余艷霞 王燕 聞?wù)x

摘要：本文針對(duì)電子病歷數(shù)據(jù)中存在的數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)冗余性、數(shù)據(jù)不完整性、數(shù)據(jù)不一致性等特點(diǎn)，采取數(shù)據(jù)抽取、數(shù)據(jù)清理、數(shù)據(jù)集成和數(shù)據(jù)轉(zhuǎn)換等方法對(duì)這些數(shù)據(jù)進(jìn)行了處理，旨在提取電子病歷數(shù)據(jù)庫(kù)中有價(jià)值的信息并挖掘隱含在其中的醫(yī)學(xué)診斷規(guī)則和模式，從而為疾病的診斷和治療提供科學(xué)的、準(zhǔn)確的輔助決策。

關(guān)鍵詞：電子病歷；數(shù)據(jù)挖掘；信息技術(shù)

中圖分類號(hào)：R197.324 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2018）08-0035-04

1 前言

近年來，隨著醫(yī)療信息系統(tǒng)在我國(guó)的不斷普及信息技術(shù)在醫(yī)學(xué)領(lǐng)域不斷發(fā)展，很多大中型醫(yī)療機(jī)構(gòu)已經(jīng)構(gòu)建了相當(dāng)完善的數(shù)據(jù)信息系統(tǒng)，積累了大量的電子病歷數(shù)據(jù)。但是，國(guó)內(nèi)大多數(shù)醫(yī)院并沒有對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的分析和研究，只是運(yùn)用傳統(tǒng)的數(shù)據(jù)檢索和統(tǒng)計(jì)方法來對(duì)數(shù)據(jù)進(jìn)行處理，更多的還是停留在對(duì)電子病歷數(shù)據(jù)的增加、刪除、修改和查詢上，比如說，醫(yī)院會(huì)根據(jù)病人的多次住院情況記錄來進(jìn)行比較，總體上了解病人的病情發(fā)展情況，并未對(duì)這些記錄做進(jìn)一步的分析，來發(fā)現(xiàn)其中的規(guī)律。這就產(chǎn)生了“數(shù)據(jù)豐富，但信息貧乏”的現(xiàn)象。電子病歷數(shù)據(jù)形式含有文字、圖像、影像和切片等，主要還是以文本為主，這些文本包括了病人的基本信息以及患者在醫(yī)院就診的相關(guān)信息。這些數(shù)據(jù)中存在大量復(fù)雜的、重復(fù)的、不完整的數(shù)據(jù)。如果直接在這些數(shù)據(jù)進(jìn)行研究，效果肯定不會(huì)很好，甚至?xí)霈F(xiàn)結(jié)果的嚴(yán)重偏差，而醫(yī)學(xué)研究關(guān)系到人的生命和身體健康，因此，需要對(duì)這些數(shù)據(jù)進(jìn)行處理。只有這樣，才能改進(jìn)數(shù)據(jù)的質(zhì)量，提高數(shù)據(jù)的利用率，保證結(jié)果的正確性和合理性。

在進(jìn)行數(shù)據(jù)處理之前，需要對(duì)電子病歷系統(tǒng)的結(jié)構(gòu)和電子病歷數(shù)據(jù)的特點(diǎn)有一定的了解，知道電子病歷系統(tǒng)中的數(shù)據(jù)結(jié)構(gòu)，如出院記錄、病名名稱和手術(shù)記錄等在數(shù)據(jù)庫(kù)中對(duì)應(yīng)的表名等，它屬于哪個(gè)表空間，含有哪些字段屬性，還有就是每個(gè)字段的類型和長(zhǎng)度分別是什么。電子病歷數(shù)據(jù)的特點(diǎn)如下：

（1）數(shù)據(jù)不完整性、不一致性。電子病歷中的數(shù)據(jù)一般會(huì)由醫(yī)院的醫(yī)務(wù)人員進(jìn)行操作，目前國(guó)內(nèi)還沒一套很標(biāo)準(zhǔn)的規(guī)范，以至于不同的人會(huì)對(duì)同一種病描述的不一樣，從而會(huì)產(chǎn)生數(shù)據(jù)的不一致性。其次，電子病歷只是對(duì)患者病情的概括性描述，并不能完全表達(dá)患者的病情，可能還會(huì)產(chǎn)生遺漏，這種情況會(huì)造成數(shù)據(jù)的不完整。

（2）數(shù)據(jù)結(jié)構(gòu)復(fù)雜。電子病歷數(shù)據(jù)表現(xiàn)的形式很多，有文本類型的，有圖像類型的，還有數(shù)字類型。這些形式的使得我們無法以統(tǒng)一的格式對(duì)它們進(jìn)行挖掘，需要采取不同的方法。

