導語：醫(yī)療數(shù)據(jù)分析論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1醫(yī)療數(shù)據(jù)分析模型

將醫(yī)院、醫(yī)療保健組織等數(shù)字化的醫(yī)療數(shù)據(jù)以特定的格式、協(xié)議發(fā)送到醫(yī)療數(shù)據(jù)分析模塊進行分析與疾病預測．醫(yī)療數(shù)據(jù)提取模塊：該模塊由醫(yī)院電子病歷系統(tǒng)負責實現(xiàn)，我們使用openEHR系統(tǒng)作為醫(yī)院電子病歷系統(tǒng)，并在openEHR中實現(xiàn)醫(yī)療數(shù)據(jù)的提取功能．openEHR系統(tǒng)是一個開源、靈活的電子病歷系統(tǒng)，支持HL7衛(wèi)生信息交換標準．很多醫(yī)療健康組織、政府和學術科研單位都使用openEHR進行開發(fā)和科研工作．如一種基于openEHR的患者病歷數(shù)據(jù)管理模型、openEHR等許多開源的電子病歷平臺的對比與評估和基于openEHR的檔案建模等．數(shù)據(jù)交換模塊：基于Web服務的數(shù)據(jù)交換模塊使用醫(yī)療數(shù)據(jù)通信協(xié)議實現(xiàn)醫(yī)療數(shù)據(jù)分析模塊與醫(yī)療數(shù)據(jù)提取模塊的數(shù)據(jù)交換．Web服務是一個平臺獨立、松耦合的Web應用程序．由于Web服務的跨平臺特性，許多模型與框架是基于Web服務構建的，如基于Web服務集成分布式資源和數(shù)據(jù)流分析測試等．在本文提出的醫(yī)療數(shù)據(jù)分析模型中，使用Web服務來連接醫(yī)療數(shù)據(jù)分析模塊和醫(yī)療數(shù)據(jù)提取模塊．醫(yī)療數(shù)據(jù)提取模塊作為Web服務的服務端，實現(xiàn)的方法包括存取數(shù)據(jù)、數(shù)據(jù)預處理、序列化等，改進后的模型要求實現(xiàn)指定維度，指定屬性數(shù)據(jù)的讀取．本文提出的醫(yī)療數(shù)據(jù)分析模塊作為Web服務的客戶端，通過HTTP服務向數(shù)據(jù)提取模塊請求獲取數(shù)據(jù)，并對數(shù)據(jù)進行預處理．醫(yī)療數(shù)據(jù)分析模塊：我們使用Caisis開源平臺作為醫(yī)療數(shù)據(jù)分析與疾病預測系統(tǒng)實現(xiàn)這一模塊．Caisis是基于Web的開源癌癥數(shù)據(jù)管理系統(tǒng)，一些臨床醫(yī)學研究使用Caisis系統(tǒng)管理和歸檔數(shù)字顯微圖像，通過向Caisis系統(tǒng)中添加特征選擇和SVM算法，使用SVM算法對醫(yī)療數(shù)據(jù)進行分析和疾病預測，因此使用的特征選擇算法需要基于SVM，可以提高數(shù)據(jù)分析和疾病預測過程的效率和準確度．

2數(shù)據(jù)分析模塊與算法

2．1SVM算法SVM算法最初是由Vapnik等人在1995年提出的一種可訓練的機器學習算法．依據(jù)統(tǒng)計學習理論、VC維理論和結構風險最小化理論，從一定數(shù)目的樣本信息在學習能力和復雜度（對訓練樣本的學習程度）中找到最佳折中，以期望獲得最好的推廣能力（或稱泛化能力）．

2．2基于SVM的醫(yī)療數(shù)據(jù)分析模塊將SVM分類算法應用到醫(yī)療數(shù)據(jù)分析模塊中，進行疾病預測．基于SVM的醫(yī)療數(shù)據(jù)分析模塊，通過數(shù)據(jù)交換模塊獲取原始組數(shù)據(jù)（患病病人醫(yī)療數(shù)據(jù)和對照組病人數(shù)據(jù)）．通過特征選擇過程輸入到SVM分類器中進行訓練，訓練后可以對新的醫(yī)療數(shù)據(jù)進行分析預測．

