(shù)據(jù)或半結構化數(shù)據(jù)轉化成結構化數(shù)據(jù)[7]。20世紀80年代開始臨床數(shù)據(jù)的采集開始逐步使用電子數(shù)據(jù)采集系統(tǒng)，方便研究者創(chuàng)建結構化的電子病歷系統(tǒng)，通過該系統(tǒng)，患者個體的醫(yī)療信息更加一目了然，有利于臨床醫(yī)生對病史進行追根溯源，并能夠在此基礎上建立臨床數(shù)據(jù)庫[1]。

臨床數(shù)據(jù)庫通過醫(yī)院信息系統(tǒng)、實驗室信息系統(tǒng)、放射信息管理系統(tǒng)及醫(yī)學影像存檔與通訊系統(tǒng)等采集臨床數(shù)據(jù)，囊括患者從入院到出院的所有診療信息。通過臨床數(shù)據(jù)庫可以構建臨床數(shù)據(jù)中心，醫(yī)務人員及臨床科研人員可以對臨床數(shù)據(jù)進行實時處理，并在數(shù)據(jù)交換平臺實現(xiàn)數(shù)據(jù)橫向或縱向的共享或流動。大規(guī)模的醫(yī)療數(shù)據(jù)集成臨床數(shù)據(jù)中心，利用臨床數(shù)據(jù)采集分析軟件可以對海量的醫(yī)療大數(shù)據(jù)進行統(tǒng)計學分析、數(shù)據(jù)挖掘、醫(yī)學建模，完成臨床數(shù)據(jù)的分析報告和臨床研究報告，再通過知識挖掘構建規(guī)則庫和知識庫，有利于臨床知識的管理，這樣又形成了知識管理的循環(huán)鏈（圖1）。另外，現(xiàn)有醫(yī)院在不斷更新臨床數(shù)據(jù)中心的同時又加入“臨床數(shù)據(jù)分析引擎”模塊和數(shù)據(jù)監(jiān)測環(huán)節(jié)，當然這也對醫(yī)院各系統(tǒng)的兼容性提出了更高要求[9]。

2 數(shù)據(jù)分析

高質量臨床數(shù)據(jù)的獲得是臨床數(shù)據(jù)管理的基本要求，臨床數(shù)據(jù)必須是真實可信的，并且必須和研究目的相關，還要適合于統(tǒng)計分析[10]。臨床數(shù)據(jù)分析具體過程可分為采集、導入、統(tǒng)計和分析、數(shù)據(jù)挖掘。數(shù)據(jù)挖掘技術包括醫(yī)療大數(shù)據(jù)的預處理、算法（人工神經(jīng)網(wǎng)絡、決策樹分析、隨機森林算法、聚類分析、貝葉斯算法等）、醫(yī)學建模、大數(shù)據(jù)的快速檢索與處理、數(shù)據(jù)安全等。

2.1 一般統(tǒng)計學分析

在臨床研究中應用最廣泛的是隨機對照試驗，在數(shù)據(jù)分析時，不同統(tǒng)計方法對結果的解釋也不同，因此通過不同的資料類型選擇適當?shù)慕y(tǒng)計學方法尤為重要。循證醫(yī)學對隨機對照試驗所獲得的數(shù)據(jù)進行Meta分析，將主題詞加自由詞組合，通過循證醫(yī)學方法在數(shù)據(jù)庫中大范圍檢索相關文獻，將同質性高的文獻數(shù)據(jù)進行合并，計算合并效應量。endprint

2.2 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘在研究領域中被稱作“數(shù)據(jù)庫中知識的發(fā)現(xiàn)”[11]。醫(yī)學數(shù)據(jù)挖掘是從大量醫(yī)學數(shù)據(jù)中通過各種算法來尋找疾病新規(guī)律的過程。數(shù)據(jù)挖掘技術包涵多種算法，不同樣本類型通過不同算法對臨床數(shù)據(jù)進行分類，建立醫(yī)學模型。大數(shù)據(jù)的分析需要與計算機技術結合，機器學習就是統(tǒng)計學、算法理論與人工智能結合的一門交叉學科，并在當今無人駕駛技術、人類基因組技術中獲得大力發(fā)展。

