区域医疗联合体数据融合系统

原创于 2025-10-13 05:03:23 发布 · 619 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#医疗联合体 # 数据融合 # 电子病历 # 智能设备 # 语义技术

智慧城市区域医疗联合体的医疗数据分析系统

1. 引言

区域性医疗联合体是一种新型医疗服务模式，旨在解决当前中国看病难的问题。由于医疗资源缺乏，如优秀医疗专家和昂贵的医疗设备和仪器，人们更倾向于前往北京、上海等大都市的三级甲等综合医院寻求高质量医疗服务。人们相信三级甲等医院能够保证疾病治愈，这导致大城市中各医疗机构之间的医疗服务需求分布不均。例如，在上海，位于上海浦江镇的仁济医院南院自2012年以来日门诊量高达8000人次以上，门诊患者不得不在像仁济医院南院这样的三级甲等综合医院排长队等候就医。相反，仁济医院南院所在的浦江镇等地的社区卫生服务中心日门诊量远低于预期，因为当地居民认为社区卫生服务中心的医生不如三级甲等医院的医生优秀。

通过区域医疗联合体模式，三级甲等综合医院（如仁济医院南院）与社区卫生服务中心（如浦江社区卫生服务中心）开展协作，是一种整合区域医疗资源、在不同层级的医疗服务提供者之间重新分配门诊患者（尤其是患有慢性疾病的老年患者）的切实可行的方法。

随着区域医疗联合体的实施，慢性病患者在疾病初诊或治疗方案需要调整时，可前往综合医院就诊；在病情稳定后，可到社区卫生服务中心进行定期随访或取药。通过患者在不同级别医院间的便捷转诊，能够减轻综合医院的工作负担，同时最大限度地利用社区医疗机构的服务资源。

然而，患者在区域性医疗联合体中获取医疗服务时仍面临挑战。其中一个挑战是如何在医疗联合体内的不同医院之间共享个人医疗数据。目前，患者就医时，医疗记录通常被收集在医院信息系统（HIS）中。大多数HIS由各医院独立开发和维护，导致电子病历（EMR）分散在相互隔离的HIS中。从患者的角度出发，找到整合电子病历的解决方案至关重要。

另一个挑战是如何将日常健康监测数据整合到区域医疗服务流程中。智能设备可以收集影响个人健康状况的日常行为数据。然而，这些监测数据通常由医院外的设备记录，例如家用血压计。在传统的医院信息系统中，没有供用户提交其在家采集数据的界面。

为了应对上述挑战，研究了面向区域性医疗联合体的医疗数据分析系统的设计，重点探讨如何基于语义处理和移动计算技术实现异构医疗数据融合与共享。

本文的其余部分组织如下。第2节对医疗保健管理和医疗数据分析进行了文献综述。第3节从人力资源和患者分配的角度简要描述了区域医疗联合体组织模式，而第4节详细讨论了智慧城市中实现电子病历共享的医疗数据分析系统的组成部分。第5节通过实验并加以讨论，说明了数据分析的过程，第6节提出了结论并建议了进一步的研究工作。

2. 背景与相关工作

本节回顾了一些相关研究，分为两部分。第一部分描述了一些可使用或与我们目标相关的健康服务模型。第二部分描述了电子病历在文献中的应用，特别是在智慧城市中的应用，并讨论了这些应用为何未能完全符合我们的目标。

英国国家医疗服务体系（NHS）是全球最大的公共资助的卫生服务体系之一。NHS以患者为中心，并重视预测性、预防性和个性化医学要素（Grosios, Gahan, & Burbidge, 2010）。在英国，居民需要在当地全科诊所（GP）注册，并应前往就诊当人们生病或担心自己的健康状况时，会前往诊所或健康中心的全科医生处就诊。

贾斯珀·文克等人提出的研究得出结论：转诊流程涉及过多步骤，导致患者等待医院专科医生会诊的时间延长，从而有更多患者需要长时间等待关键诊断检查（2016）。全科医生被认为在临床委托小组中发挥着更重要的领导作用，以提升英国国家医疗服务体系提供的医疗服务的质量。一项定性的多案例研究显示，全科医生更倾向于采用协作型领导风格，以在临床医生与管理者之间建立新的联盟（Marshall, Holti, Hartley, Matharu, & Storey, 2018）。这意味着，在初级保健流程中，期望不同医学专家之间开展协作决策。

