大数据分析在医院管理中的应用
王晓华
（上海电力医院信息技术部上海200050）
摘要
随着医院信息系统的快速发展，为医院带来了海量数据。对这些数据的有效利用、分析，挖掘其中隐含的信息，能为医院管理提供更好的决策支持。本文从临床信息数据分析出发，在资源配置、医疗监管、临床决策支持、健康体检分析等方面进行大数据应用分析。
关键词：大数据分析，医院管理，应用
Application of big data analysis in hospital management
[Abstract] With the rapid development of hospital information system, it has brought a huge amount of data for the hospital. The effective use of these data, analysis, mining the implicit information, can provide better decision support for hospital management. In this paper, writer analyze the data from the clinical data, in the resource allocation, medical monitoring, clinical decision support, health examination analysis and other aspects of large data application analysis.
[Key words]Big Data Analysis，Hospital Management，Application
1. 概述
根据卫计委公布的数字，2014年前11个月全国医疗卫生服务机构诊疗量（门诊和住院）达到67.7亿人次，其中三级医院达到12.1 亿人次。这些医院信息数据量十分巨大，它涵盖了患者的人员信息、诊疗信息、用药信息和费用信息，而这些信息又为流行病学研究、临床医学研究、医保控费标准制定、临床路径和药品研究及精准医疗提供了数据基础。
如何合理利用这些数据，分析、挖掘出其中隐含的信息，并加以应用，实现为患者提供更好的诊疗及保健，帮助医生找到更好的诊疗方案、提高医疗质量，帮助医院决策者调整策略、减少风险，降低医疗费用等需求方面，将是未来医院面临的挑战之一。
2. 大数据的产生
当前大多数医院都已完成了医院信息系统的建设，各专业的医疗信息以结构化和非结构化的形式存在于各子系统中，如HIS 、LIS 、EMR 、PACS 等。
医院信息主要包含HIS （医院信息系统）和CIS （临床信息系统）两大系统中。HIS 的主要目标是支持医院的经营管理与查询业务，提高医院的工作效率，包括门诊收费、药房药库、住院收费、人力资源、财务查询等。CIS 的主要目标是支持医院医护人员的临床活动，收集和处理病人的临床医疗信息，为病人提供更好的服务，包括门急诊和住院医生工作站系统、电子病历系统（EMR ）、护士工作站系统、护理病历系统（NIS ）、影像归档和通信系统（PACS ）、实验室系统（LIS ）、药物咨询系统等。
2.1 数据量的计算
1）、业务交易规模计算
按中等规模二甲综合医院测算，医院预计的日均2000人次，如平均每人次在挂号、医生诊间、收费、医技科室等16个科室各发生1笔业务，则每天的业务量就是：2000*16*1=3.2万笔。门诊部分信息系统按每业务数据库交易数10计算，则每天的数据库交易数为：3.2万*10=32万次。
假设医院住院患者400人次，每人次主管医生、护士或会诊医生各发生20笔业务，药房、收费、手术、麻醉、医技科室等各发生3笔业务，则每天的业务量就是：400*3*20+400*18*3=4.56万笔。住院部分信息系统按每业务数据库交易数10计算，则每天的数据库操作数为：4.56万*10=45.6万次。
由上，总的日数据库交易次数是：32万+45.6万=77.6万次，则10年的交易次数为776万次。
2）、结构化数据量计算
以二甲综合医院门诊量2000人/日，住院量400人/日计算。
每门诊人次含挂号收费信息、处方信息、检查信息、输液信息、处置信息、门诊病历信息等系统数据估算量为0.1M ，则每日门诊数据量=0.1M*2000=200M。
每住院人次每日含收费信息、医嘱信息、护理信息、药品信息、检查信息、输液信息、处置信息、住院病历信息等系统数据估算量为0.5M ，则每日住院数据量
=0.5M*400=200M。
10年总数据量为（200M+200M）*365*10=1.46TB。
2）、医学影像数据（非结构化数据）计算
以二甲综合医院门诊量2000人/日，住院量400人/日计算。
