基于区域医疗卫生共享信息决策支持系统实践

基于区域医疗卫生 共享信息的决策支持系统 的实践目录1 2 3 4 5背 景系统设计与实现应用实效改进措施下阶段计划背景背景信息系统在各级医疗机构广泛应用，医疗设备和仪 器的数字化，使医院数据库的信息容量不断地膨胀，如 何利用这些海量的信息资源更好地为医疗卫生行业的管 理、诊疗、科研和教学服务，己经越来越为人们所关注。

背景闸北卫生信息化 发展需求在现有区域医疗卫生信息共享基础上，有效利用居民健康档案医疗卫生数据信息，对医疗卫生事业作出有力的决策 管理支持，成为闸北区医疗卫生信息发展工作的下一步目标。

 经过多年的探索、推广、深化和不断升级，如今，闸北区区域 医疗卫生信息共享平台已经具备了足够软硬件基础。

 在共享平台上增加决策支持系统符合对数据有效利用，对医疗 卫生工作辅助决策这一重大工作目标。

系统设计与实现•方案选取包括数据范围选取及技术方案选取•系统实施使用高运算处理能力、高可靠性的IBM小型机，负责对区域医疗卫生 共享信息进行预处理并载入数据仓库，使用OLAP技术对数据仓库中 的数据进行多维分析，以各种图表的方式展现给使用者。

方案选取—数据范围选取 根据管理者的需求，整理归纳出需要分析的数据集合如下表：医疗服务 门诊服务信息 住院服务信息 疾病控制信息 疾病管理信息 门诊用药信息 药品监管 住院用药信息 基本药品信息 人力资源 医务人员信息 非医务人员信息 流动资产信息 固定资产信息 核心档案信息 各类诊疗信息 疾病筛查信息 健康闸北2020 健康评估信息 健康干预信息服务信息数据公共卫生卫生资源数据资产管理健康档案健康管理数据方案选取—技术方案选取系统体系 结构图可视化用户界面联机分析处理 （OLAP）系统设计过程的关键点： 数据预处理技术综合数据 基本数据 元数据 历史数据数据仓库建立 数据分析方法数据仓库数据预处理区域医疗卫生共享信息计算机网络方案选取—技术方案选取系统体系 结构图可视化用户界面联机分析处理 （OLAP）数据预处理技术： 采用ETL(数据的抽取、（清洗）转换 和加载)解决方案，通过对所需数据 定时抽取，并进行清洗及转换，保证 数据仓库中的数据是干净、准确、有 针对性。

综合数据基本数据 元数据历史数据数据预处理方案P0业务数据字段映射 字段映射数据仓库数据预处理文件数据ETL过程未经清洗加 工的数据P1数据抽取数据过滤业务清洗规则P2数据清洗加载清洗后的有 效数据区域医疗卫生共享信息数据仓库批量加载转换规则 转换规则P4数据加载装载策略计算机网络文件Reject与目标匹配 的数据加载P3数据转换方案选取—技术方案选取系统体系 结构图可视化用户界面联机分析处理 （OLAP）数据仓库建立： 数据仓库可以做到针对具体决策任 务从各个数据库中选取需要的数据 重新组织，使它们便于在决策中快 速、充分地利用强大的数据源，从 而大大提高分析数据的效率。

综合数据基本数据 元数据历史数据数据仓库数据预处理数据仓库选型 采用ORACLE数据库 数据仓库建模原则 1）能满足不同用户的需求； 2）兼顾效率与数据粒度的需要； 3）能支持需求的变化； 4）避免对业务运营系统造成影响； 5）模型的可扩展性。

区域医疗卫生共享信息计算机网络方案选取—技术方案选取系统体系 结构图可视化用户界面联机分析处理 （OLAP）数据分析方法： 采用OLAP（联机分析处理）多维数 据分析方法，通过使用不同维度组合 和颗粒细度，对数据仓库中的数据进 行深入分析，并将各个层次的数据和 前期或同期的数据作对比，分析数据 的变化趋势。

范围综合数据基本数据 元数据历史数据区域 机构数据分析基础模型组别 类型 名称数据仓库数据预处理科室资源区域医疗卫 生共享信息天 就诊 信息 健康 信息 基本 信息居民区域医疗卫生共享信息季度 年月计算机网络时间应用实效全面居民健康档案分析智能化 标准化 的系统公共卫生资源协调管理分析 疾病防控和预警分析 区域卫生消费水平分析 医疗用药监督管理分析提高区域卫生机构管理效率和效能，充分利用 有限的医疗设施，提供更多更有效的医疗服务。

应用实效—全面居民健康档案分析系统通过对闸北区居民健康档案进行全 面、深度整理和分析，包括建档人数、 建档率、完成率、在档人口特征分布等 指标的分析，辅助管理者监控所辖地区 的档案建设工作，及时发现工作过程漏 洞和盲点，指导调整工作方向；对慢病 发病人群的动态行为特征进行分析，为 基层服务人员提供可预见性的判断和引 导，及时对潜在发病人群进行健康行为 指导，降低发病率，提升全民健康水平。

应用实效—公共卫生资源协调管理分析系统通过对辖区内医疗机构、医务工 作者、公共卫生设施等各类卫生资源 的总体情况进行监控与分析，包括数 量、年增长率、合格率、分级占有率、 使用频率等指标进行监控、辅助管理 决策者及时把握公共卫生资源的保有 情况、使用情况和发展情况，从而制 定合理的突发应变措施、应急措施， 有效协调资源。