人工神經(jīng)網(wǎng)絡算法是模仿大腦神經(jīng)網(wǎng)絡的結構建立的信息處理方法，它的特征是“計算機代碼+數(shù)學函數(shù)”，它的本質是“學習”，將訓練數(shù)據(jù)在一定的“學習規(guī)則”中進行學習，獲取特征信息和參數(shù)后建立人工神經(jīng)網(wǎng)絡，新的數(shù)據(jù)通過神經(jīng)網(wǎng)絡計算出對應的輸出，這就是“感知器學習規(guī)則”[12]。例如要評價A家不同醫(yī)院的醫(yī)療水平，可以先用B家醫(yī)院的數(shù)據(jù)作為訓練數(shù)據(jù)，醫(yī)護人員、床位、就診數(shù)量和死亡率5個指標作為輸入（X），B家醫(yī)院建立的知識庫作為突出權值（W），經(jīng)過處理得到輸出（Y），經(jīng)學習后網(wǎng)絡會自動處理A家醫(yī)院的數(shù)據(jù)（圖2）。

決策樹算法和支持向量機與神經(jīng)網(wǎng)絡算法較相似，都是學習型的機制，是兩種常用的數(shù)據(jù)分類方法。決策樹算法通過構建決策樹分類器處理不同的數(shù)據(jù)類型，計算出各特征屬性的信息增益后，選取信息增益最大的特征屬性作為節(jié)點，生成“樹狀結構”圖[13]。當數(shù)據(jù)量龐大到高通量多指標（如人類基因表達譜）時，提取特征屬性越發(fā)不易，此時便由決策樹算法引申出隨機森林法的概念，是基于決策樹算法的學習方法，對樹的每個節(jié)點的特征空間做一次窮盡搜索，將生成的多棵決策樹組成隨機森林，分類結果按樹分類器的投票多少決定[14]；支持向量機是使用核函數(shù)將非線性數(shù)據(jù)投射到一個更高維的空間里即“升維”（從一維到二維，從二維到三維，從n維到n+1維）進行運算，運用泛函的方法可以將極小的樣本量推演出全體的數(shù)據(jù)[15]，支持向量機堪稱最有效的數(shù)據(jù)分類工具[16]。

聚類分析屬于多元統(tǒng)計分析方法，常用于中醫(yī)證型的辨證分析，主要分為K均值聚類法和系統(tǒng)聚類法，常用的統(tǒng)計量是距離和相似系數(shù)。K均值聚類法是指定某些觀測點凝聚為初始點，計算初始分類的中心位置進行聚類，再次計算中心位置并反復循環(huán)，直到中心位置很小為止；系統(tǒng)聚類是將樣本間距離最小的合并為一類，計算與其他類的距離后再進行最小距離的合并，每次減少一類，直至合并為一大類[17]。

貝葉斯算法是建立在概率學的基礎上的統(tǒng)計學方法，被稱為“統(tǒng)計學歷史上的飛躍”，是解釋性建模和描述性建模的又一新工具，對疾病數(shù)據(jù)的研究很有幫助，可以用來表示疾病與相關癥狀之間關系的概率，形成的貝葉斯網(wǎng)絡是一種有向無環(huán)圖，兩個節(jié)點間以單箭頭連接，其中一個節(jié)點是“因”，而另一個節(jié)點是“果”（圖3）。

2.3 醫(yī)學建模

醫(yī)學建模是臨床大數(shù)據(jù)通過數(shù)學模型的建立尋找疾病發(fā)生發(fā)展的規(guī)律，即對醫(yī)學數(shù)據(jù)進行模式識別，模式識別是將具體事物歸到某一類別的過程[18]。一般醫(yī)學數(shù)據(jù)有7種模式識別方法：解釋性數(shù)據(jù)建模、描述性建模、預測性建模、知識性建模、序列模式建模、依賴關系建模、異常與趨勢建模。

解釋性模型的本質是模糊建模[19]，通俗地講就是對事物進行歸因分析，找尋一個模糊集合中的共性得出一個普適規(guī)律，最具有代表性的應用是指紋和人像識別技術，也應用于醫(yī)療決策支持[20]；描述性建模是從許多描述性數(shù)據(jù)（如身高、體重）入手，從具體到抽象、從特殊到一般地對事物進行歸納和演繹（即身高與體重的關系）；預測性建模是通過整合現(xiàn)有的大數(shù)據(jù)對未來事件進行預測，最著名的案例是谷歌公司在2009年建立的流感預測平臺運用人才思維模型預測流感爆發(fā)[21]；知識性建模是利用先驗的知識經(jīng)驗來進行新規(guī)律的發(fā)現(xiàn)，可用于我國中醫(yī)學中大量古方的數(shù)據(jù)篩選[22]；序列模式建模和依賴關系建模比較類似，是對多因素中的兩組或幾組進行分析，得出不同的因素之間是關聯(lián)、共生還是依賴關系；異常與趨勢模型是利用數(shù)據(jù)的離散值來判讀事件發(fā)生風險的模型。