3改進的醫(yī)療數(shù)據(jù)交換模塊

3．1醫(yī)療數(shù)據(jù)交換模塊在原始的醫(yī)療數(shù)據(jù)交換模塊中，數(shù)據(jù)請求原語只由4條通信原語組成．由原始醫(yī)療數(shù)據(jù)分析模型的3個模塊構建，其中在醫(yī)療數(shù)據(jù)分析模塊與醫(yī)療數(shù)據(jù)提取模塊之間的4條通信原語包括2條請求和2條應答．由于醫(yī)療數(shù)據(jù)的維度極大，屬性很多，但是在預測某個疾病時，只有很少的一部分屬性會對分類預測產(chǎn)生影響．這樣的全部維度的數(shù)據(jù)都需要傳輸，浪費了時間，降低了數(shù)據(jù)傳輸效率，影響了醫(yī)療數(shù)據(jù)分析模塊的算法效率．

3．2改進的醫(yī)療數(shù)據(jù)交換模塊在改進的醫(yī)療數(shù)據(jù)交換模塊中，在數(shù)據(jù)傳輸協(xié)議中增加了4條原語．在每條原語中不僅有醫(yī)療記錄條數(shù)的要求，還包括對所請求醫(yī)療數(shù)據(jù)維度和屬性的具體說明．醫(yī)療數(shù)據(jù)分析模塊先請求一小部分全部維度的數(shù)據(jù)，對這小部分數(shù)據(jù)進行特征選擇．然后醫(yī)療數(shù)據(jù)分析模塊只請求特征選擇出來的對預測相關的屬性的剩余所有醫(yī)療數(shù)據(jù)．最后通過SVM分類算法進行訓練和預測．在新的醫(yī)療數(shù)據(jù)交換模塊中，大部分數(shù)據(jù)中只有小部分相關屬性被傳輸?shù)綌?shù)據(jù)分析模塊，極大地減少了數(shù)據(jù)傳輸總量，也同時增加了分析模塊預測算法的效率．

4原始模型與改進模型的對比結果

在對改進后的模型進行實驗評估時，當Caisis系統(tǒng)請求的訓練數(shù)據(jù)總數(shù)從100～600條變化時，特征選擇請求的數(shù)據(jù)條數(shù)均取100條．當Caisis系統(tǒng)請求的訓練數(shù)據(jù)總數(shù)為100條時，改進模型與原始模型的總數(shù)據(jù)傳輸時間是相同的，這是因為當Caisis系統(tǒng)請求的訓練數(shù)據(jù)總數(shù)與改進模型的特征選擇請求的數(shù)據(jù)條數(shù)都是100條．無論是原始模型還是改進模型，openEHR系統(tǒng)發(fā)送回來的數(shù)據(jù)都是100條的全部屬性．所以，當Caisis請求的訓練數(shù)據(jù)總數(shù)與進行特征選擇的條數(shù)相同時，改進模型降級為與原始模型具有相同傳輸效率．但是隨著Caisis系統(tǒng)請求的訓練數(shù)據(jù)總數(shù)的不斷增加，改進模型則具有非常明顯的優(yōu)勢．對改進模型的評估．當Caisis系統(tǒng)請求的醫(yī)療數(shù)據(jù)總數(shù)一定時，隨著Caisis系統(tǒng)進行特征選擇所請求的數(shù)據(jù)條數(shù)變化，總數(shù)據(jù)傳輸時間不斷增加，傳輸效率逐漸降低．Caisis系統(tǒng)第一步進行特征選擇所請求的數(shù)據(jù)條數(shù)越小，就會有更少的數(shù)據(jù)以全部屬性傳輸，也就是說，更多的數(shù)據(jù)會以更少的屬性傳輸．這樣，總的數(shù)據(jù)量變小，醫(yī)療數(shù)據(jù)的傳輸效率就增大．相反，隨著Caisis系統(tǒng)第一步特征選擇所請求的數(shù)據(jù)條數(shù)的增加，總的傳輸數(shù)據(jù)量變大，醫(yī)療數(shù)據(jù)的總傳輸時間也會變長．當Caisis系統(tǒng)第一步特征選擇所請求的數(shù)據(jù)條數(shù)等于需要訓練的總數(shù)時，全部數(shù)據(jù)的全部屬性都需要傳輸給Caisis，這就使得改進模型降級為與原始模型具有相同的低效率模型系統(tǒng)．實驗結果表明，改進后的醫(yī)療數(shù)據(jù)交換協(xié)議具有更高的數(shù)據(jù)交換效率，并且醫(yī)療數(shù)據(jù)分析與預測系統(tǒng)進行特征選擇時使用的數(shù)據(jù)量越小，醫(yī)療數(shù)據(jù)的交換效率越高；基于SVM的特征選擇算法提高了醫(yī)療數(shù)據(jù)分析系統(tǒng)的效率，并提高了使用SVM算法進行預測分析的效率和準確度．

作者:田宇馳胡亮單位:吉林大學計算機科學與技術學院