近年来，全科医生在中国被广泛讨论，以形成一种称为区域医疗联合体的新型医疗服务提供模式。中国的区域医疗联合体在运作方式上与英国的NHS相似。它被认为是一种整合本地医疗资源的有效途径（Lin & Dong，2017；Zhang, Gu, Wang, & Wei，2014）。然而，转诊过程对于参与区域性医疗联合体的医院和患者来说并不便利。徐和余的研究强调，建立双向转诊机制和发展先进的医院信息系统是提高区域性医疗联合体接受度的有效措施（2015）。研究结果表明，医疗联合体的服务提供模式在慢性病患者（如糖尿病患者）中具有很高的可接受性（Huan等人，2018）。患有糖尿病的居民愿意与属于区域性医疗联合体的家庭医生签约。通过家庭医生对日常饮食的干预，其空腹血糖、血脂参数、血压和体重指数（BMI）等指标值相比未与家庭医生签约者有所改善。可以得出结论，区域性联合体适用于中国的医疗服务提供，但目前仍处于重新设计医疗服务流程的初期阶段。仍需开展更多工作，例如如何处理急诊医疗情况，或不同医院之间如何高效协作和共享信息。此外，在本研究中，提出了针对区域性医疗联合体的完整临床流程，涵盖慢性病和急症/重症疾病的治疗。

除了为区域性医疗联合体重新设计临床流程外，随着网络基础设施的快速部署和智能设备的广泛使用，智慧城市已成为影响医疗数据分析方式的城市生活新范式（Ianuale, Schiavon, & Capobianco,2015）。通过大量传感器实时收集医疗、环境、娱乐、交通和能源等方面的数据，推动了在线健康监测、诊断或医药交易等智慧城市应用的发展。安全、隐私和数据交换问题已成为智慧城市应用中的挑战性任务（Parah, Sheikh, Akhoon, & Loan, 2018）。例如，物联网（IoT）技术标准体系的不统一被认为是中国智慧社区医疗服务推广的障碍。Zhen‐Hua（2017）建议政府应制定并统一物联网设备的技术标准。除了统一技术标准外，提出能够自动集成应用程序或系统的技术方法也至关重要。本文探讨了利用语义网络技术进行数据融合的方法，以整合来自各种物联网设备的数据。

在区域医疗联合体中，访问和挖掘集成医疗记录对全科医生的临床决策至关重要。电子病历系统被认为是一种非常便捷的收集诊所信息的方法，特别是在缺乏足够医疗专家的农村或偏远地区（Srinivasa, Anupindi, & Kumar, 2018）。然而，医生对电子病历系统的采用率低于预期，因为医生认为手动输入信息过于繁琐。同时，分布式电子病历系统常常切断关键信息，或无法整合来自不同医院的异构数据以进行数据挖掘。

因此，为了实时自动采集物理对象的状态，使用智能设备来记录生理指标（Liu, Stroulia, Nikolaidis, Miguel‐Cruz, & Rincon, 2016；Marakhimov & Joo, 2017）。由于智慧城市应用中的物联网设备已构成复杂的普适计算网络，计算架构设计和高层抽象的数据定义对系统开发至关重要（Liao & Fu, 2018）。服务计算和雾/云平台被用于在代理之间广泛处理大数据（Truong, Narendra, & Lin,2018）。拉赫马尼等人提出了一种基于雾计算的方法，在移动传感器与互联网之间构建网关，以将传感器数据从一种类型转换为另一种类型（2018）。在他们的研究中，Pramanik, Lau, Demirkan 和 Azad（2017）提出了一种利用大数据分析和智能设备提供智慧健康服务的概念平台。该平台的主要组件适用于区域性医疗联合体，能够满足通过智能设备进行健康监测的需求。

同时，为了正确集成分布式医疗记录，以更好地支持医疗专家进行临床决策，大数据挖掘方法也已在医疗保健及其他工业领域提出（Cheng, Chen, Sun, Zhang, & Tao, 2018；Duan & Binbasioglu, 2017）。例如，在电子商务应用中，描述被分析对象上下文的时空数据与语义相似性计算相结合，旨在提高场所推荐的准确性（Margaris & Vassilakis, 2017）。类似地，在电子病历挖掘应用中，广泛探索了本体和链接数据模型等语义技术用于大数据挖掘。本体从医院信息系统的关系数据库中提取并构建，然后可基于该本体设计数据仓库，以实现智能临床决策支持（Xu et al., 2016）。为了增强电子病历的语义描述，采用开放链接数据库将医院信息系统数据库的元数据与院外知识相链接，从而能够自动解释医疗数据的含义，实现数据集成（Jiang et al., 2014）。

