在大數據時代，數據更新之迅速遠遠超出了個人的學習和接受能力，大量新的醫學論文發表，新的臨床研究數據發布，令臨床醫生應接不暇。當前，從醫療大數據的處理到利用還需迫切解決以下問題。

1.醫院已積累的海量醫療數據缺乏有效深度利用。

絕大多數醫院經過近二十年醫療信息化的發展積累，形成了大量結構化和非結構化的數據，且隨著可穿戴設備監測數據、基因測序數據等新模態數據的出現，醫療大數據的增長更為迅猛。然而，醫院臨床數據的利用水平不高，絕大部分數據處于“沉睡”狀態，不能進行臨床決策支持與科研，更沒有對數據進行知識發現并轉化為知識。

2.現有信息環境難以滿足診療過程中的知識需求。

現有診療過程中，醫生對輔助知識的獲取方式和內容都非常匱乏，特別鮮見使用廣泛的醫學知識推薦和查詢，且缺少實用的知識服務手段。而實質上，臨床診療工作中，有大量的知識需求亟待通過計算機來提供，這其中就包括基礎知識庫、臨床診療知識庫、參考文獻和從歷史病例挖掘形成的知識。

3.傳統技術手段不能支撐智能、高效的知識獲取方式。

傳統數據處理的技術手段只能應對相對少量的醫學數據，如果醫生在診療過程中獲取知識的效率太低，醫生一般都會選擇盡可能少用。因此，我們需要利用最新的醫療大數據技術，構建一套高效的知識獲取系統，實現對醫生知識需求的快速響應，并盡可能做到智能化，即能夠智能感知診療過程，精準的為醫生提供知識服務。

臨床智能輔診系統，是基于我院醫療大數據平臺和醫院海量真實病歷數據，結合醫學文獻、臨床知識庫等資源，利用分布式存儲和計算、自然語言處理、機器學習等技術構建的，深入挖掘醫院近20年累積的大量優質歷史病歷數據，并融合醫學知識庫，涵蓋文獻、指南、循證醫學證據，系統囊括了8種癌癥的臨床指南，1070余條醫學知識規則，可鏈接近2000萬份電子病歷文檔資料和400多萬篇文獻摘要及70多萬篇文獻全文。

系統架構如圖1所示，包括在線智能引擎架構、離線數據處理架構兩部分。

圖1 臨床決策支持系統系統架構

其中數據源來自我院大數據平臺和鏈接的各類知識庫文獻庫等，系統通過CDSS引擎模塊調取數據。在線智能引擎部分主要負責根據醫生實時輸入，通過實時處理計算，完成診療行為推薦、相似病歷統計、檢索等功能，并將結果展示給醫生，該模塊在客戶端包含輔助決策客戶端程序，服務端包含CDSS引擎模塊。離線數據處理部分主要按照一定周期或人工觸發后，獲取海量臨床病歷、文獻知識等原始數據，按照算法設計的規則清洗數據，提取關鍵信息，并訓練算法模型，使得在線系統可以調用算法模型實現特征提取和診療行為推薦。

1.醫療大數據集成與處理基礎技術

將醫院HIS、EMRS、LIS、PACS 等醫療數據通過ETL工具進行抽取、匯集、結構化，映射到兼容國際國內醫療數據規范標準的全局Schema中，對字段信息清洗和語義歸一，為上層應用服務提供準確的基礎數據支撐和業務模型訓練。采用了Hadoop技術框架搭建分布式計算，利用22臺服務器組建大數據處理平臺，共225T存儲空間，進行數據采集、清洗、處理、存儲等工作。

2.多元異構醫學數據的后結構化處理與分析技術

通過自然語義處理技術，結合醫療專業術語的語義結構，將醫療語義信息從原始的自然語言表達，擴展分析為結構化的Key-Value模式，為后續的應用、挖掘、機器學習提供基礎數據支持。對2600多萬份病歷數據建立臨床專業語料庫，構建數據索引，并進行結構化與歸一化處理，為大數據應用、挖掘、機器學習提供結構化數據。

