医疗大数据处理方案

《医疗大数据处理方案》由会员分享，可在线阅读，更多相关《医疗大数据处理方案（75页珍藏版）》请在装配图网上搜索。

1、医疗大数据处理方案 和信息系统的耦合度为零的数据才是合格的大数据全国万家医疗机构的信息系统基础上全部是用关系数据库而建立的，然而要对关系数据库中的数据进行挖掘很困难。大数据并不是小数据之和，关系数据库系统不适合处理大数据。创造专利技术 创造申请号 医学信息的结构化存贮方法很适合处理医疗大数据。目录1第1章概要名词定义5第2章医疗大数据面临的挑战医疗大数据和医院信息系统之间的含有本质的差异小问题放大万倍就会大的吓人医疗大数据面临八大难题国家大数据标准工程堪比“两弹一星”医疗行业的信息系统顶层设计为何难产大数据挖掘中的问题：大数据的关键不在于大而在于怎样挖掘中国医疗行业每十二个月产生多少数据挖掘关

2、系数据库系统所产生的医疗数据很困难仅患者和数据的对应关系就是一个大问题关系数据库理论的致命伤关系数据库中的数据在大数据环境中为何变成无意义的数据关系数据库系统是一个完全封闭的系统：外来数据无法入住关系数据库中的数据和数据系统密不可分关系数据库中的数据和数据结构密不可分关系数据库中的数据和应用程序密不可分关系数据库中的数据一旦脱离对应的系统就成了无意义的数据关系数据库无法实现病历信息的结构化存贮关系数据库中的数据全部是“方言”，大数据需要的是“一般话”关系数据库怎样处理国家医疗大数据中数万个数据库、数千万张表大数据之梦十年后成真信息化社会由概念到比较成熟用了30多年时间千年虫问题的启示大数据工程

3、远比千年虫问题复杂五年之内 2021年前 医疗大数据只是纸上谈兵必需开发新型的软件工具才能对医疗大数据进行高效挖掘29第3章创造专利：医学信息的结构化存贮方法在了解医学信息的结构化存贮方法时的注意事项医学信息的结构化存贮方法数据的完整性是大数据的根本大数据的策略：以合适的数据冗余而使数据易识别一个事物的数据事物分类关系数据库的缺点：关系数据的可识别性数据的多样性元数据及国际元数据标准很主要大数据的关键：让数据自己说话大数据的策略：用数据替代程序和信息系统的耦合度为零的数据才是合格的大数据医学信息的结构化存贮方法和关系数据库的对比应用医学信息的结构化存贮方法的注意事项超大表化问题：分为多张表关系

4、数据库中的二维表是数据不具独立性的一个根本原因“万能数据结构表”存放病历信息的例子医学信息的结构化存贮方法实现互联互通很简单结构化录入病历信息的例子：症状的结构化58第4章独立数据库在医疗大数据方面的优势大数据中最主要的就是查询超大表问题自动调整表的长度自动查询多张表用独立数据库实现国家医疗大数据的存贮处理独立数据库怎样处理国家医疗大数据中数十万个数据库、数千万张表疾病、症状的相关数据65第1章概要关系数据库理论存在很多很严重的问题，比如，用关系数据库系统所设计出的信息系统全部是孤岛型系统，难以实现系统之间的互联互通；在大数据时代，大家发觉，对全国万家医疗机构所产生的医疗数据进行挖掘很困难，目

5、前的大多数医疗信息系统全部是用关系数据库系统而设计的。用关系数据库系统所设计出的信息系统之因此难以互联互通，孤岛问题严重，根本原因在于“异构数据”。医学信息的结构化存贮方法中的“万能数据结构表”能够存贮多种多样的数据，也可说用医学信息的结构化存贮方法所设计出的信息系统所产生的数据全部是“同构”的，不存在“异构数据”的问题。关系数据库理论先天不足，不可能处理“异构数据”问题。医院信息系统所处理的数据只是某家医院所产生的一些特定的数据 可称作小数据 。医疗大数据所要处理的数据是全国万家医疗机构所拥有的数十万个医疗信息系统所产生的数据，这些数据存贮在数千万张表中，这些系统由不一样的开发商所开发，各系

6、统的数据结构各不相同。每家医院的信息化工作全部包括几十个厂家，每个厂家的数据、标准、采集、存放全部不一样。所以，即便是在一家医院，全部会出现很多孤岛，整个医疗行业的信息孤岛问题更严重。各家医院信息系统的标准、接口全部不一样，这成为利用率低、共享难的原因之一。不但如此，数据种类的多样化也为数据标准的制订和应用带来了挑战。小数据的特点是数据的类型和数据全部是有限的，在处理数据前能事先确定数据的类型。而大数据的数据特点是“多样性”，在处理数据时极难先事先确定数据的类型，甚至不能确定数据的类型。现在关系数据库在数据处理中占据统治地位，而关系数据库在处理数据时事先要确定数据的类型，所以，在处理数据类型不