从上述文献分析可以看出，物联网网络和大规模在线智能设备为通过构建分布式物联网系统准确且实时地收集医疗数据带来了机遇。然而，由于协同医疗服务交付过程的复杂性，上述将智能设备数据融合到医疗记录中的方法在两个方面尚未完全满足区域性医疗联合体对数据分析的需求（Alyass, Turcotte, & Meyre, 2015）。

(1) 数据融合不会直接向全科医生显示患者的行为模式。(2) 现有方法未考虑能够反映甚至影响居民健康状况的社交媒体因素。

本文的主要贡献在于，旨在提高医疗服务的交付效率以及全社会医疗资源的可及性，探讨了中国区域医疗联合体模式。本文提出了一种重新设计的临床流程，以加强综合医院与社区医疗中心之间的协作。此外，本文提出的技术架构及实现的原型是以患者为中心、以医疗监控为目标，能够更好地满足当地居民尤其是患有慢性疾病的老年患者的日常医疗保健需求。

3. 区域医疗联合体组织模式

区域医疗联合体组织模式如下所示（见图1）。与传统的由孤立的

示意图0

在区域性医疗联合体中，医院的医生将共同为患者制定治疗方案，在此过程中，高级别医院的医生在治疗方案决策中拥有更大的主导权。

在图1中，从人力资源管理的角度来看，区域医疗联合体将涉及两类医务人员。他们是综合医院专科医生和社区医疗中心全科医生。这些医务人员实际上被联合在一起。综合医院专科医生在三级甲等综合医院工作，同时也在联合的社区医疗中心工作。在大多数工作日，专科医生在综合医院处理紧急医疗情况或治疗严重疾病。每周至少有一个工作日，专科医生在社区医疗服务中心工作，指导全科医生为社区医疗服务中心的患者制定治疗方案。全科医生的主要任务将集中在慢性疾病或轻微疾病的诊治，并向附近居民提供医疗保健建议。

在图1中，虚线箭头表示患者的活动流向，而实线箭头表示医疗专家从高级别综合医院流向低级别综合医院或社区医疗服务中心。

对于需要看病的居民，他们有两种选择来预约医疗机构。一种选择是前往综合医院，那里通常有更多经验丰富的专科医生，但综合医院通常较为拥挤。另一种选择是前往社区医疗服务中心，那里的全科医生在治疗严重疾病方面可能经验或能力相对不足，但社区医疗服务中心通常不那么拥挤。

区域医疗联合体的主要目标是引导患者在预约医生时做出合理决策。由于人们通常无法专业地评估自身病情的严重程度，但如果居住在社区的所有居民遇到健康问题都去全科医生处就诊，社区医疗服务中心将没有足够的全科医生来满足居民的需求。因此，在图1中，当居民首次遇到健康问题时，应前往综合医院就诊。随后由综合医院的医生进行诊断和治疗。当患者的健康状况稳定后，可转诊至社区医疗中心进行一段时间的康复。如果患者在社区医疗中心期间病情加重，则可立即重新转诊至综合医院接受进一步治疗。

图2展示了门诊患者在区域性医疗联合体中获取医疗服务的过程。可以看出，从门诊患者开始预约医生到疾病得到妥善治疗，至少存在三条路径。

一条路径（路径1）从在社区医疗服务中心预约医生开始。如果全科医生能够处理诊断和治疗，诊疗流程将在门诊患者回家后结束。

另一条路径（路径2）也从社区医疗服务中心的医生预约开始。如果全科医生认为疾病的严重程度或复杂性超出了他们的能力或经验范围，可以选择向三级甲等医院申请会诊或将患者转诊至三级甲等医院。如果通过会诊能够获得适当的诊断和治疗方案，门诊患者将继续留在社区医疗服务中心完成临床流程。

第三条路径（路径3）从患者由社区医疗服务中心转诊至三级甲等医院开始。随后，患者将在三级甲等医院接受治疗。待健康状况稳定后，患者将返回社区医疗服务中心进行进一步康复，或在疾病治愈后回家。

如果没有区域性医疗联合体，需要会诊或在不同医院之间转院的患者，其路径2和路径3将耗时更长。相反，在区域医疗联合体中，如果这些医疗服务提供者事先签署了协议，则会诊和患者转院将更加迅速和灵活。