如门诊25%患者平均每人次在医学影像科室-X 线、MRI 、CT 、心电、超声、胃肠镜、病理等部门进行图像采集1次，平均数据估算量为：5MB ，则每日门诊数据量
=5MB*1*2000*0.3=2500MB。
如住院20%患者平均每人次在医学影像科室-X 线、MRI 、CT 、心电、超声、胃肠镜、病理等部门进行图像采集1次，平均数据估算量为：5MB ，则每日门诊数据量
=5MB*1*400*0.2=400MB。
10年数据量为（2500MB +400MB）*365*10=10.6TB。
以上二甲综合性医院10年结构及非结构化数据量总和为1.46TB + 10.6TB =
12.06TB 。
2.2 大数据的可用性
1）大数据静悄悄的躺在各自系统的结构中，除了定向的查询，几乎没得到好的使用。能否将这些大量分散的信息进行整合，把这些以结构化形式存在的数据准确地识别，并且赋予他们词、词组和数字等逻辑关系，将是推进大数据分析的关键。这种全结构化的数据库由于覆盖信息面广，数据结构程度高，可以按照病人、药剂、检验、检查和管理的不同需求提供更精准的信息，从而更好地帮助制定医疗提高服务。
2）数据本身不直接带来价值，对于数据的应用来说，最终的产品不管是临床决策辅助系统还是医保控费系统，能否得到临床一线工作者和医药经济学家的认可，是区分产品优劣的关键点。
3）达到一定的信息系统的覆盖率，打通各信息系统之间的孤岛。单一系统的数据虽然有价值，但是由于它不能反应出连续的医疗记录，往往不能作为决策参考二次利用，这时如能取得多个系统的数据进行协作分析，提升医疗数据分析变现的可能性。
3. 大数据分析的应用
通过分析临床信息数据，运用相关数据挖掘算法和统计学知识，从数据中挖掘出潜在有价值的诊疗模式、决策知识，帮助医生找到更好的诊疗方式和临床路径，提高医疗质量；帮助医院决策者调整策略，做出正确决策。
3.1 分析病人来源，调整资源配置
根据病人的就医记录大数据，分析出病人就诊时段，相应的该时段就诊病人的诊断、年龄层、性别、同药理药品使用量、复诊次数、复诊周期等来确定相对病人属性，并针对这些属性，按正态分布进行医疗资源合理优化配置，按诊断配置医生，按用药做好药品准备，按年龄层、性别调整服务细节，按复诊人群自动分配诊间等，从而达到相应服务资源在各个层面的投放。
3.2 大数据用于临床决策支持
临床决策支持系统分析医生输入的诊断、医嘱、处方等，将其与临床知识库相比较，从多个属性上比较其差异，从而提醒医生防止潜在的错误，如用药辅助支持系统。通过部署这些系统，医院可以降低医疗事故率和差错。
大数据分析可以使用图像分析和识别技术，识别医疗影像(X光、CT 、MRI) 数据，将相近或相识的图像进行对比，并将其他的医疗影像诊断展示出来，从而给医生提出诊断建议。
3.3 健康体检
健康体检的目的是发现潜在隐患。体检机构对受检人员健康数据进行采集、初检、总检，从而得到当前的健康状况；进一步对健康数据的分析，能针对不同区域、人群分析出区域受检人员中的慢病特征、风险预测等信息，并辅助以健康相关危险因素及制作健康监测评估图；通过全基因组测序数据分析，可明确个体的患病风险。
健康体检机构对每一位受检单位进行个性化的健康体检套餐设计，并从个人体检数据所反映出的健康问题，通过大数据分析，给予个体受检人员以后的体检套餐规划。
3.4 医疗效益分析
对同一病人来说，医疗机构不同，医疗护理方法和效果就不同，治疗成本也存在着很大的差异。
效益分析通过对病人体征数据、医疗费用数据和各诊断的治疗结果数据在内的大型数据集的分析对比，可以帮助医生判断最有效和最具有成本效益的治疗方案，有可能减少过度治疗或治疗不足的情况发生。
数据分析也可以带来业务流程的精简，通过分析成本，提高质量并给病人带来更好的体验，也给医疗服务机构带来额外的业绩增长潜力。
4. 大数据分析的其他相关考虑
1) 大数据分析的模型建立
大数据分析建模方法繁多，面向过程建模、面向数据建模、以信息为中心建模，决策分析方法也多种多样，DEA 方法、树形决策、风险决策、模糊决策等，所得到的结论可能会千差万别，因此，需再依据回归分析法计算相关性，确定是否存在线性因果关系，否则经分析得到的结论与大数据分析的初衷背道而驰了。
2) 用于临床支持的局限性
由于病人复合病关系复杂，在诊断过程中医生对某些病症给出确切诊断有时会有差别，利用大数据分析，对相同主诉和病征进行分门别类区分，其与分析的样本数量密切相关，样本越大，分析的可靠性越高，但样本量如何才算大，很难界定，这样分析出来的结论与实际情况有偏差，反而给大数据分析的作用造成负面影响。
5. 结论
大数据分析的应用，必定能给医疗行业造成积极地影响，随着技术的不断进步，医院数据量不断提高的基础上，大数据分析技术在医疗领域的作用必定越来越明显。
参考文献
[1] 王震寰. 计算医学——应对大数据的挑战向临床转化[J]. 蚌埠医学院学报，2014，39
（1）：1-2.
