武學鴻，朱建平，李建華

（1.中南大學計算機學院，湖南 長沙 410083；2.湖南科醫(yī)云健康科技有限公司，湖南 長沙 410012；3.湖南科創(chuàng)信息技術(shù)股份有限公司，湖南 長沙 410012）

臨床數(shù)據(jù)中心（clinical data centers，CDR）隨著電子病歷應用的不斷豐富而持續(xù)發(fā)展[1-3]，其包含了患者所有重要的臨床數(shù)據(jù)，可集成院內(nèi)各科室級臨床信息系統(tǒng)（醫(yī)囑、病歷、檢驗、手術(shù)、心電、超聲、病理等），實現(xiàn)所有臨床診療數(shù)據(jù)的整合與集中展現(xiàn)，并為醫(yī)療診斷決策提供支持信息。臨床數(shù)據(jù)中心具有數(shù)據(jù)量大、增長快、關(guān)聯(lián)關(guān)系復雜、價值高等特點[4-6]。面對如此龐大的數(shù)據(jù)規(guī)模，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫在存儲能力、檢索效率，尤其是多表關(guān)聯(lián)檢索等方面，往往無法有效滿足臨床醫(yī)生、科研人員等對信息獲取的需求[7-9]。本文提出了應用Elasticsearch分布式搜索引擎技術(shù)實現(xiàn)面向臨床數(shù)據(jù)中心的信息檢索方法[10-13]，結(jié)合數(shù)據(jù)本身及搜索引擎技術(shù)特性[14]，制定相應的優(yōu)化策略，并通過實際檢索場景驗證本方法的效果，現(xiàn)總結(jié)如下。

1 數(shù)據(jù)模型梳理及索引構(gòu)建

1.1 數(shù)據(jù)模型梳理 臨床數(shù)據(jù)主要是以患者為中心，本次圍繞患者住院信息選擇了具有代表性的八類數(shù)據(jù)來進行相關(guān)分析，八類數(shù)據(jù)信息分別是：病案首頁、檢驗信息、病歷文書、醫(yī)囑信息、費用信息、手術(shù)信息、診斷信息、檢查信息，其描述見表1。將表1 中八類數(shù)據(jù)以面向主題的方式進行整合，以病案首頁為核心，其他數(shù)據(jù)與之形成關(guān)聯(lián)，見圖1。

圖1 以病案首頁為核心的關(guān)聯(lián)關(guān)系模型

病案首頁中包含了患者的基本信息，以病案首頁信息為中心，其他數(shù)據(jù)表信息與其構(gòu)成了父子關(guān)聯(lián)模型，即病案首頁信息為父表，檢驗信息、病歷文書、醫(yī)囑信息等都為子表。通過該模型，在檢索的業(yè)務(wù)需求中可以根據(jù)1個或者多個子表中的1個或者多個字段來查詢病案首頁信息或者根據(jù)病案首頁信息來查詢?nèi)我?個子表的信息。上述模型結(jié)構(gòu)在面向極端場景時，即根據(jù)7個子表同時關(guān)聯(lián)來查詢病案首頁信息，尤其是表的數(shù)據(jù)規(guī)模達到億級別以上時，傳統(tǒng)關(guān)系型數(shù)據(jù)庫往往難以支撐。Elasticsearch不僅支持分布式索引數(shù)據(jù)存儲還原生的支持父子關(guān)聯(lián)索引模型，同時在父子關(guān)聯(lián)模型查詢接口上提供了很好的支撐，可實現(xiàn)由父查子以及由子查父的關(guān)聯(lián)檢索場景[15-17]。

1.2 索引模型的構(gòu)建 結(jié)合數(shù)據(jù)模型間的復雜關(guān)聯(lián)關(guān)系[18，19]，基于Elasticsearch 創(chuàng)建索引并配置各索引類型之間的關(guān)聯(lián)關(guān)系映射，形成父子索引模型，索引映射文件配置部分信息見圖2。

索引模型定義了8 種類型分別對應的8個信息表，各類型包含了一系列屬性對象的定義。其中子表與父表之間的關(guān)聯(lián)關(guān)系是通過表中_parent 屬性定義實現(xiàn)，如：病歷文書（docc）表指定其_parent 屬性值為病案首頁（page），即父表是病案首頁（page），子表是病歷文書（docc）；其他數(shù)據(jù)表，如檢驗信息、費用信息、診斷信息、醫(yī)囑信息等與病歷文書的定義方式一致。定義完索引模型后，通過Elasticsearch 所提供的索引創(chuàng)建API 實現(xiàn)索引的建立。