目前，区域医疗联合体在中国的实际应用仍处于起步阶段。当人们感到不适时，无论综合医院有多远或多拥挤，大多数情况下都会首先选择前往综合医院就诊，因为大多数患者无法判断疾病的严重程度。如果他们先去社区医疗中心，一旦需要转诊到综合医院就会带来麻烦，因为这些医疗服务代理彼此独立，尚未建立区域性医疗联合体。相反，在区域医疗联合体内部，综合医院与社区医疗中心之间可事先达成协议，实现自由转诊和医疗数据共享，如图2所示。因此，相较于没有区域医疗联合体的传统医疗服务模式，区域医疗联合体的医疗服务流程具有以下优势。

示意图1

(1) 从医疗资源利用效率的角度来看，区域性医疗联合体会更加高效。如果没有综合医院与社区医疗中心的联盟，人们往往不愿意去社区医疗中心就诊。社区医疗中心的医生通常患者较少。综合医院与社区医疗中心之间的患者数量分布极不平衡。在区域医疗联合体中，社区医疗中心发挥着向综合医院转诊患者的作用，从而使综合医院与社区医疗中心之间的工作量得到合理分配，提高医疗资源利用效率。

（2）从患者满意度的角度来看，人们在区域性医疗联合体中将更有可能获得更高质量的医疗服务。社区医疗中心的专业医护人员将帮助患者判断疾病的严重程度，并决定是否需要转诊至综合医院。由于医疗数据在综合医院与社区医疗中心之间自由共享，患者的医院间转诊将更加便捷。此外，当患者从综合医院转回社区医疗中心进入康复阶段时，可得到更好的照护。因此，在区域性医疗联合体中，通过综合医院与社区医疗中心医生之间的协作，患者满意度将得以提升。

4. 医疗数据系统原型

为了支持图2所示的区域医疗联合体医疗数据分析任务，设计了一个医疗数据分析系统原型，如图3所示为该原型的技术架构。在图3中，临床决策由两类信息支持。一类数据是描述患者症状、诊断和治疗方案的电子健康档案。另一类数据是结合了个体健康行为模式和个人健康画像。

示意图2

在图3中，区域医疗联合体的患者可能在综合医院和社区医疗中心之间频繁转诊，导致电子病历分散存储于分布式医院信息系统中。需要部署中间件软件，以从不同数据库提取并加载临床数据，形成以患者为中心的医疗记录。

智慧城市的居民特征之一是使用智能设备（如腕带）来监测日常生理指标，并使用社交媒体（如微信）关注健康相关问题。在图3所示的场景中，个体的日常健康监测数据和社会网络信息被分析并展示给医生，以供制定治疗方案时参考。

区域医疗联合体的医疗数据分析系统的技术架构如图4所示。

示意图3

在图4中，该系统设计包含数据采集、数据存储、数据分析和应用交互模块。

数据采集模块通过身份认证接入手环、体重秤等可穿戴设备，获取日常健康监测数据。区域医疗联合体内的医院之间进行病历记录的传输。在获得患者批准的联盟中，该模块集成了网络爬虫以收集社交媒体数据，用于分析区域热点关注话题。除了数据收集外，该模块还包括数据清理，用于异常数据处理和数据标准化。

数据存储模块包括名为名称节点的元数据服务器和名为数据节点的事务数据服务器。元数据服务器名称节点是管理元数据（如命名空间）并响应用户需求的核心组件。患者的医疗数据存储在数据服务器中。架构设计中元数据与医疗数据分离的优势在于，处理的医疗数据规模更具可扩展性。随着医疗数据规模的增长，系统可以通过增加数据服务器的数量来扩展。

数据分析模块集成各种数据源，如体育锻炼、日常饮食、情绪感受、临床病史记录等，用于数据挖掘或标签化。

由于从不同类型的医疗设备收集的医疗数据可能存在冗余、模糊和不一致的情况，数据异构性成为区域性医疗联合体中数据分析的挑战。我们采用语义技术对来自异构源的数据进行融合，如图5所示。

示意图4

在图5中，分布式智能设备上传不同的数据，例如，设备A上传{体重指数, 血压, 体重, 步行步数}的数据，设备B上传{血压值, 步数}的数据。为了融合血压与血压值，通过Levenshtein距离算法计算外部开放链接数据中的高层级相似性，如下所示。

$$
lev_{a,b}(i, j) =
\begin{cases}
\max(i, j), & \text{if } \min(i, j) = 0, \
\min \left{
\begin{array}{l}
lev_{a,b}(i−1, j)+ 1, \
lev_{a,b}(i, j −1)+ 1, \
lev_{a,b}(i−1, j −1)+ 1(a_i= b_j)
\end{array}
\right}, & \text{otherwise}.
\end{cases}
$$

