基于機器學習的醫療大數據分析與臨床應用

郭尚志 章光裕 唐玉玲

摘要：醫療大數據分析與臨床應用概括是當前針對醫療系統建立的一項基礎項目，醫療大數據數目龐大、增長迅速快且結構相對復雜，是一種應用較為廣泛的數據。機器學習技術能夠有效地分析醫療大數據內部結構，對于疾病早期診斷與預防處理具有直接的應用意義。文章研究了機器學習在醫療大數據中的分析應用特點，對回歸分析、決策樹控制以及降維計算控制做出概括，在后續的醫療大數據學習應用過程中，實現在診斷系統、病案管理系統、門診掛號系統、藥品管理系統、醫療器械管理系統方面的優化，大大提高了醫院信息處理的數據能力。

關鍵詞：機器學習;醫療大數據分析;臨床應用

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）12-0017-02

開放科學（資源服務）標識碼（OSID）：

大數據是一種非常先進的數據技術，利用回歸分析、卷積神經網絡、循環神經網絡算法對其作出控制。從海量數據中挖掘有效的數據內容，實現數據模式的概括。在數據模型的建立過程中，實現特征關系的概括，更好地完成現有的數據分析操作。醫院信息化系統的建立，有著其使用年限。在當前以機器學習作為醫院信息化系統的基礎，進行醫療大數據分析概括及應用，為臨床診斷提供多方面的依據。

1醫療大數據與機器學習

當前大數據的發展變得更加廣泛，它需要利用縱向信息，對數據進行一定的補充。醫療大數據是醫療衛生機構發展產生的一類數據，其具備多樣性、間接性、缺失性、隱藏性等特點，在醫療信息化時代內挖掘信息。醫療大數據成為做好臨床服務的一項基本選擇，醫療大數據應用較為廣泛。在當前醫療途徑選擇過程中，其來源大致可以分為以下幾種：1）基于醫院醫療過程中的電子信息檔案、影像記錄或者相關的檢查記錄收費單、手術記錄單等;2）基于物聯網或者個人體征活動所創立的某些量化數據[1];3）按照區域協同衛生中心匯集的某些數據;4）基于宏觀表達的醫療大數據等。當前醫療大數據的來源較為廣泛，為臨床研究做出了直接的鋪墊。

1.2機器學習

1956年，人們首次提出了人工智能概念，希望通過計算機設計出具有人類智慧的機器。作為人工智能的重要技術，機器學習理念由此研發。由機器學習編碼控制獲得人的主觀思想，其定義為不同編碼手段的集合體。在當前的機器控制學習過程中，也受到更多的關注。機器學習以大數據作為支撐，在后續的評估建立過程之中以其算法作為核心，對其模式做好評估控制。最終利用模型做好信息的輸入，了解到整個階段性的過程[2]。如圖1所示，當前機器學習的階段性內容可以分為如下四個：1）定義目標，假設問題主要類型;2）數據收集，用于模型歷史數據庫的構建分析;3）模型評估，利用已有的訓練數據庫建立模型，提高模型后續的準確性及可拓展性;4）驗證模型的預測成果，對于模型的數據輸入能力做出一定的分析。

2機器學習常見算法模型

2.1淺層機器學習算法模型

為了獲取機器學習算法模型的最優解，根據輸入變量的控制特點，按照學習方式將機器學習分為督促學習、無督促學習，半督促學習等。督促學習是根據輸入的變量以及期望變量，對于整個模型做出控制。底部提供輸出變量作為其模型計算的核心，在輸出模型的建立過程中，關鍵是根據模型的差異點進行控制。無督促學習的數據集是信號標識不明確的，一般情況下，其比督促學習相比更為寬松，因為大量數據的存在，使無督促學習具備一定的普遍性。在無督促學習的控制過程中，結合其不同信號的處理差別點，按照數據信號的集成模式進行控制，根據督促模型的特點做出書籍的整理[3]。半督促學習結合了前兩種學習的特點，既有樣本級信號，也能進行模擬訓練。在數據輸入過程中，對其進行控制，實現期望分析。

醫療大數據領域中應用的是淺層機器學習算法，對回歸分析及內核計算、降維度計算控制進行處理。按照多維度調整內容做出控制，其決定的是某一階段的輸入特點。決策樹算法是一種樹狀模型，基于內核的算法支撐，在向量控制過程中，按照高階向量空間的使用對其進行分析，采用主成分分析法和偏離最小二乘回歸法。兩者皆能夠降低維度，實現數據重組，基于內核算法，做好監督學習。醫療大數據領域應用機器算法模型，如表1所示。

