摘要：大数据和医疗运作管理的结合已经成为时下的研究热点。大数据对医疗体制和医院管理产生了深远的影响，各种数据分析方法已广泛应用于医疗运作管理以及医疗健康大数据的研究，各大医院信息化管理平台已逐步完善。未来，数据挖掘技术的革新必会更有力地推动智慧医院的建设，接下来可以从复杂算法在医疗运作管理的角度出发进行深入研究。
关键词：大数据；数据挖掘；医疗管理
引言
改革开放以来随着人们生活质量的不断提高，医疗领域获得了空前的发展。医疗运作管理作为一个新兴领域出现在人们的视野中。同时，人们对于海量数据的挖掘与应用已经渗透到每个行业和领域。数据分析与挖掘技术日新月异，人们也逐渐发现它可以解决医疗运作管理中长期存在的种种问题。在大数据技术的帮助下，我们有希望解决许多医院管理、公共卫生等领域的技术难题。
1、大数据技术对医疗行业的影响
1.1大数据技术对医疗体制的影响
现今，医疗大数据市场规模膨胀迅速。2018年全球大数据及服务市场规模超过450亿美元。中国移动医疗市场规模从2012年的13.9亿元增长至2017年的230亿，年复合增长率达到78.48%，2020年预计将超过500亿元。大数据在医疗运作管理中的广泛应用会对医院的收费形式和看病的支付模式产生深远的影响。通过汇总数据并进行分析，院方(或付费机构)可以更加精准地了解诊疗效果，避免医疗差错、过度医疗等风险[1]。同时大数据技术可以将疾病预防方式由被动转向主动，快速分类分析电子病历，较为精准地预测传染病疫情、降低传染病大规模爆发的风险。针对不同的疾病、患者等采集得到的数据，利用大数据重建形成虚拟患者或者诊疗方案，打破了原先闭塞的学习方式，各医院可以互补性地学习罕见病、常见病的病例和手术。大数据在医疗运作管理中的应用可以使得医疗数据更加精准，提高医疗过程数据的透明度，促进医疗服务质量的提高。
1.2大数据技术对医院管理的影响
随着大数据时代的到来，医院信息化的浪潮也随之兴起。适应数据技术的革新，转变传统数据统计工作的思维模式，是当今医院管理工作的重中之重。数据技术的革新，为提高医疗质量提供了保障。大数据技术为医生提供准确科学的信息，辅助医生诊疗，降低误诊率，提高医疗质量。信息化进程的推进使医院管理更加规范化、标准化，实现“精细化管理”。医疗精细化管理可以为医院提升医疗护理工作的效率和水平、节约经营成本。对数据的分析与挖掘还可以辅助医院管理决策，并解决以往医院管理中决策过于主观的问题。数据挖掘技术可以客观、科学地分析医院管理活动的各项指标与数值，准确地为管理者提供决策建议。其次，通过建立医疗科研数据中心大幅提升了医院的科研能力，提高医疗数据的收集与处理速度，直接提高了科研人员的工作效率、降低科研难度，还解决了医疗旧时代各医院间信息封闭的问题，实现科研信息共享，促进医学科研的繁荣[2]。
2、医疗大数据所面临的挑战与机遇
大数据是人类数据技术的一次重大革新，医疗大数据的分析价值也越来越得到重视。然而大数据的4V特征，即规模性(Volume)、多样性(Varity)、高速性(Velocity)和价值性(Value)导致难以运用传统的数据分析方法进行分析。80%的医疗数据都是非结构化数据，难以有效地储存和分析，而医疗数据往往又包含了许多错误信息，更为数据的处理增加了难度。另外，医疗大数据还具有地区间信息化建设不平衡、投资门槛高、数据的安全性等问题。上述问题在未来可以通过分布式系统来解决，利用云计算和Hadoop、MongoDB等分布式数据库构成的数据网络为精准医疗、公共卫生、疾病预防、医疗管理等工作提供决策支持，可以解决许多互联网医疗的障碍[3]。医院有必要针对临床智能辅助决策、疾病风险、管理者对经济性数据的需求等大数据相关的应用需求，在对医院日常业务运作的分析、临床模型设计与实现的基础上搭建医疗大数据平台[4]。大数据驱动的智能医疗将极大提高医疗品质与健康决策的效率与准确率，是接下来重要的研究方向。