（3）數(shù)據(jù)冗余性。隨著醫(yī)療技術(shù)的快速發(fā)展，每天都會(huì)產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中會(huì)存在一些重復(fù)的數(shù)據(jù)。比如說，有些疾病，比如說流行性感冒，患者表現(xiàn)的癥狀還有醫(yī)生給出的治療方案一般都很相似，這樣就會(huì)造成數(shù)據(jù)庫(kù)中數(shù)據(jù)的重復(fù)，還有就是患者在不同醫(yī)院進(jìn)行就診也會(huì)產(chǎn)生重復(fù)的數(shù)據(jù)。這些情況都會(huì)造成數(shù)據(jù)的冗余。

（4）數(shù)據(jù)隱私性。電子病歷數(shù)據(jù)包含了患者的所有在醫(yī)院進(jìn)行治療的信息。其中有些信息就屬于病人的隱私，如姓名、年齡、聯(lián)系方式、婚姻情況和所患疾病等，在數(shù)據(jù)處理過程中需要對(duì)這些信息進(jìn)行保護(hù)。

下面分別對(duì)數(shù)據(jù)處理常用的方法包括數(shù)據(jù)抽取、數(shù)據(jù)清理、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約等進(jìn)行研究。

2 數(shù)據(jù)抽取方法

數(shù)據(jù)抽取方法的主要目標(biāo)在從電子病歷數(shù)據(jù)中找出符合我們要求的特征屬性?？紤]到電子病歷數(shù)據(jù)的數(shù)據(jù)格式多樣，本文從兩方面對(duì)數(shù)據(jù)進(jìn)行抽取，具體描述如下：

（1）結(jié)構(gòu)化的數(shù)據(jù)。對(duì)于已經(jīng)結(jié)構(gòu)化的數(shù)據(jù)，根據(jù)研究的目標(biāo)從數(shù)據(jù)庫(kù)中找到相應(yīng)的數(shù)據(jù)，取出我們所需的屬性的值即可。圖1所示的是從Oracle數(shù)據(jù)庫(kù)中截取的關(guān)于病人出院診斷記錄表中的部分截圖，里面包括了患者的ID號(hào)，診斷編碼和診斷病名名稱等屬性。

我們可以使用SQL語句從中選出病人的ID號(hào)和對(duì)應(yīng)的診斷病名名稱，并對(duì)數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換，然后利用算法尋找不同疾病之間的關(guān)系。

（2）非結(jié)構(gòu)化的數(shù)據(jù)。電子病歷中含有大量非結(jié)構(gòu)化的數(shù)據(jù)，要想在這些數(shù)據(jù)中挖掘出有效的信息，我們需要將它們轉(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)來進(jìn)行處理。我國(guó)的電子病歷共享文檔很多都是以XML文檔的形式存在，這種非結(jié)構(gòu)化的數(shù)據(jù)形式并不利于我們進(jìn)行處理和分析。我們需要將XML文檔映射到關(guān)系數(shù)據(jù)庫(kù)中。在研讀了一些資料發(fā)現(xiàn)，將XML文檔直接映射到關(guān)系數(shù)據(jù)庫(kù)并沒有很好的方法。因此，本文所用的科研數(shù)據(jù)庫(kù)采用將XML文檔與對(duì)象之間、對(duì)象與關(guān)系數(shù)據(jù)庫(kù)之間進(jìn)行映射的方法來解決這個(gè)問題。首先，通過對(duì)象的序列化和反序列化來實(shí)現(xiàn)XML文檔和對(duì)象之間的相互轉(zhuǎn)換，然后，通過對(duì)象關(guān)系映射（ORM）來實(shí)現(xiàn)對(duì)象與關(guān)系數(shù)據(jù)庫(kù)之間的相互轉(zhuǎn)化。映射流程如圖2所示。

電子病歷共享文檔結(jié)構(gòu)化需要經(jīng)過兩個(gè)步驟。（1）電子數(shù)據(jù)抽?。和ㄟ^XSLT技術(shù)，將CDA文檔中的電子病歷數(shù)據(jù)抽取出來放在一個(gè)簡(jiǎn)化的XML文檔中。醫(yī)療數(shù)據(jù)包含在文檔中的元素或者屬性當(dāng)中，這些數(shù)的類型和意義已經(jīng)在關(guān)系數(shù)據(jù)庫(kù)表中定義了，因此，只需提取電子病歷共享文檔中的數(shù)據(jù)，和關(guān)系數(shù)據(jù)庫(kù)中表中的字段對(duì)應(yīng)。（2）XML數(shù)據(jù)映射到關(guān)系數(shù)據(jù)庫(kù)：運(yùn)用Java中對(duì)象的發(fā)序列技術(shù)，將抽取數(shù)據(jù)后的XML文檔反序列化為Java對(duì)象，并且處理好對(duì)象之間的關(guān)系，然后通過ORM將這些java對(duì)象存儲(chǔ)到關(guān)系數(shù)據(jù)庫(kù)中。