2.4 數(shù)據(jù)分析軟件

臨床研究中一般統(tǒng)計分析軟件有Excel、SPSS、SAS、Stata、Sigmaplot、Graphpad Prism、Origin等，這些軟件不僅支持統(tǒng)計學分析，還帶有繪圖功能。循證醫(yī)學常用分析軟件有Endnote文獻管理軟件、Review Manager分析軟件等。數(shù)據(jù)挖掘軟件中許多是建立在多種計算機語言上的，例如R語言是一個用于統(tǒng)計計算的開源軟件，也是提取臨床數(shù)據(jù)的良好工具；建立在SQL語言檢索基礎上的軟件Microsoft SQL server，為臨床數(shù)據(jù)模型建立提供科學依據(jù)；感知器學習規(guī)則中常用到Python語言。SPSS、SAS和Stata除了用于一般統(tǒng)計，也可用于數(shù)據(jù)挖掘，另外還有Weka軟件、Matlab軟件等。對于臨床工作者而言，SPSS、SAS、Matlab、Weka更為實用。

3 數(shù)據(jù)利用

美國是世界上最早關注臨床數(shù)據(jù)利用的國家之一，20世紀70年代美國啟用醫(yī)院信息系統(tǒng)，較早開始了醫(yī)療信息化，2007年《美國醫(yī)學信息協(xié)會白皮書》指出開展臨床研究能促進醫(yī)療數(shù)據(jù)的再利用，2013年《美國醫(yī)學信息年報》通過調查研究歸納出臨床信息學的6類主題，其中包括了臨床數(shù)據(jù)的再利用研究和數(shù)據(jù)管理[23-25]。目前，臨床數(shù)據(jù)的應用方向是醫(yī)院臨床數(shù)據(jù)中心與“互聯(lián)網(wǎng)+”醫(yī)療大數(shù)據(jù)平臺的構建。醫(yī)療大數(shù)據(jù)平臺的服務對象包括：醫(yī)務人員、患者、管理者和研究人員。美國作為最早涉及這一領域的國家，建成了第一個也是最大的臨床研究和社區(qū)治療項目相結合的醫(yī)療大數(shù)據(jù)平臺——美國藥物濫用治療臨床試驗網(wǎng)絡[26]。建設醫(yī)療大數(shù)據(jù)應用平臺具體可以應用于數(shù)據(jù)查詢分析、健康檔案管理、診療方案分析、醫(yī)療透明化和健康趨勢預測等方面[27]。

3.1 數(shù)據(jù)公開

建立臨床數(shù)據(jù)中心，將不同數(shù)據(jù)庫的數(shù)據(jù)在信息交換平臺進行整合共享，強調臨床數(shù)據(jù)的公開透明性和可重復性，這有利于臨床質量指標的評價和臨床數(shù)據(jù)的溯源，通過挖掘分析，追溯深層原因。臨床大數(shù)據(jù)的共享也便于評價不同醫(yī)療機構或地區(qū)的醫(yī)療服務，有利于調整和優(yōu)化整體醫(yī)療水平。另外，公開臨床研究的數(shù)據(jù)將所涉及的倫理問題遁于無形。endprint

3.2 決策支持

臨床數(shù)據(jù)可以用于臨床決策支持和醫(yī)院管理支持?；谂R床數(shù)據(jù)中心對醫(yī)院進行數(shù)字化建設，使患者的就診記錄、電子病歷文檔等信息與社區(qū)共享，聯(lián)合醫(yī)療物聯(lián)網(wǎng)以及移動醫(yī)療App等技術建立電子健康信息檔案，使醫(yī)生能夠根據(jù)患病情況、藥物療效、不良反應等做出快速判斷，輔助診斷疾病，制訂診療方案并實行遠程干預，同時監(jiān)視和評價臨床治療效果，并隨時調整治療方案；患者可以通過健康信息檔案進行自我健康管理，移動App為患者情況提供用藥提醒、異常值預警以及療效評價等；在優(yōu)化醫(yī)院配置方面，管理者可以對就診量、床位設置或醫(yī)療費用的數(shù)據(jù)進行分析，為醫(yī)療設備和人員利用的最大化制訂可行性方案；另外，政府機構可以對轄區(qū)范圍內各家醫(yī)院進行住院病種指數(shù)、住院費用分析以及住院機構病種組合指數(shù)等的分析。