3、医疗大数据分析方法及研究
随着信息技术的发展，医学领域研究、电子病历等各种信息被保留了下来，形成了海量的医疗大数据。这些数据往往体量巨大且来源多渠道、类型多样、数据的价值和潜在信息不确定，难以用传统的数据分析方法进行处理，需要通过各种算法和模型支持医疗大数据的分析[5]。Apriori算法是一种挖掘布尔关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。该算法已经广泛应用于商业、管理、移动通讯等领域，在医疗管理领域也有一定的理论成果。传统的Apriori算法由于在实现的过程中需要多次扫描数据库，具有执行时间长、没有针对性、效率低下的问题。通过构建基于NoSQL和MapReduce的数据存储与挖掘系统MSPM，并改进了传统Apriori算法，将复杂的医疗文档数据转化为Apriori算法适用的事务数据集，通过键值对存储、一次性全局扫描和兴趣集约束计数等优化策略，大幅降低了算法执行时间，提高了运行效率[6]。logistic回归分析是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。在医院的日常管理中，可以结合logistic回归与决策树分析，根据不同的指标建立的病例组合，探讨每种病例组合住院费用之间的差异[7]。线性混合效应模型是一种方差分量模型。传统的线性混合效用模型无法准确分析非线性数据。王明高[8]等通过研究医疗数据之间的非线性关系，建立了一个优于传统线性混合效用模型的贝叶斯多项式混合效用模型，用以核算医疗与保险项目的费用。聚类是将物理或者抽象对象分类到多个类的一个过程。魏志杰[9]等通过聚类技术合理抽象医疗费用数据，然后进行合规性检查达到准确医疗过程中的费用异常。模糊综合评价是一种基于模糊数学的综合评价方法，根据隶属度理论对受到多种抽象因素影响或约束的对象，将其定性评价转化为定量评价。通过构造模糊集来处理模糊因素，在很大程度上减轻了模糊指标选择的难度，加强了公立医院绩效考核评价结果的准确性与客观性。除了选择传统的企业绩效考核指标外，公立医院必须考虑到社会公益、患者满意度等因素，需要从公益性等角度提出新的绩效考核维度，必须确保公立医院的绩效考核制度有别于盈利性企业[10]。
4、基于大数据的医院管理平台
如今许多大型医院已经完成了对医院信息化管理平台、信息交互平台以及云存储等大数据应用的基础建设。如何利用智能化技术挖掘数据中心潜在的价值是大数据在医疗领域的应用研究重点。医疗体制的改革和医疗服务的市场化也随之带来了更加剧烈的市场竞争，医院需要在考虑社会公益的前提下尽可能地提升运营效率，保证运营收益，医院信息化业务平台的重要性不言而喻。
4.1移动医疗
在“互联网+”时代，有别于低效率的传统门诊业务，作为智慧医院发展的新型业务，移动医疗具有高效性、实时性等优点。包括：在线预约挂号、APP叫好提醒、医生移动查房、远程会诊、大数据智能辅助决策、护士移动护理等，甚至未来在5G技术的帮助下，极为精密复杂的远程手术也可以实现。移动医疗深刻改变了医疗服务模式，优化了医疗资源配置，大幅提升了医疗服务质量和效率。
4.2药械监管系统
药械管理是医院日常管理中的重要组成部分，直接关乎患者与医护人员的生命安全。由于我国药械监管的安全意识淡薄和有关部门的监管还并未到位，传统的药械监管系统普遍只是以企业利益最大化为目标，停留在物流与财务层面，忽视了药械安全质量的重要性[11]。新型药械监管系统可以采用分布数据库、实时通讯、动态监控等技术，结合人工智能构建基于大数据分析的药械质控综合监管信息系统。对药械产品的生产过程与市场流动过程进行全过程监督，实时对可疑过程与人员进行监控并向相关人员报警，将适合的信息面向大众公布，从根本上消除药械在生产过程中的质量隐患。