[2] 李国杰. 大数据研究的科学价值[J]. 中国计算机学会通讯，2012，8（9）：8-15.
[3]蔡佳慧，张涛，宗文红．医疗大数据面临的挑战及思考 ［Ｊ］中国卫生信息管理杂志， 2013，10（4）＝292－295
[4]许德泉，杨慧清．大数据在医疗个性化服务中的应用 ［Ｊ］．中国卫生信息管理杂志，2013，10（4）：301－304
[5] 王元卓, 靳小龙, 程学旗. 网络大数据: 现状与展望[J]. 计算机学报, 2013,36(6): 1125-1138.
[6] 周宝曜. 如何在健康云上进行大数据的挖掘与分析[J].EMC中国研究院, 2014.4.6
[7] 埃里克·托普. 颠覆医疗: 大数据时代的个人健康革命[M]. 北京: 电子工业出版社. 2014.
本文作者：王晓华 男 年龄：45
职称：高级工程师 信息技术部主任
Email ：[email protected]
地址：上海延安西路937号 上海电力医院 信息技术部
邮编：200050
联系电话：[1**********]
大数据分析在医院管理中的应用
王晓华
（上海电力医院信息技术部上海200050）
摘要
随着医院信息系统的快速发展，为医院带来了海量数据。对这些数据的有效利用、分析，挖掘其中隐含的信息，能为医院管理提供更好的决策支持。本文从临床信息数据分析出发，在资源配置、医疗监管、临床决策支持、健康体检分析等方面进行大数据应用分析。
关键词：大数据分析，医院管理，应用
Application of big data analysis in hospital management
[Abstract] With the rapid development of hospital information system, it has brought a huge amount of data for the hospital. The effective use of these data, analysis, mining the implicit information, can provide better decision support for hospital management. In this paper, writer analyze the data from the clinical data, in the resource allocation, medical monitoring, clinical decision support, health examination analysis and other aspects of large data application analysis.
[Key words]Big Data Analysis，Hospital Management，Application
1. 概述
根据卫计委公布的数字，2014年前11个月全国医疗卫生服务机构诊疗量（门诊和住院）达到67.7亿人次，其中三级医院达到12.1 亿人次。这些医院信息数据量十分巨大，它涵盖了患者的人员信息、诊疗信息、用药信息和费用信息，而这些信息又为流行病学研究、临床医学研究、医保控费标准制定、临床路径和药品研究及精准医疗提供了数据基础。
如何合理利用这些数据，分析、挖掘出其中隐含的信息，并加以应用，实现为患者提供更好的诊疗及保健，帮助医生找到更好的诊疗方案、提高医疗质量，帮助医院决策者调整策略、减少风险，降低医疗费用等需求方面，将是未来医院面临的挑战之一。
2. 大数据的产生
当前大多数医院都已完成了医院信息系统的建设，各专业的医疗信息以结构化和非结构化的形式存在于各子系统中，如HIS 、LIS 、EMR 、PACS 等。
