薛万国：医院大数据中心建设的六个常见问题

导读

理想的状态是：信息中心提供原始数据，大数据中心分析数据、建立模型，所得成果再通过医院信息系统赋能临床。

“每当探讨医院大数据中心建设这个话题时，有些问题经常会被人谈起。”解放军总医院大数据中心主任薛万国从中整理出六个常见问题，在2020年12月19日举办的医疗大数据应用与智慧医疗高峰论坛上分享了他的思考。

解放军总医院大数据中心主任 薛万国

问题一：医院已经建立了CDR，还需要再建设大数据中心吗？

在不同场景下，“医院数据中心”的含义也并不相同，通常有两类数据中心：

第一类是以业务支撑为主、面向电子病历的数据中心，也即CDR，其作用是支撑日常的医疗活动，进行医疗过程中的数据收集与呈现，同时兼顾常规报表统计等功能。从技术手段来看，CDR一般通过系统集成实现实时联通，在数据组织方面通常针对患者个体进行多方面的信息收集，具有实时性、长期性与稳定性。

第二类是以管理和科研利用为主的数据分析中心，也即大数据中心，其作用是面向临床研究、医院管理与智能产品开发，满足数据批量处理的挖掘与分析需求。从技术手段来看，大数据中心一般需引入ETL等方式，在数据组织方面以群体数据为中心，通常对实时性要求不高。

薛万国认为，在医院已经建有CDR的基础上，为开展大数据分析工作，仍需建立大数据分析中心。原因有三。首先，二者收集与使用的数据内容有异，在进行大数据分析时，除业务数据以外，还需患者的随访数据、基因数据等，这些数据是CDR里没有的。其次，二者工作模式不同，依托CDR进行的工作是日常的、规律性的、通过系统实现的，而大数据中心的统计挖掘工作是随机的、大批量的。第三，二者技术形态也不一样，通常在CDR里会采用关系数据库，采用实时的办法，但在进行大数据挖掘时，则需要分布式并行系统等非常规手段的支撑。

问题二：医院数据能否一次性治理到位？

数据治理通常有两种路径。第一种路径是将不同来源的异构数据进行整合，建立数据库；再对文本数据进行解析，将数据结构化；最后对于非标准术语进行归一处理，形成清洗后的数据，后续可以以其为基础进行数据分析。第二种路径是整合原始数据形成原始数据资源池，待研究问题产生以后，再针对特定问题选取相关数据进行结构化和归一化处理。

这两种路径究竟哪种更好呢？薛万国认为，首先，由于当前技术成熟度的限制，第一种路径很难实现一次到位。以结构化为例，对肿瘤病例进行分析时，经常需要提取患者的肿瘤分型与分期数据，这些数据涵盖在病理报告内。由于不同肿瘤病症的分期方法不同，因此在进行自然语言处理时，难以针对不同肿瘤病种实现通用化的一次性提取分析。其次，第一种数据治理路径存在信息损失问题。由于病历文本、报告在结构化过程中一定会遇到语义的信息丢失问题，因此结构化后的元素不能完整表达文本原意，同时标准化也可能会导致信息丢失。第三，第一种路径还存在历史数据的处理问题。以医院从ICD-9到ICD-10的过渡为例，现有技术无法将既往病例的ICD-9编码全部自动转换为ICD-10编码。想要解决这个问题，只能保留原始数据，按各自编码进行处理。

综合上述因素，薛万国表示，数据治理是贯穿数据分析整个过程的，没有办法一次性完成。他建议：在数据整合阶段，以数据结构转换为主，尽量保持数据的原始性，但为了便于数据检索，可以在整合完成后进行数据特征抽取；数据加工与深度治理，则放在面向特定目标和问题的研究阶段再进行处理。

问题三：专病数据库是不是数据研究的必由之路？

目前医院常见的专病数据库分为两种：一种是基础病例库，也即在建库时并未确定具体的研究问题，因此一般要求特征数越全越好，数据整理的工作量很大；一种是面向问题的病例库，也即针对特定科研课题的数据收集，对数据质量要求较高。

