【摘要】随着电子病历信息化建设的不断深入，依托大数据、人工智能技术提升专业照护服务效率和质量成为健康医疗领域日益关注的焦点。本研究对智能护理临床决策支持系统的数据交互与整合问题进行分析，探讨将数据仓库、联机分析处理及数据挖掘等大数据技术引入智能化护理临床决策支持系统，对系统数据信息获取、存储、集成、分析与呈现进行统一规划，并在此基础上构建基于数据仓库的大数据平台，推动数据驱动的智能化护理决策支持系统的应用与发展。

【关键词】电子病历；健康医疗大数据；护理决策支持；数据平台

近年来，大数据、人工智能技术在医疗健康领域的应用与发展备受关注。美国医学研究所IOM建议，医疗系统应提供快速、实时、多系统的数据信息，用于常规护理、质量改善、安全管理及学习型组织创建四。国务院《促进大数据发展行动纲要》《关于促进和规范健康医疗大数据应用发展的指导意见》）《“健康中国2030”规划纲要》是推动指导健康医疗大数据融合共享与应用发展的纲领性文件。国家医政医管局《关于进一步推进以电子病历为核心的医疗机构信息化建设工作的通知》指出，“2020年所有三级医院应达到电子病历4级以上，实现全院信息共享，并具备决策支持功能”。“数据信息整合，护理安全质量持续提升”成为专业照护的最前沿方向。

临床决策支持系统（clinical decision support system,CDSS）应用数据及科学证据，帮助指导医护人员进行最佳实践决策，提高医疗服务质量。大数据、人工智能技术为个体化专业照护提供了新的机遇。尽管如此，数据驱动的智能化护理决策支持系统开发及使用仍面临挑战。可能的原因包括：可视化集成用户界面、数据标准化、系统间信息孤岛、语法语义互操作性以及分析功能等。大数据平台“是集数据采集、存储、分析处理、查询检索、数据挖掘及可视化等功能于一体的平台”。本研究在综合评估智能护理决策支持系统前期研究的基础上响，依据业务需求分析及大数据平台技术，引入数据仓库、联机分析处理及数据挖掘对系统数据获取、集成、分析与呈现进行统一规划，构建基于数据仓库的大数据平台，为专业照护智能护理临床决策支持系统提供科学数据支撑。

1需求分析

数据源是综合评估智能化护理决策支持系统进行预测和决策的基础，数据集成的目标是将在不同系统和设备中分布的多源异构数据，经数据集成实现有效地传递、交互、解释和共享，构建智能化护理决策支持系统综合数据平台。通过统一规划的数据视图为专业照护科学决策提供数据支撑。本研究基于护理程序和标准化护理语言护理措施分类（nursing interventions classification,NIC），将数据需求分为6类，包括护理评估、护理诊断、护理计划、护理措施、护理活动及护理评价相关的信息数据。

针对综合评估智能化护理决策支持系统的业务流程、护理人员使用需求、专业总体需求进行分析，提出开发数据平台的主要业务包括数据获取、数据预处理、决策主题数据存储与综合、多维数据分析、数据挖掘、决策支持及呈现。涉及的业务系统有电子病历系统、药物信息化管理系统、图像扫描影像学系统、实验室检查系统、监护与传感设备及护理决策支持系统等。

2大数据平台

设计智能化护理综合评估决策支持系统设计与实现过程中的实际需求，通过数据平台实现对患者数据信息的采集、处理、存储、分析和管理，将患者护理评估、诊断、最佳实践建议及护理目标评价匹配生成基于护理评估及诊断的护理计划订单数据集，对决策问题提供数据支撑环境。不同患者数据汇总形成纵向数据集，满足深度数据挖掘、知识发现专业照护决策支持。此外，平台还可以用于警报提醒、质量系统控制、敏感指标趋势及关键元素追踪和分析管理。智能化综合评价决策支持系统数据平台总体框架结构分为4层，主要由数据采集层、数据存储层、决策支持层及数据管理层构成，见图1。此外，人工智能平台整合数据计算和算法资源，构建基于BP神经网络与模糊综合评价集成的护理综合评价决策模型。

2.1数据采集层

数据采集层包含2层结构，首先将医院信息化系统中分散的电子病历（electronic medical record,EMR）、药品管理系统（electronic medicine administration record,eMAR）实验室信息系统（laboratory information system,LIS）、放射学信息系统（radiology information system,RIS）、设备传感等系统的原始数据定义形成源数据：其次通过数据仓库工具（extract-transform-load,ETL）对源数据进行自动筛选、转换、按照一定格式的集成加载到数据仓库集市。