對(duì)于非結(jié)構(gòu)化的文本數(shù)據(jù)，需要利用自然語言處理技術(shù)（NLP）對(duì)其進(jìn)行處理。對(duì)文本數(shù)據(jù)進(jìn)行處理需要經(jīng)歷以下幾個(gè)步驟：

（1）文本分詞。文本分詞是文本預(yù)處理過程中不可缺少的部分，與英文文本中單詞中有空格不同，漢語文本字之間是連續(xù)的，所以要想獲取特征詞，就必須對(duì)這些文本數(shù)據(jù)進(jìn)行分詞是，常用得中文分詞工具有ICTCLAS2015漢語分詞系統(tǒng)、IKAnalyer分詞、庖丁解牛分詞等。本文中運(yùn)用的是ICTCLAS分詞工具對(duì)電子病歷系統(tǒng)中的文本文件進(jìn)行處理，ICTCLAS由中科院研發(fā)，是最早的中文分詞工具，采用C/C++進(jìn)行編寫。選擇其作為分詞工具主要考慮到以下幾個(gè)方面原因：首先，自2000年誕生以來，目前全球用戶已經(jīng)突破30萬人，得到很高認(rèn)可；其次，該分詞工具支持許多操作系統(tǒng)，如Linux、Windows。另外，還支持不同的語言進(jìn)行開發(fā)，如C/C++、java等主流語言開發(fā)；最后，它可以同時(shí)支持中英文分詞。

圖3表示的是電子病歷數(shù)據(jù)中部分片段截圖。

上述病歷片段在經(jīng)過ICTCLAS分詞工具分詞后的結(jié)果如圖4所示。

（2）去停用詞。文本數(shù)據(jù)中并不是所有的詞都能代表數(shù)據(jù)的特征，如“你”、“我”、“他”、“的”、“地”等，這些詞需要從文本中去掉。ICTCLAS分詞工具中會(huì)有這些詞的文檔，用戶自己還可以加入自己的一些無關(guān)的停用詞。

（3）詞頻統(tǒng)計(jì)。這一步非常關(guān)鍵。在去除掉停用詞后，剩下的詞就是文本的精華所在，此時(shí)，判斷一個(gè)詞的重要性就要統(tǒng)計(jì)它們?cè)谖臋n中出現(xiàn)的次數(shù)，即詞頻。一個(gè)詞在文本中出現(xiàn)的次數(shù)越多，則說明這個(gè)詞語越能表征這個(gè)文本。比如說，在糖尿病的診斷病例中，臨床癥狀會(huì)多次出現(xiàn)“多飲”、“多尿”等詞語。這些詞語就可以代表對(duì)糖尿病進(jìn)行診斷的特征。

（4）特征轉(zhuǎn)換。就是把提取出來的特征轉(zhuǎn)換為適合算法運(yùn)行的形式。

3 數(shù)據(jù)清理方法

電子病歷數(shù)據(jù)會(huì)含有一些不完整的、有噪聲的和不一致的數(shù)據(jù)，我們需要對(duì)這些數(shù)據(jù)進(jìn)行數(shù)據(jù)清理。如在本文研究的電子病歷數(shù)據(jù)中的出院診斷記錄中在疾病診斷一欄就有許多缺失的數(shù)據(jù)。這些數(shù)據(jù)如果直接被用來進(jìn)行數(shù)據(jù)處理的話，會(huì)很大程度上影響結(jié)果，給人產(chǎn)生誤導(dǎo)，所以說對(duì)其進(jìn)行數(shù)據(jù)清理是十分必要的。

（1）缺省值處理。由于電子病歷系統(tǒng)中數(shù)據(jù)量特別的大，更新的數(shù)據(jù)快的特點(diǎn)，會(huì)產(chǎn)生很多缺失的數(shù)據(jù)。如XXX醫(yī)院的電子病歷系統(tǒng)中出院診斷記錄中有許多缺省的診斷數(shù)據(jù)。常用解決缺省值的辦法有忽略元組，這種方法在缺失數(shù)據(jù)特別少的時(shí)候特別有效；在醫(yī)學(xué)專家的指導(dǎo)下，人工填寫缺失值，該方法效率比較低，很花費(fèi)時(shí)間。本文為了避免缺省數(shù)據(jù)對(duì)算法挖掘效果的影響，采用的辦法就是直接刪除掉缺省的數(shù)據(jù)。