1.3 數(shù)據(jù)索引及分詞 Elasticsearch 提供了bulk 接口支持數(shù)據(jù)索引，即將數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫或者其他數(shù)據(jù)源導入到索引庫中，數(shù)據(jù)索引也有多種工具可選擇，如Elasticsearch river 插件、Logstash 工具等。這些工具都可以解決數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫索引到Elasticsearch 集群的過程，并支持增量索引。Elasticsearch 默認支持英文單詞的分詞方式，通過安裝配置分詞插件可實現(xiàn)中文分詞，本文中采用的是ik 分詞器[13，20]，該分詞器目前應用較廣泛，無論是原生的分詞效果還是其擴展性都能夠滿足業(yè)務(wù)檢索的需求。

2 索引的優(yōu)化方法

2.1 數(shù)據(jù)索引優(yōu)化 數(shù)據(jù)索引即把數(shù)據(jù)導入到Elasticsearch 的過程，如果數(shù)據(jù)體量較大，那么在不做優(yōu)化方案的情況下往往會導致數(shù)據(jù)索引過慢，而且數(shù)據(jù)的索引過程并不是一次性的工作，當索引字段變更，索引映射文件變更的時候就需要將所有數(shù)據(jù)進行重新索引，每次索引過程都比較耗時。為此，本研究對索引過程進行了優(yōu)化：①在數(shù)據(jù)索引階段禁用數(shù)據(jù)的副本：數(shù)據(jù)副本能夠有效保障數(shù)據(jù)安全性，但是在數(shù)據(jù)索引過程中啟用副本會消耗一定時間在數(shù)據(jù)的復制過程中，通過禁用副本可以提升數(shù)據(jù)索引的效率，當所有數(shù)據(jù)索引完成后即可打開副本；②設(shè)置數(shù)據(jù)提交刷新時間為手動刷新：數(shù)據(jù)索引過程會利用數(shù)據(jù)緩沖策略，數(shù)據(jù)緩沖默認實時刷新緩存到持久化層，通過禁用自動刷新，可以有效利用緩存策略，提升數(shù)據(jù)索引的吞吐量和效率；③設(shè)置增大數(shù)據(jù)索引提交批量：與上一點同原理，通過提升數(shù)據(jù)索引的提交量，可提升數(shù)據(jù)索引的吞吐量；④按需調(diào)整增加分片數(shù)：Elasticsearch 原生支持分布式能力，索引分片是其基礎(chǔ)的分布式單元，通過增加分片數(shù)，可以提升其并發(fā)處理能力，從而提升數(shù)據(jù)索引的吞吐量；⑤增大Elasticsearch 服務(wù)節(jié)點內(nèi)存：與第③點同原理，啟用緩存，增大提交量就會占用更多服務(wù)節(jié)點內(nèi)存，通過增大內(nèi)存保障吞吐量；⑥原始數(shù)據(jù)不存儲：Elasticsearch 主要是實現(xiàn)倒排索引的構(gòu)建與存儲，其本身默認存儲原始數(shù)據(jù)，但是原始數(shù)據(jù)過多會導致無論是內(nèi)存、IO，還是在磁盤空間占用方面都會對索引數(shù)據(jù)形成一定的影響，因此通過禁用原始數(shù)據(jù)存儲可以有效釋放資源，保障數(shù)據(jù)索引效率；⑦提升服務(wù)器硬件配置：從硬件層面來提升數(shù)據(jù)的處理性能，從而保障數(shù)據(jù)索引效率。

2.2 檢索效率優(yōu)化 采用Elasticsearch 分布式搜索引擎的默認配置信息即可提供有效的數(shù)據(jù)檢索性能，然而在實際應用過程中隨著數(shù)據(jù)量的劇增，默認的配置信息往往無法滿足業(yè)務(wù)檢索的需求，在硬件配置環(huán)境一定情況下可以通過以下方式進行優(yōu)化配置：①采用分索引方案：按時間維度對索引進行分區(qū)劃分，如對臨床數(shù)據(jù)的檢索一般都會有檢索時間段條件，當數(shù)據(jù)體量大時可以將索引數(shù)據(jù)按時間維度劃分索引，2002-2015年共14個索引，其中索引命名方式為index_2002，index_2003....，當業(yè)務(wù)查詢需要查詢2014-2015年的病案首頁信息時，后端執(zhí)行API 只需要查詢index_2014，index_2015 這兩個索引即可，這樣有效縮小了數(shù)據(jù)的檢索范圍，提升了數(shù)據(jù)的檢索效率；②合理設(shè)置索引分片：分片數(shù)越多會帶來越高的并發(fā)度，但并不是分片數(shù)越多越有效，分片數(shù)越多也會帶來檢索過程中數(shù)據(jù)的合并與IO 的消耗，因此需按實際應用情況合理調(diào)整分片的數(shù)量；③根據(jù)實際情況可考慮去除_all 字段：_all 字段是默認啟用，主要用于全文檢索，如果實際場景中只需要實現(xiàn)精確檢索功能，可以去除_all 字段帶來的索引負載；④采用Elasticsearch warmer 實現(xiàn)數(shù)據(jù)熱加載：基于緩存技術(shù)提升檢索效率。