应用实效—疾病防控和预警分析系统通过汇总并分析公共卫生突发事件 和疾病疫病管理系统的上报数据，为管 理者提供多层次、多角度的疾病控制管 理分析报告，包括患病人群特征分布报 告；疾病感染地区分布情况；各类疾病 发病率、患病率、治愈率、管理率动态 分析仪表板；突发疫病的发现、确诊、 死亡预警信息看板；免疫工作分析报告； 慢病防治及疫苗管理工作报告等，辅助 增强区疾病预防控制和突发公共卫生事 件应急处置能力。

应用实效—区域卫生消费水平分析系统通过对区属各医疗机构的门诊数量、 门诊费用、人均诊疗费用、住院的均次 医疗费用、门诊大病费用等数据的对比 分析，了解各类费用的消费金额、结算 来源、支付手段及增长变化情况，从而 获得对居民健康环境和医疗保障水平的 判断，辅助决策管理者制定、调整和切 实落实各项医疗保障制度。

应用实效—医疗用药监督管理分析系统通过对各医疗机构的医嘱与用药 消费数据进行监测和分析，使管理人 员获得药品消耗排名、重点药品的使 用量、药品销售费用等指标的状况和 趋势报告。

使用图形化KPI、图表、仪 表盘等方式进行展现，管理人员可将 药品监督从区域汇总信息钻透到医院、 科室乃至医护人员个体明细数据，加 强从面到点的药品监督管理职能,从而 保证百姓的用药安全。

改进措施—专家评价1、所完成的系统功能与需求说明书相符，系统各模块功能正确； 2、系统的初期故障率、偶然故障率、平均失效前时间、平均失效 间隔时间、平均失效恢复时间均在可接受的范围内； 3、 系统易用性较好，人机界面友好、界面设计科学合理、操作简单； 4、系统的关键性能指标符合标准； 5、系统易维护、可移植。

建议效果1、数据源质量需进一步提高； 2、可改进重复记录检测及清洗算法；3、少部分数据统计标准仍具有二义性，需明确； 4、上传的数据量与接收到的数据量偶有不符，定时上传程序有待完善。

改进措施—管理人员评价1、系统界面简洁明了，操作简便，运行速度较快； 2、查询及分析结果的展现清晰直观，展现形式丰富多样； 3、利用系统可快速及时地掌握各类卫生信息，基本能满足管理需求； 4、对疾病控制、提高社区居民医疗卫生保健水平有一定的参考和指导意义； 5、系统可为领导决策提供辅助支持，初步达到了预期效果。

1、卫生资源模块的功能比较简单，人员及财务信息要逐步完善； 2、数据的准确性还需提高； 3、借助短信平台，当监测指标达到预定标准时，对相关领导进行短信预警提效果建议醒；4、部分折线图的折点间距离及柱状图的柱间距过于紧凑。

三大改进措施• 开发数据上 传监测系统 实现对医院上传前 置机及区域医疗卫 生信息共享平台数 据量的实时监测， 自动比对上传端与 接收端的数据 • 制定数据质 量控制措施 改进医疗机构部分 应用系统； 对各级岗位的医务 人员进行培训； 加强管理，减少垃 圾进入系统。

• 对系统进行 改进 对部分算法程序进 行改进； 数据统计标准的进 一步明确； 增加了提醒功能； 添加数据统计项； 对展示的图表进行 适当修改。

数据上传监测系统前置机连接状态检测 上传数据量监测 业务指标量监测 数据质量核查 上传市平台检测01•借助已建立的数据仓库，探索增加疾病辅助诊断功能，使决策支持系统不仅能够为卫生管理人员所用，同时也能为医务人员进行疾病诊断和治疗提供科学的决策。

4完善数据质量控制体系1扩大系统应用范围2扩展系统接入方式3充分应用数据挖掘技术02•目前，系统的使用必需借助VPN 专线网络，可研究多样化的接入方式，利用无线技术，使卫生管理人员能够借助移动终端，随时随地、方便快捷地登陆系统。

03•积极探索利用数据挖掘技术，以OLAP 的分析结果作为挖掘的依据，拓宽OLAP 分析的深度，发掘OLAP 所不能发现的隐含的、有潜在价值的数据。

04•从数据流转的整体过程出发，分析产生数据质量问题的根本原因，采用科学的方法制定出一套切实可行的完善的卫生数据质量控制体系。

[1] 王陇德，抓住机遇、迎接挑战促进卫生信息化发展[J].中国信息界：e医疗，2010，(1)：17-19.[2] 张萌. 医院信息系统中关联规则挖掘的应用研究[D].山东：山东大学，2008: 1-3.[3] Sacha JP，Goodenday LS，Cios KJ．Bayesian learning for cardiac SPECT image interpretation[J]．Artif Intell Med，2002，26(1-2)：109-143．[4] Ganzert S，Guttmann J，Kersting K，et a1．Analysis of respiratory pressure—volume curves in intensive care medicine using inductive machine learning[J]．Artif Intell Med，2002，26(1-2)：69-86．[5] Imberman SP，Domanski B，Thompson HW．Using dependency／association rules to find indications forcomputed tomography in a head trauma dataset[J]．Artif Intell Med，2002，26(1-2)：55-68．[6] 刘莘，王飞. 医学数据挖掘的现状分析[J].福建电脑，2010，(5) ：62-63.。