基于HIS的肝病信息与诊断数据库系统的开发与应用

，，

随着医院信息化进程不断推进，医院信息系统(HIS)在医院管理中发挥的作用愈加重要[1]。

新版门诊工作站、住院工作站等信息系统的升级应用催生了海量信息的迅速增长。如果能整合、分析、利用这些海量数据，将医疗基础信息中存在的知识精华进行自动化的提取与存储、智能化的分析与应用，必然对医生诊疗、患者就诊、临床科研及管理层的决策有所助力。

因此，寻找一种可以把虚拟分散的海量数据转化为现实的、可以提高临床医生诊断效率和临床科研知识的技术，是大数据时代医疗卫生领域亟待解决的问题，有突出的现实意义和实用价值。解放军第302医院(以下简称“我院”)是全军最大的传染病医院，多年来积累了大量肝病诊疗资料。本文利用丰富的肝病数据资源，建立肝病诊断数据库系统，为提高临床诊疗效率服务。

1 系统设计

我院现有的HIS已采集到海量的病例数据，本系统设计即是利用这些现有数据形成新的智能诊断数据库，并在此基础上实现自动诊病和快速治疗。

采用Visual Basic 6.0企业版对主体系统编程，采用SQL server建立诊断数据库。首先通过HIS-Visual Basic-SQL server对病例数据进行智能诊病训练和测试，具体应用时采用逆向SQL server到VB以实现诊疗过程。

软件设计方法为以Visual Basic语言编辑软件代码并设置SQL server数据库表单，链接医院HIS网络数据库测试并调试软件功能，最终打包软件安装软件客户端。

系统设计所采用的3种软件中，HIS具有数据优势，VB具有简易和可视化编程的完善功能，SQL server的优势在于通用性和性能高效。由此建成的系统投入快速、易于操作，不需要专门培训就可以很好地融入现有诊疗系统之中。

2 系统结构

系统采用图形化用户界面(GUI)，主要有AI训练模块、测试模块和诊疗模块3个核心模块。在培训模块中，采用神经网络方法对HIS数据进行采集以实现自我学习；测试模块是在现有AI并不完善的情况下，采用人工系统测试和矫正；诊疗模块针对最终用户即医师，直接应用在诊疗过程中，并可由医师反馈改进意见。

2.1 系统网络运行环境

本系统以医院HIS网络为基础，以SQL server数据库存储系统数据，用户以客户端读写网络SQL server数据库并将结果存储于数据库内以供其他用户分享使用(图1)，客户端软件也可以访问HIS数据库并提取数据，为诊断模块提供数据来源。

图1系统运行结构

2.2 客户端结构

根据系统功能需求将客户端分成肝病知识模块、肝病数据库模块、肝病诊断模块、肝病专家库模块和软件设置模块5部分。各模块分别为用户提供肝病知识信息，为已知检测指标提供智能诊断、肝病典型数据信息、肝病专家信息，以及软件维护和设置功能。客户端以智能诊断功能为核心，其余模块为智能诊断模块提供数据和知识信息支持。用户通过人机对话过程即可快速完成知识库录入和查询、病例诊断数据的查询与统计、疾病智能诊断等过程。

3 实现技术

3.1 神经网络方法

神经网络(NN)也称为人工神经网络(ANN)，是一种基于大脑结构形成程序功能的计算模型，在大数据集中，它具有很好的成本效益和灵活性，在推理准确度方面具有不可替代的优势。在神经网络中，神经元可以以各种方式排列，权重(神经元之间的连接)可具有不同的模式，可以实现如前馈、反馈、联网计算和AI自我竞争等功能，这是本系统的实现基础和优势。神经网络技术原理公式如下：

3.2 智能诊断模块

系统核心功能是为用户提供肝病智能诊断功能，智能诊断模块采用k-NN(k-nearest neighbor)算法建模，将肝病数据库内诊断病例的疾病按照种类进行二进制命名，训练器通过对主要诊断指标(通过统计计算后出现概率最高的诊断项目)进行加权，以类中心法离线方式进行数据训练，以在线方式计算用户设定所需个数的待分类疾病距离，从而获得概率最高的疾病列表，并以概率顺序罗列。

该模块根据用户输入的患者临床诊断或辅助诊断指标等信息，通过读取样本数据、计算各类中心、比较待检样本与K-NN算法计算出的各类中心距离，输出最近距离的3类疾病和概率数值，以供用户对诊断进一步甄别(图2)。

图2 算法流程

4 功能与应用

功能方面包括AI训练模块、测试模块和诊病模块。AI训练的目的是通过改变病例间的权重实现预期输出，共使用了3种训练方式：一是监督训练，在此过程中，可以为系统提供一系列标准样本输入，并将结果输出与预期结果比较；二是无监督训练，完成监督训练后输入随机的病例，进行AI自我学习，盲训和进化神经网络；三是加固训练，此过程用于加强预期结果的正确性。为保证达到预期结果，系统将HIS数据库等分为两份，使用第一部分进行AI训练，使用第二部分进行正确性测试。测试模块是本系统实现预期响应的最重要模块，由人工全程监督测试，用以确定训练模块的正确性。只有当测试结果达到或超出预期时，才可认为完成了系统的自我学习过程。