（2）重復(fù)數(shù)據(jù)處理。在仔細(xì)分析了電子病歷數(shù)據(jù)庫(kù)中的表中的數(shù)據(jù)后，發(fā)現(xiàn)這些數(shù)據(jù)中含有許多重復(fù)的或者相似的記錄，比如說，患者中診斷結(jié)果中有“高血壓”、還有“高血壓3級(jí)”，按照醫(yī)學(xué)原理，它們屬于同一種病。所以在關(guān)聯(lián)規(guī)則的挖掘中的實(shí)驗(yàn)中，我們把他們都按照“高血壓”來處理，所以刪除“高血壓3級(jí)”的記錄，類似的還有“糖尿病”與“2型糖尿病”等等。

4 數(shù)據(jù)集成方法

電子病歷數(shù)據(jù)來源十分廣泛，可以來源于某些電子儀器，可以來源醫(yī)生對(duì)病情的記錄等等，我們需要把這些數(shù)據(jù)進(jìn)行整合且進(jìn)行統(tǒng)一存儲(chǔ)，建立數(shù)據(jù)倉(cāng)庫(kù)的過程實(shí)際上就是數(shù)據(jù)集成。本文的數(shù)據(jù)源統(tǒng)一來自O(shè)RACLE11G數(shù)據(jù)庫(kù)，數(shù)據(jù)進(jìn)行抽取后同樣存于ORACLE11G數(shù)據(jù)庫(kù)。

5 數(shù)據(jù)轉(zhuǎn)換方法

電子病歷系統(tǒng)中的許多數(shù)據(jù)不能直接拿來就能進(jìn)行關(guān)聯(lián)處理的，必須在進(jìn)行挖掘工作前對(duì)數(shù)據(jù)進(jìn)行變換，所以需要把電子病歷數(shù)據(jù)轉(zhuǎn)化為包含項(xiàng)的事務(wù)數(shù)據(jù)格式。電子病歷數(shù)據(jù)包括數(shù)值屬性、類別屬性等。數(shù)值屬性如患者的年齡、醫(yī)院檢測(cè)數(shù)據(jù)等，我們不可能把每個(gè)數(shù)值都當(dāng)作一個(gè)項(xiàng)進(jìn)行處理，這樣會(huì)導(dǎo)致數(shù)據(jù)維度太高，不利于關(guān)聯(lián)處理，我們需要根據(jù)某種標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行區(qū)間劃分，不同區(qū)間分別對(duì)應(yīng)一個(gè)標(biāo)識(shí)。比如對(duì)患者的年齡，可以分為3個(gè)區(qū)間，A1：age<30，A2：3060。對(duì)于類別屬性，如出院診斷記錄中病名名稱，它們的值是分類的，比如說診斷結(jié)果為心臟病、高血壓等，每一種診斷結(jié)果都對(duì)應(yīng)關(guān)聯(lián)處理的一個(gè)項(xiàng)，這樣就可以發(fā)現(xiàn)不同疾病間隱藏的關(guān)系。

以糖尿病數(shù)據(jù)為例，在進(jìn)行數(shù)據(jù)變換之前，首先通過閱讀適當(dāng)醫(yī)學(xué)資料和咨詢醫(yī)院專家來確定劃分的標(biāo)準(zhǔn)。本文對(duì)9個(gè)屬性進(jìn)行數(shù)據(jù)轉(zhuǎn)換如下所示。

（1）年齡：A1：小于30歲；A2：30歲到60歲；A3：大于60歲。

（2）性別：M：男；F：女。

（3）臨床表現(xiàn)：Z1：多飲、多尿、多食和消瘦；Z2：疲乏無力、身體肥胖；Z3：其它。

（4）是否嗜煙：S1：是；S2：否。

（5）是否嗜酒：D1：是；D2：否。

（6）是否空腹：L1：是；L2：否。

（7）血糖含量：B1：血糖含量小于7毫摩爾/升；B2：血糖含量在7毫摩爾/升和10毫摩爾/升之間；B3：血糖含量在10毫摩爾/升和15毫摩爾/升之間；B4：血糖含量大于15毫摩爾/升之間。

