医院就诊流程优化浅谈

医院信息管理系统建设浅议

--暨2013年暑期社会实践报告

背景：

《全国卫生信息化发展规划纲要（2003-2010年）》中提到“‘九五’以来，我国卫生信息化建设取得了明显进展：实施国家卫生信息网建设项目，信息化基础设施建设已见成效；积极加强‘三网一库’建设，电子政务逐步推进；医院信息化取得实质性进展，信息系统应用水平不断提高；社区卫生、卫生监督、疾病控制、妇幼保健、远程医疗、远程医学教育等信息系统建设有了进一步提高，为全面实现卫生信息化奠定了基础。

但应该看到，我国卫生信息化建设起步较晚，技术力量薄弱，资金投入不足，与其他行

业和卫生事业的实际需求相比，还处于初级阶段，有相当的差距。”

由于条件限制，许多二级医院建立起的医院信息系统仅仅是收费医嘱系统1，只是与收费项目相关。而且由于医院内部流程复杂、软件投入经费不足、后期软件维护缺失等原因，使医院信息系统预期所能提升的效率难以在实际工作中体现。正因为这些特殊性，所以低端医院信息系统建设应该得到更多的关注。

摘要：

医院信息系统（Hospital Information System，HIS），亦称“医院管理信息系统”，是指利用计算机软硬件技术、网络通信技术等现代化手段，对医院及其所属各部门的人流、物流、财流进行综合管理，对在医疗活动各阶段产生的数据进行采集、储存、处理、提取、传输、汇总、加工生成各种信息，从而为医院的整体运行提供全面的、自动化的管理及各种服务的信息系统。

在此次社会实践过程中，接触到了所在医院的医院信息管理系统，了解到了实际运行中的细节情况。并参考Microsoft公司与上海瑞金医院的合作项目2等国内外案例分析，对医院管理系统提出几点建议。

关键字：HIS，卫生信息化，软件，管理，效率

1目前中国的医院信息系统中的医嘱都是以收费医嘱为主的，收费医嘱只是与收费项目相关，这部分医嘱缺乏对临床治疗中关键属性的描述，因此从未来临床发展的方向上说，临床医生需要一个自己熟悉的，以临床为主的计算机医嘱录入系统。

2《上海瑞金医院利用内、外网统一的信息门户打造数字化现代医院》

正文：

一、基于Web开发

低端医院信息管理系统项目的最大的特点就是成本限制，所以软件开发首先必须控制成本。此次所在医院采用的是四川思迅科技有限公司的相应产品，采用Delphi和大型数据库SQL Server进行程序设计，运用组件（COM+ DCOM）、XML等技术。优点是Microsoft的平台成熟、稳定，缺点是SQL Server售价贵，软件维护成本高，只适用于在Windows NT 下工作。

由于低端医院管理系统的数据规模相对较小、功能较简单，基于Web开发（如：PHP+MySQL3）可以在满足需求的情况下降低成本，而且因为是基于Web，后期仅需在服务器端更新便可以完成维护工作，再加上Web技术良好的跨平台能力，后期拓展无线业务（移动查房系统等）仍能继续发力。

在实际操作中，由于电子医嘱系统只用用法、总量的选项，并无用量的选项，所以导致医生将电子处方发出，病人缴费、取药后仍需再次找到医生标注用法、用量。这样徒增了医生的工作量，也麻烦到了就诊的病人。在当前软件下必须修改电子医嘱系统的软件，并将医院内每一个独立的客户端逐个更新，维护成本可想而知。假设是基于Web开发的系统，只需要修改网页，无需逐个客户端更新，大大节约成本。

二、重视软件维护

医院信息管理系统是一种非常特殊的软件产品，在实际应用中，专门的维护人员需要与各科室医务工作人员进行协调、对出现的问题及时修改系统。

实际上，医生使用电子医嘱系统开出处方时，会犯一些操作上的错误。例如：临床医生应开出“盐酸吗啡片*40片”，由于疏漏，少输入一个“0”便成了“盐酸吗啡片*4片”。一般这种情况被药房人员发现后，会让患者去找医生重开处方再回来取药。这一看似小的失误，却实在让病人跑了冤枉路。