4.1 核心功能与应用

本系统智能诊断功能采用神经网络模型设计。以我院HIS数据库10余万条肝病典型肝病病例数据为训练样本，涵盖了感染性和非感染性等全部肝病种类，筛选了肝病病例的家族史、感染史、用药史、临床症状、检验结果、影像资料等具有代表性的各类诊断以及辅助诊断等50种指标信息(表1)，并可扩展或缩减指标数量，用户将预测样本(患者检测或临床指症等指标)输入系统即可开始模拟诊断。系统根据用户提供的数据，对用户输入的样本数据与系统数据库内疾病病例数据进行计算和比对，以概率高低顺序输出与预测样本最接近的3种肝病种类名称，以供用户进一步甄别诊断。本系统的应用过程中实测训练误差为5.23%，测试误差4.20%，可以满足疾病预测要求和目标。

表1 系统采用的肝病诊断及辅助诊断指标

4.2 扩展功能与应用

系统以智能诊断技术为核心，扩展了多个系统辅助功能供用户使用。肝病知识库模块存储了肝脏基础知识和临床所有已知肝病知识信息，并分为感染和非感染性将肝病两类，每一类别又详细划分成若干肝病子类，且每种肝病又分为疾病简介、典型症状、发病原因、实验室检测、鉴别诊断、预防、治疗、护理、并发症、饮食保健等多个部分，为用户提供知识信息快速查询功能。

肝病数据库模块包含了我院HIS数据库各类肝病病例的诊断指标数据，为智能诊断模提供模拟训练数据源，同时也为临床医护人员提供病例样本和诊断指标的统计和浏览功能。用户可以通过客户端录入和编辑疾病各类的诊断指标、筛选HIS数据库的病例等，以丰富肝病数据库病例数据。

肝病专家模块包含肝病方面的权威专家信息(包括专家简介、研究领域、联系方式、工作单位等)，为疾病诊断、专家会诊等提供信息帮助。系统的设置模块可辅助用户设置软件各类参数(用户管理、数据库维护、软件界面调整、功能编辑等)，以丰富和优化软件功能，确保软件运行安全。

5 讨论

作为智能诊断技术的分支，神经网络模型技术[2-4]已经广泛应用于各行业的数据挖掘与前瞻性结论预测[5-6]。当前医疗领域疾病智能诊断技术开发与应用成果很多，但受限于学科方向不同，尤其是不同学科的疾病临床症状千差万别，一种智能诊断技术不能涵盖多个学科领域；加上数据来源的权威性、代表性的差异以及数据模型针对性的不同，各医疗学科目前还需要量体裁衣地设计和制作适合自身的智能诊断系统。肝病智能诊断方面目前尚无成熟技术可以应用。我院属于大型肝病专科医院，HIS数据库存储了几十万条病例数据信息，涵盖了肝病领域的各类典型病例，大量病例数据资源未能充分挖掘使用，无疑是医疗资源的浪费。

本文基于为肝病临床诊疗与科研提供前沿、实用、高效的智能辅助信息支持的目的，开发了基于HIS数据库的肝病信息与诊疗数据库系统。该系统以我院HIS数据库数据为依托，在查阅各类专业资料[7-16]和专家充分论证的基础上，精选了50余个最有价值的临床指标作为肝病诊疗参数，通过人工筛选LIS典型病例数据方式建立数据库和神经网络模型，以期达到疾病预测和智能判断的目的，为临床提供快速的智能诊疗途径，也为统计和搜集科研数据提供便捷通道。系统的知识库模块包含了所有肝病诊疗、护理、预防和保健知识的信息，并可随时更新和丰富，为临床工作提供了强大的专业知识保障。专家模块包含各类肝病领域的权威专家信息，为临床进一步诊疗提供信息帮助和支持。

系统的神经网络模型采用k-NN算法技术[17-21]。该算法的优点是数据选择简单有效，编程实现简单，是一种懒惰学习算法，分类器不需要使用训练集训练，训练复杂度为0，将部分工作量离线进行，可减少在线计算量。缺点是在线计算量较大，不适合过多预测样本的计算，不过可以在系统管理模块中合理设置样本预测数量，以减少过多数据处理负担。实际应用过程中，单机10余万条数据的数据库采用3个预测样本参数，系统响应时间为2-3秒，单种类肝病及常见多因素肝病预测准确率高于95%，可以满足临床诊断要求。由于部分患者个体因素复杂以及肝病与其他多疾病同时存在会对该预测模型造成影响，目前该系统仅属于临床辅助诊疗工具。下一步还应在当前模型基础上建立多因素状态肝病患者数据，并对多因素种类分类和积累数据量，以期达到提高多疾病叠加和多因素影响下预测准确性的目的。随着信息技术的发展，数据开发成为各新兴行业发展的立足点[22]，医疗智能诊疗系统也将迎来更大发展空间，医院在开发各类辅助医疗应用的同时应该加强诊疗数据的挖掘和使用，以提高诊疗水平和诊疗质量。