3.3 個體化診療和精準醫(yī)療

個體化診療的內涵包括測序技術、生物標志物的開發(fā)和藥物基因組學的參與。通過這三大核心技術“量體裁衣”，制訂具有針對性的臨床治療方案，提高臨床治療效果，促進疾病的早期檢測和預防。這就引入了另一個“精準醫(yī)學”的概念。2015年時任美國總統(tǒng)奧巴馬在美國國情咨文中提出“精準醫(yī)學計劃”，將這個在2011年首次被提出的名詞推到醫(yī)學界的熱點前沿[28]。醫(yī)療機構的海量臨床數(shù)據(jù)中包括豐富的分子生物學、基因組學信息，將這些信息加以提取后應用于臨床，使治療方案更具針對性，將損傷控制在最低，又能達到最佳治療效果。因此，精準醫(yī)療力求治療方案最大程度地降低患者痛苦，也對醫(yī)療資源合理利用提出了更高要求。這與數(shù)據(jù)的處理、挖掘、整合密不可分，常常需要使用多維度的統(tǒng)計方法和算法?？傊?，個體化醫(yī)療和精準醫(yī)學將推動預防為主、關口前移的醫(yī)療模式的發(fā)展。

3.4 知識庫的管理

將臨床數(shù)據(jù)進行分析并建立醫(yī)學數(shù)據(jù)模型，通過臨床數(shù)據(jù)管理和循證方法構建知識圖譜，實現(xiàn)知識挖掘和知識管理的循環(huán)，知識庫的建立和更新維護有利于積累醫(yī)療經(jīng)驗、提供臨床輔助診斷、典型案例查詢和學習以及臨床決策支持等[29]。

精準醫(yī)學研究中更強調了知識庫管理的重要性，通過隊列研究以及組學分析獲得大樣本數(shù)據(jù)，經(jīng)過標準化構建成知識圖譜，有助于信息查找和分析、知識再造和共享，以及疾病診斷和健康管理等方面，更好地應用于科研和臨床。

4 面臨的挑戰(zhàn)

對醫(yī)療大數(shù)據(jù)分析與應用的發(fā)展是在曲折中前進的過程。例如，2009年谷歌工程師建立了流感預測平臺，用于預測H1N1全美國范圍的傳播[21]，而2013年Science報道了該平臺預測的失敗，文章提出，到2013年2月，預測得出的全美國流感樣癥狀患者的范圍占全國人口的比例幾乎是實際值的2倍，有學者分析大數(shù)據(jù)失敗的原因：一為數(shù)據(jù)來源單一的問題，二為臨床數(shù)據(jù)的公開問題，三為快速更新變化的算法問題，這也代表了當前臨床數(shù)據(jù)分析和利用存在的共性問題[30]。因此要使醫(yī)療數(shù)據(jù)分析更加精準，首先要做好數(shù)據(jù)源的追蹤，數(shù)據(jù)源是否可靠是分析結果理想與否的關鍵，其次要根據(jù)不同臨床數(shù)據(jù)的資料類型選擇統(tǒng)計方法，使用合理的算法來解決當下的臨床問題。

5 總結

隨著醫(yī)療與信息技術的迅速發(fā)展，醫(yī)療信息的電子化和結構化已在我國各大醫(yī)院中成為主流。臨床數(shù)據(jù)的合理分析與利用需要以建立臨床數(shù)據(jù)庫為前提下，在信息交換平臺實現(xiàn)交流，臨床數(shù)據(jù)需要先進行預處理，再使用一般方法或數(shù)據(jù)挖掘的方法進行數(shù)據(jù)分析，通過“機器學習”等方法建立醫(yī)學模型，再將目標數(shù)據(jù)輸入機器中得到輸出。這種基于循證醫(yī)學對臨床數(shù)據(jù)進行分析利用的應用已得到明顯成效，前景也更加廣闊。

[參考文獻]

[1] 謝高強.數(shù)據(jù)管理在臨床研究中的地位和作用[J].北京大學學報：醫(yī)學版，2010，6（42）：641-643.

[2] 國家藥品監(jiān)督管理局.藥品臨床試驗管理規(guī)范[J].中國新藥雜志，1999，8（11）：422-426.

[3] 國家食品藥物監(jiān)督管理局.藥物臨床試驗質量管理規(guī)范[J].中國醫(yī)藥導刊，2003，5（5）：367-372.

[4] 魏婉.關于促進和規(guī)范健康醫(yī)療大數(shù)據(jù)應用發(fā)展的指導意見[J].科研，2016，（9）：306-307.