2.2决策数据存储层

2.2.1数据仓库结构设计

数据平台决策数据存储层由数据仓库实现，为满足多维数据分析需求，数据仓库对源数据面向主题进行加工、处理、综合及多维存储，见图2.首先根据护理程序及综合评估指标进行数据组织，形成满足智能化护理综合评价决策需求主题的数据类后依次存储。整理需求分析，按数据粒度进行划分，形成元数据库和数据集市。系统数据管理涉及元数据管理、权限管理、监控管理及数据模型管理。

2.2.2主题域设计建模

根据智能化护理综合评估决策需求和系统边界划分，确定人、健康、环境、护理4个主题，通过护理评估、护理诊断、护理计划、护理措施、护理活动、护理评价联系。将数据模型按照护理评估、护理诊断、护理计划、护理措施、护理活动、护理评价6个基本主题域进行逻辑结构设计，建立以专业照护为中心的主题视图，各主题域关系见图3。

主题域确定后，采用星形结构对护理计划主题进行多维数据事实表及维表设计，见图4，具体维度涉及护理评估、护理诊断、护理措施、护理活动、护理评价、时间、科室、疾病诊断、护理分级及患者年龄。根据分析需求，整理系统护理计划事实表及维表描述属性，见表1。

2.3决策支持层

2.3.1决策支持层的结构设计

数据仓库、联机分析处理、数据挖掘及模型库组成智能化护理综合评价高级决策支持系统数据平台。决策支持层分为3层子结构，主要由用户层、问题综合与交互系统层、联机分析处理与数据挖掘层构成。问题综合与交互系统实现系统维护、决策问题与方案查询/检索及决策后台控制管理，包括系统维护、决策前台、决策后台3个模块。联机分析处理对数据集中提取的综合数据信息实现多维数据分析处理。数据挖掘通过数据集进行数据知识挖掘，并将结果传递到知识库。通过问题综合与交互系统，调用模型库、知识库、方法库处理数据库及数据仓库中的数据，将多维分析及数据挖掘结果以多种方式呈现给用户，见图5。

2.3.2联机分析处理与数据挖掘

通过联机分析处理（on--line analytical processing,OLAP）工具针对特定问题对数据集中的数据进行访问与多维分析。通过对5类数据，即护理评估、护理诊断、护理措施、护理活动、护理评价进行多维数据分析与报表设计，为决策者提供直观、清晰的可视化分析结果，见表2。

根据专业照护挖掘需求分析及决策目的对数据集中提取的数据通过集成数据挖掘模块进行数据挖掘，挖掘方法包括回归分析、关联分析、聚类分析、模糊推理、神经网络算法等，见表3。

2.4数据管理

数据管理是智能化护理综合评价分析和决策的基础和核心，涉及的内容包括用户权限管理、元数据管理、模型管理及监控管理。①权限管理：通过访问协议进行临床护理、护理管理、项目维护人员身份验证和授权，实现数据平台电子签章、用户名及密码管理。②元数据管理：元数据是数据仓库中“关于数据的数据”。元数据管理是智能化护理综合决策数据平台的重要环节，负责对数据结构、源数据、数据仓库数据转换规则、约束条件、ETL映射关系、数据模型、任务参数、数据存储及更新策略等元数据信息进行标准定义、配置、存取和管理维护。③模型管理：模型管理独立调用决策问题库、模型库和数据模型算法库，是智能化护理综合决策数据平台的重要组成部分。其中，决策问题库采用数据库形式存放历史决策问题、子问题及其求解路径：模型库存放决策问题、决策任务所使用的模型，包括模型的名称、描述、算法、表示形式、输入及输出变量等；模型算法库针对决策问题和决策任务求解提供线性回归、关联分析、模糊评价、神经网络等基本模型算法。④监控管理：为保证数据平台正常运行，提高系统稳定性，需要对系统所在网络、操作系统、数据库、中间件和应用软件等进行全面、实时监控。监控指标包括：主机和存储硬件状态，数据集成链路，网络、操作系统、数据库、数据仓库、中间件和应用软件的运行状况，数据备份执行情况以及系统运行环境等。