2.2深度學習算法模型

深度學習算法模型是指針對深層機器學習理念做出控制的一類模型，以人工智能網絡（ANN）作為其研究基礎。以生物神經元模型進行構建，實現特征數值的連接訓練。單層神經網絡的構建，能夠基于結構化的數據進行分析。在選擇控制過程中，實現維度控制通過加權后的輸入。帶入激活函數，并對輸出層和輸入層間的關系進行控制。然而，感知器只能夠解決線性風險關系，對于聯接和分選功能特點，不能做出分析。多層感知器的控制結構點，按照多層感知功能，在醫療大數據領域中，應用深度學習算法模型包括卷積神經模型、循環神經模型、深度信念模型等。

3基于機器學習的醫療大數據臨床系統應用

3.1門診掛號系統

門診掛號系統與當前的患者就診過程直接相關，也是其建設的基礎。首先要解決的是掛號，目前可以通過掛號App和醫院門戶網進行操作處理。門診掛號系統通過完成患者信息錄入、醫師選擇或者預約工作管理，利用JSP技術、Html 5技術實現相關信息的互通[4]。在系統建立過程中，對其作出鋪墊。

3.2診斷治療系統

診斷治療系統將由醫師進行操作，基于大數據的機器學習診斷治療系統構建大數據。在其研究過程中，通過已有信息的采集進行分析，根據醫院內已有患者的死亡率、出院率、手術例數。傳入入院診斷標準，對其符合率做出分析，確定具體的編碼值、上限值以及閾值，隨后對其做出一定的控制。按照診斷管理系統建立，對已有病史狀況做出分析，隨后結合患者拍攝的CT影像、核磁共振、血常規等檢測結果，為患者做出診斷錄入。同時開具相應的診斷結果，便于繼續使用控制。并按照錄入目標確定出具體的標準，在后續的使用過程中，做好報表分析及基礎維護。

3.3病案管理系統

病案管理系統是記錄患者詳細信息的系統，基于機器學習自動觀念，在其模型建立過程之中，以決策樹算法為核心，按照已有模型的評估數目做出分析。得出其內核模型的計算狀況。該系統的建立過程會對相關患者信息、患者家屬陪同信息、患者自身病史狀況，患者疾病移位狀況等進行分析。在使用過程中關注患者的變化狀況，并做出繼續處理。這些信息會輸入到系統內模塊，也可以根據信息輸入狀況做出自動化數據的生成。預覽打印系統的主要功能包括日常數據的管理、病案資料的查詢以及相關報表數據的匯集。在詞典數據、病歷功能數據、報表數據的維護過程中，對其做出管理。

3.4醫療器械管理系統

醫療器械管理系統自身的功能較好，根據醫療工作的具體需求，按照醫院的日常工作需要，實現醫療器械信息的加工處理。通常情況下，其所涉及的醫療器械種類較多。需要對這些醫療設備進行管理，目前其管理系統所需要的信息較多，包括生產廠家、銷售公司以及采購員、保管員的具體信息，還需要進行入庫管理操作[5]。從管理人員出發，在非機械自動學習系統建立的過程中，有大數據的編入、控制、查找、排序等功能，對于單據數據的功能實現，將逐漸完成采購數據的收集、保費數據的管理、統計數據的維護以及后續數據系統的建立。

3.5藥品管理系統

藥品管理系統是以實現藥物分類作為管理核心的一類系統，融合大數據，可以將藥品劃分為中草藥、西藥、中成藥等，實現藥品功能打印操作，完成藥品的入庫管理控制。在庫存管理保存以及藥品功能方面，針對藥品的輸入控制特點而言，要結合大數據診斷下醫療救治需求。在藥品系統建立過程中，對其做出入庫管理、取出管理、報損管理、盤點管理以及藥品申請管理。

4 結語

機器學習在醫療領域內的應用廣泛。醫療數據契合了其機器學習發展的技術，相較于傳統型的臨床診斷過程而言，進行醫療大數據分析，能夠規避相關誤差。在客觀評價過程之中，對其做出控制，實現了有關評價模型的構建。建立機器學習模型，在信息學習過程中，實現醫療系統的建立?；卺t療大數據應用，對臨床數據特征做出分析和控制，為醫療器械管理、病房數據控制、藥品管控、病歷檔案管理、診斷系統控制、門診信息查詢提供鋪墊，從而在大數據觀念以及學習自動化領域內，提高智能水平。

參考文獻：

[1] 孫濤，徐秀林.基于機器學習的醫療大數據分析與臨床應用[J].軟件導刊，2019，18（11）：10-14.

[2] 李千惠.基于機器學習的急性腎損傷預測及臨床應用優化[D].北京：北京交通大學，2019.

[3] 潘曉英，王佳，劉妮，等.機器學習在醫療大數據中的應用[J].西安郵電大學學報，2020，25（1）：21-33.

[4] 耿明菲.基于醫療大數據分析的門診輔助診斷模型[J].自動化技術與應用，2019，38（10）：51-55，84.

[5] 王梓民.基于病例大數據的中醫“治未病”機器學習方法[J].電子技術與軟件工程，2019（5）：161-163.

【通聯編輯：唐一東】