20xx年醫(yī)學(xué)專題—★-基于hadoop大數(shù)據(jù)技術(shù)的腦卒中智能診療平臺(tái)研發(fā)資料-在線瀏覽
2024-11-19 04:46本頁(yè)面
【正文】 ，能夠?yàn)槠脚_(tái)的搭建提供足夠的數(shù)據(jù)支持和有關(guān)腦中風(fēng)專業(yè)知識(shí)的指導(dǎo)，也為平臺(tái)的前期推廣提供有效的途徑。工程團(tuán)隊(duì)主要成員和骨干成員介紹如下：工程負(fù)責(zé)人：張端，男，博士，副教授，碩導(dǎo)，1972年生。迄今為止，他承當(dāng)和參與了多項(xiàng)國(guó)家基金、86省部級(jí)工程以及多項(xiàng)企業(yè)合作工程；申請(qǐng)和授權(quán)創(chuàng)造專利8項(xiàng)；發(fā)表論文20與篇，其中SCI收錄7篇，EI收錄10篇，并在圖論與Petri網(wǎng)技術(shù)領(lǐng)域發(fā)表了3篇SCI論文，為本工程的研發(fā)打下了堅(jiān)實(shí)的理論根底。主要工程：1. 負(fù)責(zé)國(guó)家自然科學(xué)基金工程，研究?jī)?nèi)容：復(fù)雜動(dòng)態(tài)過(guò)程的控制和優(yōu)化，—2. 作為副組長(zhǎng)共同負(fù)責(zé)863方案工程，研究?jī)?nèi)容：復(fù)雜生產(chǎn)過(guò)程的策略研究， —3. 參與863方案工程，研究?jī)?nèi)容：復(fù)雜生產(chǎn)過(guò)程的集成建模與協(xié)調(diào)優(yōu)化控制技術(shù)研究，—4. 負(fù)責(zé)企業(yè)合作工程，研究?jī)?nèi)容：智能外貿(mào)信息系統(tǒng)，時(shí)間：－； 5. 負(fù)責(zé)企業(yè)合作工程，研究?jī)?nèi)容：醫(yī)療用品包裝圖像檢測(cè)系統(tǒng)，時(shí)間：－； 6. 參與企業(yè)合作工程，研究?jī)?nèi)容：海南RFID智能卡一卡通系統(tǒng)的研發(fā)，－； 7. 參與企業(yè)合作工程，研究?jī)?nèi)容：供電局機(jī)房監(jiān)控系統(tǒng)， －；承當(dāng)工作：作為工程負(fù)責(zé)人，負(fù)責(zé)工程的關(guān)鍵技術(shù)研究和任務(wù)分工，并管理經(jīng)費(fèi)的合理使用，保障工程質(zhì)量和時(shí)間進(jìn)度，同時(shí)，負(fù)責(zé)與合作單位的協(xié)調(diào)和溝通。承當(dāng)工作：負(fù)責(zé)與合作單位的協(xié)調(diào)和溝通，并承當(dāng)局部需求分析工作。分別于1994和1997年在浙江工業(yè)大學(xué)獲得工學(xué)學(xué)士和工學(xué)碩士學(xué)位。2000年 至 2002年, 新加坡國(guó)立大學(xué)化學(xué)與環(huán)境工程系擔(dān)任科研工程師。2004年至2022年, 新加坡南洋理工大學(xué)電氣工程學(xué)院自動(dòng)控制與儀器儀表系學(xué)習(xí),獲博士學(xué)位。2022年起浙江琴江科技從事智能系統(tǒng)和模式識(shí)別領(lǐng)域的研發(fā)工作。（三） 技術(shù)解決方案 研究?jī)?nèi)容以及相應(yīng)的解決方案 構(gòu)建腦卒中醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)目前浙一醫(yī)院及其附屬醫(yī)院都有自己的數(shù)據(jù)庫(kù)，腦卒中電子病歷數(shù)據(jù)處于分散狀態(tài)，而且由于采用不同的數(shù)據(jù)庫(kù)技術(shù)，各種病歷之間的格式也不統(tǒng)一。數(shù)據(jù)倉(cāng)庫(kù)構(gòu)建的整個(gè)過(guò)程包括數(shù)據(jù)抽取，數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)加載，即ETL。然后在Hadoop平臺(tái)上建立Hive臨時(shí)數(shù)據(jù)庫(kù)，用于存儲(chǔ)抽取到的腦卒中數(shù)據(jù)。而且腦卒中有很多分支，包括缺血性和出血性的，再往下還可以細(xì)分出很多病種，比方腦梗死，腦栓塞，顱內(nèi)出血，蛛網(wǎng)膜下出血等。