3应用前景展望

3.1大数据驱动改善专业照护最佳实践

CDSS通过集成电子病历（EMR）、基于算法的创新软件管理患者数据并纳入科学证据，将数据、专业知识和证据自动组合，分析、预测患者整体护理需求及转归轨迹1.然而，数据标准、结构及存储的不一致性，导致多源异构数据孤岛，很难适应智能护理决策支持系统的需求。Dunn等对医院护理决策支持系统进行整合回顾，共纳入28项研究，其中50%描述了CDS与EHR的集成细节；25%实时提取、使用EHR中患者数据；50%CDS需要护士手动输入；仅I项研究使用CDS统计数据。本研究探讨引入数据仓库、联机分析处理及数据挖掘技术，构建了基于数据仓库的护理决策支持系统大数据平台，该平台具有对患者数据信息的采集、处理、存储、分析和管理功能，通过将患者护理评估、诊断、最佳实践建议及护理目标评价匹配生成基于护理评估及诊断的护理计划订单数据集，对决策问题提供数据描述性分析。此外，允许OLAP服务器进行数据可视化浏览，在专业照护护理评估、诊断、计划、干预和评价维度进行有效的数据挖掘和知识发现。基于数据信息整合、交互、共享改善专业决策支持和实践质量已得到广泛共识。

3.2系统交互优化工作流程

“有效”的CDSS应考虑护理人员的工作情境，识别用户功能需求，实时管理不同类型的数据信息，节省运营成本和时间，易于使用，遵循循证实践指南并支持以患者为中心的协作决策。互操作性是CDSS实施的主要障碍，分析前对数据信息进行规范化数据仓库处理是解决此问题的关键。借助基于数据仓库的大数据平台，在护理时决策支持模块可以查询、访问数据知识并对其进行操作，更容易将数据知识获取到工作流中，使洞察变得可行，进而基于系统提供的信息做出更具知识性的专业决策。

Kawamoto研究发现，有效CDSS根据工作流进行设计，实时提供关联评估的决策建议2o.CONFlexFlow研究结果表明，灵活地将CDSS集成到工作流程中是系统成功的关键。当今，医疗卫生环境变化迅速，新证据、新临床护理途径、新问题、新数据以及新元素不断涌现。未来如何将患者数据、信息及知识，动态、实时地整合反馈到CDSS以改善工作流程和护理仍有待深入探索。

3.3机器学习引导个体化主动决策

以患者为中心的健康医疗大数据，远远超出检验假设或验证模型的简单需求。CDSS当前模型多基于回归或相关分析，不能捕获数据中的复杂关系。机器学习是指一组大数据技术，通过迭代过程进行操作，并基于学习到的模式生成预测模型，辨别数据中的复杂模式或规律2.专家系统、机器学习即人工智能算法和大数据存储相结合，已开始影响临床实践2930.本研究基于大数据平台，数据挖掘模块从数据仓库数据集中提取数据，利用人工神经网络（artificial neural network,ANN）、模糊评价、逻辑回归等智能算法进行模式识别和统计模型开发，创建现有表型特征和护理评估、诊断、计划、措施、活动及评价知识库，支持专业照护主动决策。

3.4数据管理平衡隐私保护及数据共享边界

大数据平台数据管理涉及数据安全和隐私管理。由于数据管理的复杂性，组织面临道德、法律和法规挑战。医疗机构应针对临床数据建立严格的数据规则和长效控制机制，确保数据信息安全、保护患者隐私B。通过采用标准和合规性要求来限制用户的权限，确保新系统满足医疗保健法规并为正确使用患者信息创造安全的环境。允许的情况下，进行患者电子病历匿名化，即收集数据时、收集数据后或患者身份标识加密。

4小结

江苏省人民医院临床数据中心（clinical data repository,CDR）于2015年12月正式上线，集成存储并展示就诊、诊疗、医嘱、检查、检验、手术、病历文书等患者信息，和HIS、LIS、RIS等31个信息系统相连，辅助医护人员查询决策。CDR与智能护理决策支持系统（nursing decision support system, NDSS）对接，本数据平台获取应用CDR及其他外部数据源信息。目前智能护理决策支持系统I期已在我院4个科室上线试用，查询获取医院CDR数据源信息，包括医嘱、检查、检验、手术、病历文书功能等41432条临床数据。落地规则及需求共300余个，提供关联护理评估最优匹配的护理计划近808次，护理措施核心数据1350次，护理活动决策信息6336次。

“数据信息交互、整合、共享，智能决策支持”构成8级电子病历系统核心评价标准。我国电子病历应用处于较低等级，大多CDSS没有提供常规警报提醒、摘要仪表盘和自动信息检索以外的功能。鉴于此，本研究基于数据驱动的决策支持理念，探讨将数据仓库、联机分析处理及数据挖掘技术引入智能化护理决策支持系统，对系统数据信息获取、存储、集成、分析与呈现进行全面规划，并在此基础上构建基于数据仓库的智能化护理决策支持系统大数据平台。通过专业照护护理评估、诊断、计划、措施、活动及评价数据交互整合、多维分析、挖掘、知识发现，为数据驱动的专业照护智能决策支持系统研发与实现提供有益参考。