过往在建立专病数据库时，需要临床科室对所有病例数据进行人为加工，其优点是数据质量高、后期的数据处理量小，缺点是工作量巨大，需要建立长期的工作机制，临床科室往往很难把这件事坚持下来。这也是大部分专病数据库效果不佳的主要原因。

薛万国认为，当医院建有大数据中心和相应的服务能力以后，可以将病例原始数据整合在数据资源池内，临床科研人员针对具体的研究问题，利用大数据中心提供的服务进行数据加工、特征抽取和数据分析。这种方式的优点是前期的工作量小、难度低，适合缺乏长期专门团队的临床科室，缺点是数据质量不及专病数据库。这种方式的好处在回顾性科研课题中表现较为明显。

问题四：是否存在一体化的大数据平台？

大数据的利用通常分为四个阶段：数据整合、数据处理、数据建模分析及数据可视化，在每个阶段需要用到的工具都有所不同。在数据整合阶段，通常会用到ETL、SQL脚本等；在数据处理阶段，会用到Excel、SQL语句、结构化工具以及专病数据库等；在数据建模阶段，数据分析工程师可能会用到R语言、Python、SPSS及TensorFlow等；在数据可视化阶段，会用到各类商品化或开源的数据展现工具。

不同阶段所用工具五花八门，各有特点，也都有各自优秀的厂家和产品。因此，医院的大数据平台实质是一组工具集，不同用户的使用偏好也各不相同，没有必要将所有人都束缚在单一平台上。薛万国认为：“一体化的大数据平台很难适用，即便存在，效率也未必会高。”

问题五：在大数据中心建设过程中，是否一定要用到Hadoop？

医疗大数据往往是“大”和“小”并存的，“大”是指医院内的全量数据很大。但在研究具体临床问题时，所涉及的数据量又是很“小”的，往往是几万例、几千例，甚至是几百例病例。

薛万国认为，在处理医疗大数据时，混合技术更为适宜。传统技术，特别是关系数据库技术，其数据加工、管理、分析功能都非常成熟，生态环境也非常好，适用于大部分数据处理场景。而在追求检索速度时，则可能需要用到Hadoop或其他分布式并行处理技术。

“如果把所有的工作都放在Hadoop上来做，无异于自缚手脚。”薛万国认为，诞生于互联网环境下的Hadoop有其用武之地，但在医疗行业也面临很大的局限性：技术体系较为复杂，生态圈较小，常用工具的匹配性相对较差，不太适于数据录入和数据加工。所以，医院的大数据中心建设不一定要采用Hadoop。

问题六：医院是否需要在信息中心部门之外设立大数据中心部门？

大数据中心和信息中心的职能与特点不同：传统的信息中心通常以信息系统建设和运维为主要职能，而大数据中心的职能是提供数据服务，尤其是为临床医学研究提供服务，这些服务是个性化的，需要特定技能的团队来提供。同时，大数据中心和信息中心的关系又非常紧密，大数据中心的建设紧密地依赖于医院的信息化建设，所有的数据都来源于信息系统，二者密不可分。另外在数据质量方面，也需要通过信息化建设来不断地提升数据质量。

薛万国认为理想的状态是：信息中心提供原始数据，大数据中心分析数据、建立模型，所得成果再通过医院信息系统赋能临床。二者的紧密结合，可以在诸如VTE（Venous Thromboembolism，静脉血栓栓塞症）风险预测、医疗质量控制、临床辅助决策等方面发挥重要作用。

薛万国表示：“大数据中心和信息中心并非简单的分与合的问题，应该在医院内建立一个大信息体制，这个体制要体现出大数据中心是传统医院信息化内涵的扩展。至于大数据中心是否需要独立设置，这只是行政管理、分工管理上的形式问题。”

近期热文

HIT专家网∣致力推进中国卫生信息化长按二维码可申请加入HIT专家网专业交流群投稿：[e-mail]

商务合作：[phone]