2.3 檢索準確率優(yōu)化 數(shù)據(jù)檢索的準確率主要是體現(xiàn)在分詞的準確率上，而分詞的準確率需要有業(yè)務(wù)相關(guān)的專有名詞庫支撐。如“門脈高壓”一詞，在ik分詞器默認分詞配置下，ik 分詞器無法識別“門脈高壓”一詞會將其進一步切分，而如果將“門脈高壓”作為專有名詞庫配置到ik 分詞中，其就能準確識別出“門脈高壓”，在檢索時可以準確檢索出該詞所對應的信息。另一類場景是同義詞庫的應用，在實際檢索過程中，檢索的信息不僅要精確出現(xiàn)，與檢索信息意思相同或相近的結(jié)果也需要能夠檢索出來，如同樣檢索“門脈高壓”一詞，需要能夠把包含“肝硬化”記錄信息也能夠檢索出來，而通過配置同義詞庫可以實現(xiàn)該效果。

3 實際檢索場景驗證

3.1 實驗數(shù)據(jù)與環(huán)境 實驗數(shù)據(jù)采用某醫(yī)院2009年的臨床電子病歷數(shù)據(jù)信息，所有數(shù)據(jù)已經(jīng)過脫敏處理，數(shù)據(jù)總記錄數(shù)為12 696 458 條，其中各個表記錄數(shù)見表2。

測試所用的Elasticsearch 集群服務(wù)包含3個節(jié)點，其中每個節(jié)點服務(wù)器配置信息為：Centos7 64位操作系統(tǒng)、64 GB 內(nèi)存，CPU 雙路24 核[Intel(R)Xeon (R) CPU E5-2620 v3 @ 2.40GHz]，磁盤空間600 GB。

3.2 數(shù)據(jù)索引性能分析 以記錄數(shù)最多的檢驗信息（lab）數(shù)據(jù)為例，在保證數(shù)據(jù)導入源端一致的情況下，通過優(yōu)化Elasticsearch 集群及索引的配置，分析優(yōu)化操作對數(shù)據(jù)導入性能的影響，形成對比結(jié)果見圖3。圖中A 是采用Elasticsearch 集群默認的服務(wù)節(jié)點及索引配置，其中默認服務(wù)節(jié)點為1 G 內(nèi)存，默認索引配置為啟用1個副本，5個分片，自動索引刷新；B 在A 的基礎(chǔ)上去除分片副本；C 在A 的基礎(chǔ)上取消索引自動刷新并增大索引數(shù)據(jù)提交批量；D在A 的基礎(chǔ)上增大分片數(shù)，10個分片；E 在A 基礎(chǔ)上增大各個Elasticsearch 節(jié)點內(nèi)存；F 為所有優(yōu)化集成?？梢钥闯?，通過對服務(wù)節(jié)點及索引的配置優(yōu)化，B～F 條件下的數(shù)據(jù)導入性能相較于A 都有明顯提升，F(xiàn) 配置下的數(shù)據(jù)索引性能最優(yōu)。

圖3 數(shù)據(jù)索引性能分析

3.3 關(guān)聯(lián)檢索結(jié)果分析 關(guān)聯(lián)檢索主要是針對臨床數(shù)據(jù)中心部分復雜的關(guān)聯(lián)查詢需求，通過父查子/子查父兩類檢索場景驗證Elasticsearch 檢索服務(wù)的有效性。其中“子查父”指根據(jù)檢驗信息、病歷文書、醫(yī)囑信息、費用信息、手術(shù)信息等子表信息，以及病案首頁本身查詢條件來檢索病案首頁信息；“父查子”指根據(jù)病案首頁信息，以及任意子表本身的查詢條件來檢索相應的子表信息。實驗結(jié)果見圖4。