如果两个分布式数据所指向的链接数据中的节点具有超过阈值的相似度值，则可以融合这两个分布式数据。

5. 实验与讨论

为了验证所提出的平台的可行性，我们开发了一个用于医疗数据分析的移动应用原型，其中后端已开发完成使用Spring-mvc平台，前端采用Ionic和AngularJs工具开发。原型的一个界面如图6所示。

示意图5

在图6中，来自医疗联盟中不同医院或不同设备（如体重秤、手环）的数据可以被整合并显示在同一界面中，供医生对患者的健康状况进行全面评估。

例如，个体行为模式分析可通过月度或周期性数据分析得出，如由智能体重秤（如PICOOC）记录的体脂率和体重指数，以及由智能手机记录的每日步行步数。在该数据分析系统中，这些数据被导出为XML文件。Min–max归一化方法用于预处理这些采集的数据。图7展示了体脂率、体重指数和步行步数的变化趋势。

示意图6

在图7中，记录了持续两个月的体脂率、体重指数和步行步数的数值，并在Min–max归一化处理后展示了这三个指标的变化趋势。从图7可以看出，步行步数对体脂率和体重指数的值有影响，这两个指标均反映了身体脂肪百分比。例如，在第1天到第16天之间，步行步数出现了两个峰值；随后在第16天，体脂率达到最低点，表明经过一段时间的步行锻炼后，体内脂肪百分比有所下降。同时，在第16天之后，体重指数的平均值明显低于第16天之前的平均值，也说明体内脂肪百分比有所降低。尽管步行锻炼能够减少体内脂肪百分比，但也可以看出，这种效果是在持续锻炼一段时间后才显现的。在图7中，这段时间大约为两周。但当第16天之后步行步数略有减少时，体脂率和体重指数也随之略有上升。

从上述分析可以得出，个人日常锻炼会影响个人健康状况。因此，有必要将日常活动的数据收集与分析纳入医疗监控系统中。因此，在我们的研究中，家用智能设备（如体重秤和手环）的数据以及社交网络的数据被纳入医疗数据分析，作为区域性医疗联合体中的医生制定诊断决策或治疗计划的补充参考。

为了验证我们的方法在区域群体健康状况分析中的可用性，我们开展了一项为期一个月的实验，共有18名学生参与，收集了他们的日常饮食、血压和心跳数据。实验结束时，有14名学生的数据完整且可用。

饮食数据是影响健康状况的关键因素之一，但由于每天记录饮食对人们来说是一项枯燥的任务，因此很难被记录。每餐。如今，许多人使用智能手机，并愿意通过社交媒体分享他们的饮食，尤其是那些美味的食物，因此我们开发了一款应用程序，供实验中的学生使用智能手机上传他们的饮食照片。在实验期间，共收到来自学生的1710张饮食照片。采用深度学习算法Resnet识别照片中的食物，并将饮食分为两类：肉类食物和非肉类食物。

在本实验中，使用运动腕带收集每日的生理指标数据，如血压、心率和体重，因为运动腕带目前很流行，许多人喜欢用运动腕带记录日常锻炼并监测健康状况。

我们实验的目的是验证通过腕带和智能手机等智能设备，结合生理指标数据来分析饮食数据的可能性。

图8和图9显示了收集的数据和聚类结果 using K‐means。在图8和9中可以看出，14名学生被分类为3组。结果表明，同一组内的学生在日常饮食和健康状况方面具有相似的特征。我们手动检查了这14名学生的健康状况，发现标签为“0”和“1”的是男生，而“2”的是女生。可以得出结论，男生和女生在饮食和生理指标值方面大致有所不同。对于男生而言，他们被分为两种类型，可能主要是因为体重不同。

示意图7

示意图8

除了日常饮食习惯外，人们生活或工作区域周围的舆论和新闻也对个人医疗保健行为产生重大影响。随着互联网的发展，越来越多的人在社交媒体（如微博）上表达自己的感受或关切。我们开发了一个爬虫程序，并结合新浪公司提供的搜索应用程序编程接口，用于收集并统计特定区域内涉及热点关键词的微博数量。

我们使用爬虫程序收集2017年7月1日至7月30日上海闵行区在体育、健康和饮食领域的热门词汇，then we use RelFinder来访问DBpedia以find these hot words之间的关系。如果某个词汇与其他词汇没有关联，我们将将其剔除。最后，我们使用数据可视化工具展示这些关系（见图10）。

示意图9