3.構建診療過程知識生成的智能算法與規則體系

采用聚類、分類、協同過濾、推薦等算法分析數據結構，對不同的醫學數據進行標注，進而建立分類數據集；再結合數據集和機器訓練，達到新數據自動識別與歸類的目的，進而為臨床診療活動挖掘出符合條件的業務模型和知識服務。結合醫學數據集結構化字段5792個，通過機器學習實現結構化字段的自定義，拓展符合特定診療場景的知識服務。

4.研發大數據驅動的臨床智能輔診系統

基于醫院海量真實病歷數據，結合醫學文獻、臨床指南、專病庫等知識庫，研發了大數據驅動的臨床智能輔診系統。系統自動獲取患者就診信息，并為醫生診療過程提供多維度數據的輔助決策，提供操作便捷、實用高效的輔助工具，與醫生工作站進行融合。

面向臨床醫生的輔助決策和推薦系統，支持自動從醫生工作站獲取當前就診的患者信息，多維度為醫生診療過程提供輔助決策，讓醫生在傳統的診療環境獲得創新的診療手段。

1.診斷推薦

根據患者基本信息和主訴、現病史等臨床信息，智能推薦疑似診斷，并提供這些診斷的典型癥狀、常用檢查、常用檢驗以及歷史相似病歷，如圖2所示。

圖2 診斷推薦示意圖

2.檢查檢驗推薦

根據初步診斷，結合基本信息、一訴五史，自動推薦適合的檢驗、檢查項目，并挖掘展示歷史病歷中的開立占比及相關文獻，如圖3所示。

圖3 檢查檢驗推薦示意圖

3.治療方案推薦

根據最終診斷自動推薦最佳治療方案，并挖掘展示各治療方案在歷史病歷中的開立占比及相關文獻，如圖4所示。

圖4 治療方案推薦示意圖

4.智能提醒

結合知識庫和知識挖掘，智能提醒不適合患者病情的處置和預警，如圖5所示。

圖5 智能提醒示意圖

5.病歷分析

根據患者主訴、現病史、診斷、檢查檢驗、用藥等信息，基于歷史數據找出相似病歷及各維度的統計數據，如圖6所示。

圖6 病歷分析示意圖

6.知識搜索

提供最新最全醫學文獻、臨床指南、臨床路徑等循證醫學知識，如圖7所示。

圖7 知識搜索示意圖

本案例研發的大數據驅動的臨床智能輔診系統，突破了醫療大數據分析方法與應用的制約點，為終端用戶提供了功能較實用、簡便圖形化界面的診療決策輔助工具，形成了在臨床智能輔助方面有價值的應用，對精準醫療的進一步實施與實現具有有價值的參考意義。截止目前，系統已在醫院各臨床科室推廣使用，已累計為醫生診療行為服務8萬多人次，為臨床醫生和患者帶來了較好的就診體驗。

首先，臨床智能輔診對臨床醫生特別是年輕醫生、臨床實習生和輪轉醫生都有很好的指導作用，可以讓他們學習已經積累的先進經驗，并可同時了解到國內外研究進展與治療規范，幫助其在臨床工作過程中不斷提升診療水平。

其次，基于醫療大數據的智能輔診應用會使醫生的診療過程更加科學、合理、精準；特別是形成了更加有針對性的檢查、用藥和治療方案，可進一步減輕患者負擔，節約就診時間，也可進一步提升臨床工作效率，提升床位周轉率。

再次，該系統的研發大大提升了臨床診療的信息化環境水平，通過大數據、人工智能等相關技術的集成與應用，使得醫院臨床診療信息化向智慧醫療、精準診療方向進一步探索，形成了新技術應用的知識儲備。

將臨床智能輔診系統深度融合到診療流程中，不斷擴充、完善包括影像、生物樣本庫等在內的各類醫療數據，進一步利用大數據與人工智能技術提升系統的智能化與親和度，提高整體輔診能力。

同時，此系統可進一步拓展應用到各基層醫療機構，實現將大型醫療機構的豐富臨床經驗與知識輻射到基層，對提升基層醫生的診療水平，帶動區域內整體醫療水平的進步具有十分重要的參考價值，市場前景也較廣闊。