因此，這會(huì)導(dǎo)致抽取過(guò)來(lái)的數(shù)據(jù)格式多樣和混亂。由于該數(shù)據(jù)倉(cāng)庫(kù)最終目的是用于數(shù)據(jù)挖掘，所以我們可以刪除一些不重要的信息，比方病人的姓名，證件號(hào)碼以及家庭住址等。最終保存病人的臨床表現(xiàn)〔口眼歪斜，半身不遂，老年癡呆等〕，相應(yīng)的診斷結(jié)果〔出血性中風(fēng)或缺血性中風(fēng)〕，治療手段，所用的藥物，治療結(jié)果以及后遺癥等信息。3） 數(shù)據(jù)加載由于原先的重組數(shù)據(jù)庫(kù)都是針對(duì)每家醫(yī)院的電子病歷系統(tǒng)分別建立的，因此，我們需要將這些分散的數(shù)據(jù)庫(kù)整合到一起。整個(gè)數(shù)據(jù)倉(cāng)庫(kù)的ETL過(guò)程如圖31所示： 圖31基于Hive的分布式腦卒中醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)ETL過(guò)程 對(duì)海量腦卒中醫(yī)療數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘目前，醫(yī)生對(duì)腦卒中的臨床分類診斷的正確率只有70%左右；以頭顱CT和核磁共振檢查診斷較為可靠，但其價(jià)格昂貴；且因CT和核磁共振檢查需搬動(dòng)病人，易加重病情；尤其是CT和核磁共振檢查對(duì)早期腦缺血常出現(xiàn)假陰性。因此，本研究利用決策樹算法分析海量腦卒中電子病歷中的臨床病癥指標(biāo)和診斷結(jié)果進(jìn)行分析，生成一套精確而且通用的判別標(biāo)準(zhǔn)。此外，當(dāng)前各醫(yī)院對(duì)腦卒中的治療方式和手段都不統(tǒng)一，而且用的藥也不一樣，當(dāng)病人在治療過(guò)程中更換醫(yī)院時(shí)，就會(huì)產(chǎn)生治療的不規(guī)律。目前，對(duì)于醫(yī)療數(shù)據(jù)挖掘算法用的比擬多的是Apriori，而傳統(tǒng)Apriori算法最大的缺乏就是每次尋找頻繁工程集都需要掃描整個(gè)數(shù)據(jù)集，當(dāng)工程數(shù)較多時(shí)，就要花大量的時(shí)間去掃面數(shù)據(jù)集，從而嚴(yán)重影響了算法的效率，這成為了 Apriori 算法的瓶頸。由于Hadoop使用的分布式存儲(chǔ)和分布式運(yùn)算模式，將整個(gè)腦中風(fēng)數(shù)據(jù)平均地分成假設(shè)干個(gè)數(shù)據(jù)塊，分配到各集群中的各個(gè)DataNode中，當(dāng)執(zhí)行任務(wù)時(shí)，每個(gè)節(jié)點(diǎn)會(huì)掃描各自的數(shù)據(jù)塊，從而到達(dá)并行掃描的目的。具體實(shí)現(xiàn)如圖32所示：圖32 Apriori算法Map/Reduce并行化流程圖 建立腦卒中單病種電子病歷〔1〕電子病歷框架單病種電子病歷分為客戶端和WCF效勞端2個(gè)局部?？蛻舳嗽诒话惭b前需要設(shè)置好程序的配置文件， WCF效勞端路由所在IP地址和端口等信息。涉及病人信息的采集、存儲(chǔ)、傳輸、質(zhì)量控制、統(tǒng)計(jì)和利用。l 統(tǒng)計(jì)分析診療平臺(tái)的病人數(shù)據(jù)，提供分析結(jié)果。并且可以以醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)為數(shù)據(jù)源，根據(jù)對(duì)病人信息的需求對(duì)數(shù)據(jù)源進(jìn)行挖掘，挖掘分析出針對(duì)腦卒中病人的治療信息，病情數(shù)據(jù)等，為醫(yī)院治療腦卒中病人提供幫助。臨床路徑和電子病歷的使用是相輔相成的，電子病歷中各種病歷記錄、護(hù)理記錄以及檢驗(yàn)檢查等數(shù)據(jù)有利于臨床路徑的優(yōu)化和選擇、變異處理及分析。在引入傳統(tǒng)的臨床路徑時(shí)，變異率大，對(duì)患者差異的適應(yīng)性差，束縛了醫(yī)生的臨床診療能力
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1