7、能事先确定的大数据时，关系数据库就碰到了难以逾越的障碍。医疗大数据和医院信息系统所产生的数据含有本质的差异。现有的多种信息系统所处理的数据全部是小数据。现在大家只是认识到大数据主要性，大数据还只是处于概念阶段。大数据梦想将在10年后梦想成真，5年之内，难有突破性进展。国家医疗大数据所面临的最大难题：目前的医疗信息系统不能适应医疗大数据的实际需求，需要对现有的信息系统进行根本的改造才能适应大数据时代的时尚。然而，要根本改造全国现的医疗信息系统，所花费的代价是很高昂的！关键词：数据和系统的耦合度、万能数据结构表、独立数据库、医疗大数据、数据的独立性、数据的完整性、数据的可识别性、事物分类。联络人：

8、樊梦真13660867965QQ：269779216269779216名词定义l数据和系统的耦合度：数据和系统的耦合度越高，数据对系统的依靠程度就越高。当数据对系统的依靠程度比较高时，数据一旦脱离了原有的系统就变成了无意义的数据。大数据的数据于成千上万家单位的系统，所以，大数居中的数据应该是和系统的耦合度为零的数据，不然就需要很多的应用程度来解读数据，这会增加数据处理的难度、成本。l万能数据结构表：由创造专利技术“医学信息的结构化存贮方法”在模拟大脑记忆、联想的基础上而所提出的一个新型数据结构，能够在同一张表中存贮多种多样的数据。l独立数据库：由创造专利技术“医学信息的结构化存贮方法”而建立的

9、数据库即可称为独立数据库。独立数据库和关系数据库有本质的差异。l数据的独立性：数据的独立性是由创造专利技术“医学信息的结构化存贮方法”所提出的概念，是指数据不信依靠数据库系统、不依靠数据结构、不依靠注释、不依靠应用程序而独立地表示出某种含义。关系数据库中的数据不含有独立性，需要借助于注释、数据结构、应用程序才能解读数据的含义。l数据的完整性：数据的完整生是由创造专利技术“医学信息的结构化存贮方法”所提出的概念，是指数据不信依靠数据库系统、不依靠数据结构、不依靠注释、不依靠应用程序而完整地表示出某种含义。关系数据库中的数据不含有完整性，需要借助于注释、数据结构、应用程序才能解读数据的含义。l数据

10、的可识别性：在班、组这么的小环境中能够用每个人的姓名而区分出每一个人，然而在全国范围内，因为人数太多，很多姓名全部有重名现象，所以仅靠姓名就不能正确无误地识别出每一个人。大数据时代以前的关系数据库中的数据只是应用于某个机构内部，所以各个数据就轻易识别，然而假如把关系数据库中的数据放到大数据环境中，那么这些数据就成了不可识其余数据。在大数据时代，需要经过数据的独立性、数据的完整性而确保每一个数据全部是可识其余。l在医疗大数据中，各个医疗数据分别由各家医疗机构所产生、拥有。l事物分类：事物分类是由创造专利技术“医学信息的结构化存贮方法”所提出的概念。大数据时代以前的信息系统的最终用户是经过应用程序

11、而看到多种数据，最终用户并不直接和数据库中的数据打交道，数据库中的数据需要经过应用程序解读后最终用户才能读懂。在大数据时代，大数据中包含成千上万家机构的数据，所以，大数据中的每一个数据库是由哪家机构所产生，数据库中各表中所存贮的数据是什么等等全部是很主要的信息，只有搞清楚这些信息，才能正常解读各数据的真实含义。在“万能数据结构表”中，“信息系统的名称、数据库的名称、表名”是以“事物分类”的形式存贮在表中，其目标是让数据详细独立性、完整性，以此确保各数据在大数据中含有可识别性。第2章医疗大数据面临的挑战本章内容提要：大数据并不是小数据之和，大数据和小数据有本质的差异。关系数据库只适合于处理小数据

12、而不适合处理大数据。用关系数据库来处理大数据时会碰到很多难以克服的困难。五年之内 2021年前 大数据难以取得根本性突破，大数据之梦十年以后才能梦想成真。维基百科有关大数据的定义也明确指出目前的主流软件工具不能高效地处理大数据，要高效处理大数据必需开发新的软件工具。现在的大多数信息系统所产生的数据全部存贮在关系数据库系统中。关系数据库中的数据的一大特点 或说一大问题 就是“数据严重依靠于数据库系统及应用程序”，当关系数据库系统中的数据脱离了对应的数据库系统及应用程序后，这些数据基础上就成了难以阅读的无用数据。医疗大数据和医院信息系统之间的含有本质的差异假如把全国各家医院所产生的数据全部集中上传