[5] 屈景輝，廖琪梅，許衛(wèi)中，等.醫(yī)學信息數(shù)據(jù)庫的建立與數(shù)據(jù)挖掘[J].醫(yī)學爭鳴，2001，22（1）：88-89.

[6] 李志剛，朱志軍.大數(shù)據(jù)時代：生活、工作與思維的大變革[J].西域圖書館論壇，2013（1）：213-213.

[7] 劉柏嵩.基于知識的語義網(wǎng)：概念、技術及挑戰(zhàn)[J].中國圖書館學，2003，29（2）：18-21.

[8] 馬惠芳.非結構化數(shù)據(jù)采集和檢索技術的研究和應用[D].上海：東華大學，2013.

[9] 李維.基于大數(shù)據(jù)技術的臨床數(shù)據(jù)中心與智能分析應用平臺構建[J].醫(yī)學信息學雜志，2014，35（6）：13-17.

[10] 王禹毅，韓梅，陳妮妮，等.從如何獲得高質量臨床數(shù)據(jù)探討臨床試驗的數(shù)據(jù)管理[C]//中醫(yī)/中西醫(yī)結合循證醫(yī)學方法研討會會議材料.2013.

[11] 楊海青.數(shù)據(jù)挖掘技術在醫(yī)院管理中的應用[J].中華醫(yī)院管理雜志，2005，21（7）：497-499.

[12] 龐璋帆，羅震鈞，定天明，等.基于神經(jīng)網(wǎng)絡算法的藥品安全指數(shù)權值策略研究[J].醫(yī)藥前沿，2016，6（1）：370-371.

[13] 劉昆，劉業(yè)政.基于決策樹的醫(yī)療數(shù)據(jù)分析[J].計算機工程，2002，28（2）：41-43.

[14] 方匡南，吳見彬，朱建平，等.隨機森林方法研究綜述[J].統(tǒng)計與信息論壇，2011，26（3）：32-38.

[15] 張學工.關于統(tǒng)計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.endprint

[16] 杜喆.幾類支持向量機變型算法的研究[D].西安：西安電子科技大學，2009.

[17] 黃宏興，柴生颋，黃紅，等.骨質疏松癥中醫(yī)證型的聚類分析[J].廣州中醫(yī)藥大學學報，2007，24（3）：180-183.

[18] 毛勇，周曉波，夏錚，等.特征選擇算法研究綜述[J].模式識別與人工智能，2007，20（2）：211-218.

[19] Tsoukalas LH，Uhrig RE，Zadeh LA. Fuzzy and neural approaches in engineering[C]// John Wiley & Sons，Inc.1997.

[20] 俞夢孫.關于我國醫(yī)學信息技術的發(fā)展[J].中國生物醫(yī)學工程學報，2008，27（2）：161-163.

[21] Ginsberg J，Mohebbi MH，Patel RS，et al. Detecting influenza epidemics using search engine query data [J]. Nature，2009，457（7232）：1012-1014.

[22] 陶御風，袁久林，梁慧鳳，等.淺談古方篩選利用的思路與方法[J].上海中醫(yī)藥雜志，2005，39（5）：42-43.

[23] 劉曉，俞志元.美國醫(yī)院和區(qū)域衛(wèi)生信息化發(fā)展及其對中國的借鑒[J].醫(yī)學信息學雜志，2010，31（5）：8-11.

[24] Safran C，Bloomrosen M，Hammond WE，et al. Toward a national framework for the secondary use of health data：an American medical informatics association white paper [J]. J Am Med Inform Assoc，2007，14（1）：1-9.

[25] Embi PJ. Clinical research informatics：survey of recent advances and trends in a maturing field [J]. Yearb Med Inform，2013，8（1）：178.

[26] Shmueliblumberg D，Hu L，Allen C，et al. The national drug abuse treatment clinical trials network data share project：website design，usage，challenges，and future directions [J]. Clin Trials，2013，10（6）：977-986.

[27] 汪鵬.醫(yī)療大數(shù)據(jù)應用需求分析與平臺建設構想[J].中國醫(yī)院管理，2015，6（35）：40-42.

[28] Collins FS，Varmus H. A new initiative on precision med？鄄icine [J]. N Engl J Med，2015，372（9）：793.

[29] 袁浩.基于臨床數(shù)據(jù)中心的循證知識管理模式分析[J].醫(yī)學信息學雜志，2015，36（3）：7-10.

[30] Lazer D，Kennedy R，King G，et al. Big data. The parable of Google Flu：traps in big data analysis [J]. Science，2014， 343（6176）：1203-1205.

（收稿日期：2017-09-14 本文編輯：李岳澤）endprint