4.3医疗设备管理
随着医疗水平的发展，医院越来越注重于采购现代化医疗设备，先进的大型医疗设备也能一定程度上代表医院的诊疗水平。但是传统的医疗设备无法实现实时监测使用期间的数据与损耗，预测其故障率，对故障即时警报等功能。具有设备维护成本高、维护周期不精准、故障机器闲置时间长等缺陷。未来可以通过医疗大数据、区块链、人工智能得到各医疗设备的年开机率、故障率等，实现医疗设备维护维保预警的智能化。
4.4绩效考核体系
绩效考核作为医院绩效管理的重要组成部分，是提升医院运营效率、保证医疗服务质量、确保医院日常管理与医院整体战略发展目标一致的关键环节。为了在保证医疗服务质量和医院公益性的前提下，尽可能地节约患者的费用和医院资源的消耗，调动医务人员积极性，有必要建立公平、高效的绩效考核体系。可以将医疗大数据应用于医院绩效管理，根据医院的社会效益、医疗护理质量、经营效率等方面的指标构建绩效评价体系，力图实现医院精细化管理、并使医院绩效管理服务于医院整体战略规划[12]。
5、结语
随着大数据智能化技术的不断发展，其在医疗运作管理领域的应用也必然越来越广泛。数据挖掘技术在医疗管理中的应用，对智慧医院的建设具有重大意义。大数据分析技术相较于传统数据分析方法的优势在于可以捕捉到非结构化数据。它不仅能够辅助优化医院日常管理的方方面面，还能分析理解疾病预测与预防、公共卫生决策等健康方面的数据，进而建设大数据健康信息平台。目前，我国在医疗健康领域对大数据技术的应用研究仍然较为贫乏，传统的数据分析处理方法依然占据主流。未来，可以专注于复杂算法在医疗运作管理的进一步应用，人工智能、云计算对医院数据挖掘等方面继续研究。
参考文献：
[1]吴东东,黄昊,赵平,周林.大数据医疗与移动医疗对未来医疗体制的影响[J].重庆医学,2016,45(34):4866-4867
[2]王忠庆,邵尉,彭程,田新平,何苗.医疗大数据时代对医院统计工作的新思考[J].中国卫生统计,2015,32(03):542-543.
[3]虞铭明,张迺英,李月娥.医疗健康大数据分析的关键技术与决策支持[J].中国科技论坛,2018(11):53-62.
[4]徐曼,沈江,余海燕.数据驱动的医疗与健康决策支持研究综述[J].工业工程与管理,2017,22(01):1-13.
[5]王若佳,魏思仪,赵怡然,王继民.数据挖掘在健康医疗领域中的应用研究综述[J].图书情报知识,2018(05):114-123+9.
[6]李伟,刘光明,孟祥飞,张真发.并行化的Apriori算法在海量医疗文档数据挖掘中的应用及优化[J].北京师范大学学报(自然科学版),2016,52(04):420-424.
[7]薛允莲.logistic回归结合决策树技术在冠心病患者住院费用组合分析中的应用[J].中国卫生统计,2015,32(06):988-989+992.
[8]王明高,孟生旺.医疗费用预测的贝叶斯多项式混合效应模型[J].统计研究,2016,33(02):75-78.
[9]魏志杰,金涛,王建民.基于临床数据挖掘的医疗过程异常发现方法及应用[J].计算机集成制造系统,2018,24(07):1631-1641.
[10]马强.模糊综合评价法用于公立医院绩效考核的理论架构[J].南通大学学报(社会科学版),2015,31(03):145-152.
[11]田建军,申月波,焦雄飞,王亮,韩凤田.基于大数据分析的药械质控综合监管信息系统设计[J].中国医药工业杂志,2019,50(01):122-124.
[12]张晨阳,张春丽,华履春,彭宇竹.医疗大数据在医院绩效管理中的应用[J].中国卫生质量管理,2017,24(05):106-108.
作者：李璟暄朱人杰樊重俊叶春明单位：上海理工大学管理学院硕士生