圖4A 是1個子查父的關(guān)聯(lián)檢索場景，其具體檢索需求為：患者診斷結(jié)果為“慢性腎炎”且手術(shù)中采用了“全身麻醉”的所有病案首頁信息，即根據(jù)診斷信息以及手術(shù)信息來關(guān)聯(lián)檢索病案首頁信息。圖4B 是1個父查子的關(guān)聯(lián)檢索場景，其具體檢索需求為：患者性別為男性，且入院日期為2009年3 月18日至2009年4 月19 日之間的所有診斷記錄信息，即根據(jù)病案首頁信息來檢索診斷信息。兩種檢索場景都準確的檢索出了相關(guān)結(jié)果，并且在千萬級數(shù)據(jù)規(guī)模場景下檢索效率分別為42 ms 以及104 ms。

圖4 關(guān)聯(lián)檢索分析

3.4 數(shù)據(jù)檢索效率分析 影響檢索效率的因素有很多，包括硬件設(shè)施配置、集群中節(jié)點內(nèi)存配置等[21]。本次主要從索引角度出發(fā)，在保證硬件配置一致，集群環(huán)境配置一致的前提下，通過調(diào)整索引分片的數(shù)量來分析檢索效率。實驗過程中，基于同一份測試數(shù)據(jù)創(chuàng)建了10個索引，其中每個索引依次是1個分片到10個分片。通過模擬客戶端發(fā)起100 次ES 檢索請求，求取所有請求的平均值，分析不同分片索引下的檢索效率，統(tǒng)計結(jié)果見圖5?？梢钥闯?，從1 分片到4 分片，分片數(shù)越多檢索效率越高，而從4 分片到10 分片，分片數(shù)越多檢索效率反而有所下降，主要原因是分片增多，數(shù)據(jù)并發(fā)處理能力雖然提升了，但是數(shù)據(jù)IO 以及數(shù)據(jù)的合并所消耗的時間增加了。

圖5 不同分片下檢索效率分析

3.5 檢索準確率分析 IK 分詞器支持自定義詞典庫的配置，在臨床檢索需求中，專有名詞的準確識別對于檢索準確率十分重要。使用IK 默認詞典庫，無法達到準確分詞的效果。為了進一步驗證查詢的準確率，本次建立了3個對比測試索引：ik_all，ik_none_all 和ik_zymc_all，其中3個索引的詞庫配置信息見表3。

表3 索引配置對比

按照是否配置專有名詞、同義詞庫組合劃分，本應還有1個索引，即只配置了同義詞庫，而沒有配置專有名詞庫的，然而當沒有專有名詞庫時，專有名詞無法劃分，那么僅配置同義詞庫將失去意義，因此用于實驗的索引僅有3個。表中3個索引庫中索引的數(shù)據(jù)一致，分別從3個索引庫中檢索“肝硬化”或“門脈高壓”一詞，查詢統(tǒng)計結(jié)果見表4。

表4 檢索結(jié)果對比

可以看出，配置了專有名詞庫和同義詞庫，無論是搜索“肝硬化”，還是“門脈高壓”都可以準確搜索出所有的記錄；而僅使用專有名詞的情況下，檢索結(jié)果的查全率不足；若沒有配置專有名詞庫、以及同義詞庫，那么在檢索時將無法檢索出任何信息。因此，專有名詞庫提升了檢索的準確率，而配合上同義詞庫后進一步提升了檢索結(jié)果的查全率。

4 總結(jié)

臨床數(shù)據(jù)中心的建設(shè)為臨床分析、業(yè)務(wù)優(yōu)化、決策支持等提供了良好的數(shù)據(jù)支撐。然而，數(shù)據(jù)持續(xù)增長及業(yè)務(wù)場景的復雜性都使得傳統(tǒng)關(guān)系型數(shù)據(jù)庫無法有效滿足臨床醫(yī)生及科研人員對海量數(shù)據(jù)信息的檢索與分析需求。本研究提出的基于Elasticsearch分布式搜索引擎的臨床信息檢索方法，可實現(xiàn)復雜業(yè)務(wù)關(guān)聯(lián)信息的檢索，同時結(jié)合一系列的優(yōu)化策略進一步提升了臨床信息的索引效率、檢索效率，以及檢索準確率，可快速為臨床醫(yī)生、科研人員等提供準確的臨床信息。