医院信息主要包含HIS （医院信息系统）和CIS （临床信息系统）两大系统中。HIS 的主要目标是支持医院的经营管理与查询业务，提高医院的工作效率，包括门诊收费、药房药库、住院收费、人力资源、财务查询等。CIS 的主要目标是支持医院医护人员的临床活动，收集和处理病人的临床医疗信息，为病人提供更好的服务，包括门急诊和住院医生工作站系统、电子病历系统（EMR ）、护士工作站系统、护理病历系统（NIS ）、影像归档和通信系统（PACS ）、实验室系统（LIS ）、药物咨询系统等。
2.1 数据量的计算
1）、业务交易规模计算
按中等规模二甲综合医院测算，医院预计的日均2000人次，如平均每人次在挂号、医生诊间、收费、医技科室等16个科室各发生1笔业务，则每天的业务量就是：2000*16*1=3.2万笔。门诊部分信息系统按每业务数据库交易数10计算，则每天的数据库交易数为：3.2万*10=32万次。
假设医院住院患者400人次，每人次主管医生、护士或会诊医生各发生20笔业务，药房、收费、手术、麻醉、医技科室等各发生3笔业务，则每天的业务量就是：400*3*20+400*18*3=4.56万笔。住院部分信息系统按每业务数据库交易数10计算，则每天的数据库操作数为：4.56万*10=45.6万次。
由上，总的日数据库交易次数是：32万+45.6万=77.6万次，则10年的交易次数为776万次。
2）、结构化数据量计算
以二甲综合医院门诊量2000人/日，住院量400人/日计算。
每门诊人次含挂号收费信息、处方信息、检查信息、输液信息、处置信息、门诊病历信息等系统数据估算量为0.1M ，则每日门诊数据量=0.1M*2000=200M。
每住院人次每日含收费信息、医嘱信息、护理信息、药品信息、检查信息、输液信息、处置信息、住院病历信息等系统数据估算量为0.5M ，则每日住院数据量
=0.5M*400=200M。
10年总数据量为（200M+200M）*365*10=1.46TB。
2）、医学影像数据（非结构化数据）计算
以二甲综合医院门诊量2000人/日，住院量400人/日计算。
如门诊25%患者平均每人次在医学影像科室-X 线、MRI 、CT 、心电、超声、胃肠镜、病理等部门进行图像采集1次，平均数据估算量为：5MB ，则每日门诊数据量
=5MB*1*2000*0.3=2500MB。
如住院20%患者平均每人次在医学影像科室-X 线、MRI 、CT 、心电、超声、胃肠镜、病理等部门进行图像采集1次，平均数据估算量为：5MB ，则每日门诊数据量
=5MB*1*400*0.2=400MB。
10年数据量为（2500MB +400MB）*365*10=10.6TB。
以上二甲综合性医院10年结构及非结构化数据量总和为1.46TB + 10.6TB =
12.06TB 。
2.2 大数据的可用性
1）大数据静悄悄的躺在各自系统的结构中，除了定向的查询，几乎没得到好的使用。能否将这些大量分散的信息进行整合，把这些以结构化形式存在的数据准确地识别，并且赋予他们词、词组和数字等逻辑关系，将是推进大数据分析的关键。这种全结构化的数据库由于覆盖信息面广，数据结构程度高，可以按照病人、药剂、检验、检查和管理的不同需求提供更精准的信息，从而更好地帮助制定医疗提高服务。
2）数据本身不直接带来价值，对于数据的应用来说，最终的产品不管是临床决策辅助系统还是医保控费系统，能否得到临床一线工作者和医药经济学家的认可，是区分产品优劣的关键点。
3）达到一定的信息系统的覆盖率，打通各信息系统之间的孤岛。单一系统的数据虽然有价值，但是由于它不能反应出连续的医疗记录，往往不能作为决策参考二次利用，这时如能取得多个系统的数据进行协作分析，提升医疗数据分析变现的可能性。
3. 大数据分析的应用
通过分析临床信息数据，运用相关数据挖掘算法和统计学知识，从数据中挖掘出潜在有价值的诊疗模式、决策知识，帮助医生找到更好的诊疗方式和临床路径，提高医疗质量；帮助医院决策者调整策略，做出正确决策。
3.1 分析病人来源，调整资源配置