假设维护人员在在各科室协调时此类状况后，可以做出的改进：此类常按20/40片（1/2盒）开出的药物，将20/40当作常规数值（视实际情况而定），当输入数值为非常规数值时，将在处方下达前再次弹出确认框确认。这样的解决方案能减少大量的误操作，同时减少病人的负担。

三、数据挖掘4

医院信息管理系统在投入运行之后，将会收集到海量的数据，进行数据挖掘可以利用这些数据为医院的管理决策以及科研、流行病学统计服务。

美国阿拉巴马州大学伯明翰医院的Stephen E. Brossette等人在美国阿拉巴马州大学伯明翰医院使用数据挖掘与监控系统（the Data Mining Surveillance System，DMSS）分析绿脓杆菌感染控制数据超过一年。得出实验结果：实验用了1，3和6个月的时间分区分别产生了

3在此方案中，MySQL可以高效地迁移至Oracle，以满足数据规模的增大等需求。

4数据挖掘（Data Mining，DM）又称数据库中的知识发现（Knowledge Discover in Database，KDD），是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

34，57和28个具有统计学意义的事件。虽然不是每一个事件都具有临床意义和统计学意义，但是每次分析中产生的事件表明可能发生绿脓杆菌感染或耐药性模式的重大转变的一个子集5。

Diagnosing different types of liver diseases clinically is a quite hectic process because patients have to undergo large numbers of independent laboratory tests. On the basis of results and analysis of laboratory test, different liver diseases are classified. Hence to simplify this complex process, we have developed a Rule Base Classification Model (RBCM) to predict different types of liver diseases. The proposed model is the combination of rules and different data mining techniques.OBJECTIVE: The objective of this paper is to propose a rule based classification model with machine learning techniques for the prediction of different types of Liver diseases.METHOD: A dataset was developed with twelve attributes that include the records of 583 patients in which 441 patients were male and rests were female. Support Vector Machine (SVM), Rule Induction (RI), Decision Tree (DT), Naive Bayes (NB) and Artificial Neural Network (ANN) data mining techniques with K-cross fold technique are used with the proposed model for the prediction of liver diseases. The performance of these data mining techniques are evaluated with accuracy, sensitivity, specificity and kappa parameters as well as statistical techniques (ANOV A and Chi square test) are used to analyze the liver disease dataset and independence of attributes.RESULT: Out of 583 patients, 416 patients are liver diseases affected and rests of 167 patients are healthy. The proposed model with decision tree (DT) technique provides the better result among all techniques (RI, SVM, ANN and NB) with all parameters (Accuracy 98.46%, Sensitivity 95.7%, Specificity 95.28% and Kappa 0.983) while the SVM exhibits poor performance (Accuracy 82.33%, Sensitivity 68.03%, Specificity 91.28% and Kappa 0.801). It is also found that the best performance of the model without rules (RI, Accuracy 82.68%, Sensitivity 86.34%, Specificity 90.51% and Kappa 0.619) is almost similar to the worst performance of the rule based classification model (SVM, Accuracy 82.33%, Sensitivity 68.03%, Specificity 91.28% and Kappa 0.801 and the accuracy of chi square test is 76.67%.CONCLUSION: This study demonstrates that there is a significant difference between the proposed rules based classification model and the model without rules for the liver diseases prediction and the rule based classification model with decision tree (DT) technique provides most accurate result. This model can be used as a valuable tool for medical decision making6.

5Association Rules and Data Mining in Hospital Infection Control and Public Health Surveillance Brossette SE, Sprague AP, Hardin JM, Waites KB, Jones WT, Moser SA.

6Prediction of different types of liver diseases using rule based classification model Kumar Y, Sahoo G.