面向HL7的临床智能决策系统的设计与实现

论文摘要

临床智能决策(CDI)是信息化医疗的一个重要研究领域,医疗卫生信息化的迅速发展,为医疗行业积累了海量有价值的医疗数据。但这些数据分布在不同的医院内,要进行医疗数据知识的挖掘必须首先实现医疗数据共享。HL7标准的出现为共享医疗数据提供了可能。临床智能决策(CDI)的目标是将这些海量、异构的数据源按照HL7标准存储及管理,并且分析、挖掘其中隐含的信息、知识及模式,实现临床决策,为病患提供更好的诊疗,为管理者提供更好的决策支持。从而提高医疗保健质量,降低医疗费用。本文实现了一个面向HL7的临床智能决策数据库的设计以及临床数据挖掘系统的设计。通过对现有大量临床数据进行格式化存储、管理以及统计分析来辅助相关人员进行临床决策。首先,针对临床医学数据存储技术中的数据量大、难以管理、检索等特点,本文应用基于多项式编码的树型结构模式构建了临床决策分析数据库。基本满足了临床数据存储的维护方便、高效检索等要求。并在此基础上,设计了一系列数据库转换、维护、查询等方法。在数据挖掘方面,本文根据不同的用户需求,提出了两种数据挖掘策略:1)将基于AprioriTid算法的关联规则挖掘方法应用到临床数据分析中,通过发现满足给定支持度和置信度的临床关联规则来实现决策支持;2)采用频率统计的方法挖掘医学数据中病人群体与疾病、特定病人群体中不同疾病之间的内在发生规律及关联程度。最终实验表明本文提出的决策支持系统达到了预期挖掘临床数据知识的目标,为临床决策提供了有效的支持。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景及意义
• 1.2 国内现状与发展
• 1.3 国外现状与发展
• 1.4 本论文组织结构
• 第2章 HL7 标准及其相关模型
• 2.1 HL7 标准概述
• 2.2 RIM模型介绍
• 2.3 EAV模型介绍
• 2.4 本章小结
• 第3章 系统设计
• 3.1 HL7 系统共享平台设计
• 3.2 临床决策分析系统设计
• 3.3 决策分析数据库设计
• 3.3.1 数据库的逻辑结构设计
• 3.3.2 数据结构的物理存储模式设计
• 3.3.3 数据库查询
• 3.4 临床数据挖掘算法设计
• 3.4.1 Apriori算法
• 3.4.2 AprioriTid算法
• 3.4.3 关联规则的生成
• 3.4.4 基于统计的数据挖掘
• 3.5 本章小结
• 第4章 系统实现
• 4.1 系统开发环境
• 4.2 系统开发特点
• 4.3 系统各主要模块实现
• 4.3.1 数据库建立模块
• 4.3.2 决策分析模块
• 4.4 系统运行实例
• 4.5 本章小结
• 结论
• 参考文献
• 致谢