根据病人的就医记录大数据，分析出病人就诊时段，相应的该时段就诊病人的诊断、年龄层、性别、同药理药品使用量、复诊次数、复诊周期等来确定相对病人属性，并针对这些属性，按正态分布进行医疗资源合理优化配置，按诊断配置医生，按用药做好药品准备，按年龄层、性别调整服务细节，按复诊人群自动分配诊间等，从而达到相应服务资源在各个层面的投放。
3.2 大数据用于临床决策支持
临床决策支持系统分析医生输入的诊断、医嘱、处方等，将其与临床知识库相比较，从多个属性上比较其差异，从而提醒医生防止潜在的错误，如用药辅助支持系统。通过部署这些系统，医院可以降低医疗事故率和差错。
大数据分析可以使用图像分析和识别技术，识别医疗影像(X光、CT 、MRI) 数据，将相近或相识的图像进行对比，并将其他的医疗影像诊断展示出来，从而给医生提出诊断建议。
3.3 健康体检
健康体检的目的是发现潜在隐患。体检机构对受检人员健康数据进行采集、初检、总检，从而得到当前的健康状况；进一步对健康数据的分析，能针对不同区域、人群分析出区域受检人员中的慢病特征、风险预测等信息，并辅助以健康相关危险因素及制作健康监测评估图；通过全基因组测序数据分析，可明确个体的患病风险。
健康体检机构对每一位受检单位进行个性化的健康体检套餐设计，并从个人体检数据所反映出的健康问题，通过大数据分析，给予个体受检人员以后的体检套餐规划。
3.4 医疗效益分析
对同一病人来说，医疗机构不同，医疗护理方法和效果就不同，治疗成本也存在着很大的差异。
效益分析通过对病人体征数据、医疗费用数据和各诊断的治疗结果数据在内的大型数据集的分析对比，可以帮助医生判断最有效和最具有成本效益的治疗方案，有可能减少过度治疗或治疗不足的情况发生。
数据分析也可以带来业务流程的精简，通过分析成本，提高质量并给病人带来更好的体验，也给医疗服务机构带来额外的业绩增长潜力。
4. 大数据分析的其他相关考虑
1) 大数据分析的模型建立
大数据分析建模方法繁多，面向过程建模、面向数据建模、以信息为中心建模，决策分析方法也多种多样，DEA 方法、树形决策、风险决策、模糊决策等，所得到的结论可能会千差万别，因此，需再依据回归分析法计算相关性，确定是否存在线性因果关系，否则经分析得到的结论与大数据分析的初衷背道而驰了。
2) 用于临床支持的局限性
由于病人复合病关系复杂，在诊断过程中医生对某些病症给出确切诊断有时会有差别，利用大数据分析，对相同主诉和病征进行分门别类区分，其与分析的样本数量密切相关，样本越大，分析的可靠性越高，但样本量如何才算大，很难界定，这样分析出来的结论与实际情况有偏差，反而给大数据分析的作用造成负面影响。
5. 结论
大数据分析的应用，必定能给医疗行业造成积极地影响，随着技术的不断进步，医院数据量不断提高的基础上，大数据分析技术在医疗领域的作用必定越来越明显。
参考文献
[1] 王震寰. 计算医学——应对大数据的挑战向临床转化[J]. 蚌埠医学院学报，2014，39
（1）：1-2.
[2] 李国杰. 大数据研究的科学价值[J]. 中国计算机学会通讯，2012，8（9）：8-15.
[3]蔡佳慧，张涛，宗文红．医疗大数据面临的挑战及思考 ［Ｊ］中国卫生信息管理杂志， 2013，10（4）＝292－295
[4]许德泉，杨慧清．大数据在医疗个性化服务中的应用 ［Ｊ］．中国卫生信息管理杂志，2013，10（4）：301－304
[5] 王元卓, 靳小龙, 程学旗. 网络大数据: 现状与展望[J]. 计算机学报, 2013,36(6): 1125-1138.
[6] 周宝曜. 如何在健康云上进行大数据的挖掘与分析[J].EMC中国研究院, 2014.4.6
[7] 埃里克·托普. 颠覆医疗: 大数据时代的个人健康革命[M]. 北京: 电子工业出版社. 2014.
本文作者：王晓华 男 年龄：45
职称：高级工程师 信息技术部主任
Email ：[email protected]
地址：上海延安西路937号 上海电力医院 信息技术部
邮编：200050
联系电话：[1**********]