（8）視力情況：E1：不正常；E2：正常。

（9）糖尿病類型：I1：1型糖尿??；I2：2型糖尿病。

數(shù)據(jù)經(jīng)過這些變換后，就可應(yīng)用關(guān)聯(lián)規(guī)則算法進(jìn)行規(guī)則挖掘了，來發(fā)現(xiàn)這些屬性之間的關(guān)系了。圖5表現(xiàn)數(shù)據(jù)進(jìn)行數(shù)據(jù)轉(zhuǎn)換后的部分結(jié)果展示。

6 結(jié)語

本文針對(duì)電子病歷數(shù)據(jù)中存在的數(shù)據(jù)結(jié)構(gòu)復(fù)雜、數(shù)據(jù)冗余性、數(shù)據(jù)不完整性、數(shù)據(jù)不一致性等特點(diǎn)，采取數(shù)據(jù)抽取、數(shù)據(jù)清理、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約等方法對(duì)這些數(shù)據(jù)進(jìn)行了處理，旨在提取電子病歷數(shù)據(jù)庫(kù)中有價(jià)值的信息并挖掘隱含在其中的醫(yī)學(xué)診斷規(guī)則和模式，從而為疾病的診斷和治療提供科學(xué)的、準(zhǔn)確的輔助決策。也就是說，醫(yī)院中關(guān)于患者的病歷數(shù)據(jù)中蘊(yùn)含著豐富的信息和知識(shí)，比如說疾病的主要特征、疾病之間隱含的關(guān)系以及疾病的發(fā)展規(guī)律等，這些信息的提取可以在一定程度上幫助科研人員進(jìn)行醫(yī)學(xué)研究、輔助醫(yī)生臨床診斷，從而促進(jìn)醫(yī)學(xué)發(fā)展。來發(fā)現(xiàn)數(shù)據(jù)中有用的規(guī)則和知識(shí)。并且可以利用這些規(guī)律去輔助醫(yī)生診斷、改善醫(yī)院管理、豐富研究?jī)?nèi)容。快速、有效地從這些的數(shù)據(jù)中發(fā)現(xiàn)隱藏其中的、有用的信息和知識(shí)，從而提高醫(yī)療水平，因此，對(duì)電子病歷數(shù)據(jù)進(jìn)行研究無論在科研方面還是在應(yīng)用方面都很有意義。

參考文獻(xiàn)

[1]郭煜.電子病歷與手寫病歷缺陷比較及對(duì)策分析[J].基層醫(yī)學(xué)論壇，2012，（z1）：91-92.

[2]Ravindranath K R. Clinical Decision Support System for heart diseases using Extended sub tree[C]//Pervasive Computing （ICPC）， 2015 International Conference on. IEEE， 2015：1-5.

[3]丁衛(wèi)平，祁恒，董建成，等.基于關(guān)聯(lián)規(guī)則的電子病歷挖掘算法研究與應(yīng)用[J].微電子學(xué)與計(jì)算機(jī)，2007，24（3）：69-73.

[4]胡光闊，王天朝，江曉云，等.基于粗糙集理論的數(shù)據(jù)挖掘技術(shù)臨床應(yīng)用研究[J].中國(guó)數(shù)字醫(yī)學(xué)，2011，06（1）：26-27.

[5]王欣萍，李燕.數(shù)據(jù)挖掘技術(shù)于醫(yī)學(xué)電子病歷系統(tǒng)的應(yīng)用[J].現(xiàn)代預(yù)防醫(yī)學(xué)，2008，35（13）：2450-2451.

[6]Hoogendoorn M， Moons L M G， Numans M E， et al. Utilizing data mining for predictive modeling of colorectal cancer using electronic medical records[M]//Brain Informatics and Health. Springer International Publishing， 2014： 132-141.

[7]Zhongguang Q， Zong-yuan M， Zhao-zhi D. The application of rough set in the Chinese medicine rheumatic arthritis diagnosis[J]. Chinese Journal of Biomedical Engineering，2001，20（4）：357-363.

[8]莊軍，郭平，周楊，等.電子病歷數(shù)據(jù)預(yù)處理技術(shù)[J].計(jì)算機(jī)科學(xué)，2007，34（3）：141-144.

[9]Utama P A， Distiawan B. Spark-gram： Mining frequent N-grams using parallel processing in Spark[C]//2015 International Conference on Advanced Computer Science and Information Systems （ICACSIS）. IEEE， 2015： 129-136.

[10]Gui F， Ma Y， Zhang F， et al. A distributed frequent itemset mining algorithm based on Spark[C]//Computer Supported Cooperative Work in Design （CSCWD）， 2015 IEEE 19th International Conference on. IEEE， 2015： 271-275.