13、到国家医疗大数据中心，这些数据的数据量一定会很庞大，这些数据能不能称为国家医疗大数据？按维基百科对大数据的定义：“大数据是指所包括的数据量规模巨大到无法经过现在主流软件工具，在合理时间内达成获取、处理的数据。”这些数据能够称为国家医疗大数据。维基百科的定义也明确地说明了把全国各家医院全部集中起来的“数据量规模巨大到无法经过现在主流软件工具，在合理时间内达成获取、处理”。为何不能处理呢？比如，患者就医时，医生很关心患者的病史。医生能否从国家医疗大数据中心取得患者在全国任意一家医院就医时的全部病历呢？假设全国各家医院的全部信息系统所产生的数据全部已全部集中在国家医疗大数据中心，而且医生含有取得这些

14、数据的权限。截至2021年3月底，全国医疗卫生机构数达万个，其中：医院万个，基层医疗卫生机构万个，专业公共卫生机构万个，其它机构万个。全国按万家医院计算，一家医院按4个信息系统计算，全国共有10万个医院信息系统，这些信息系统所产生的数据存贮在数千万张表中。医疗大数据应该说是永久有用的，可用来研究人类疾病的历史改变情况。所以，国家医疗大数据应是整个国家数年内、数十年内所产生的全部数据的总和，甚至需要存贮数百年、数千年。国家医疗大数据所包括的信息量是通常的医院信息系统的数据量的数万倍、数十万倍以上。医生要想取得患者以往的病史数据，就必需从数据千万张表中查询患者的病史数据。了解关系数据库理论者全部知

15、道，假如说仅有表中的数据，没有对应的软件工具，那么，从数千万张表中查询数据，即使最优异的程序员，在现在的技术条件下，一周的时间内肯定查不出来患者的全部病史数据。因为程序员在查询数据前，首先要搞清楚以下问题：1、这些数据分别是哪家医院所产生的？2、这些数据分别是什么样的数据库系统产生的？3、这些数据分别存贮在哪些表中？4、各张表的结构是什么？5、表中会含有大量的代码，各个代码的含义是什么？6、同一数据库中会有多张表，这些表之间的关系是什么？7、各张表中所存贮的是什么数据？数据的类型是什么？国家医疗大数据文件中含有数千万张表，一张表具体情况说明基础上要用一页复印的信息量来描述，共需数千万页复印纸才

16、能描述清楚全部表的基础情况。面对全国万家医疗机构，2万多家有一定规模的医院，数万个医院信息系统，数千万张表，程序员在一周的时间内肯定搞不清楚上述问题。从理论上而言，只要有数据，程序员能够查询到任何需要信息，然而因为国家医疗大数据的数据量太大，数据关系太复杂，数据结构太多、数据类型太多、不标准的数据太多，结果是太难太难。处理小数据时并未感到关系数据库有什么不足之处，在大数据时代大家已认识到关系数据库系统不适合处理大数据。小问题放大万倍就会大的吓人国家医疗大数据并不是把全国各家医院所产生的数据全部集中在一起就能够称作是合格的医疗大数据。假如仅是把全国各家医院所产生的数据全部集中在一起，而没有处理这

17、些数据的应用程序，那么，这些数据也没什么用处。现在不是没有大数据，而是有很多大数据，然而大家不能高效地对这些数据进行处理。到现在为止，还没有成功处理上万家医疗机构所产生的医疗大数据的成功案例。大数据比小数据大多少倍？现在没有明确的定义，应该说真正的大数据要比小数据大一万倍以上，最少也应大一百倍以上。大数据的大表现在：一是数据量大 是小数据“万倍以上” ，二是数据类型多 是小数据“万倍以上” ，三是所包括到的单位多 是小数据“万倍以上” ，四是所包括到的用户多个多样 是小数据“万倍以上” ，五是对数据的需求多个多样而且不确定 是小数据“万倍以上” 。在处理大数据时，会有很多的“万倍以上”的问题。

18、3岁儿童全部能够数清楚自已家里有几口人，然而全国有多少人？因为人数十分庞大，全国人口普查就成了一项十分艰巨的大工程。自有些人类以来，还无人能够数百之百正确地数清楚全球在某段时间内的人数。大家全部认为当今的计算机技术已很优秀，然而时至今日，全球、全国的人口普查全部做不到百分之百正确。中国历次人口普查全部要花费大量的人力、物力。宇宙之中有多少个星球体？谁也数不清，因为整个宇宙实在是太大了，宇宙中的星球数量实在是太多了，谁也数不清，永远也数不清。事物的数量大到一定程度后一项很简单的工作就会变成一项很艰巨的大工程。小数据所处理的数据如同儿童数家里的人数，大数据所处理的数据如同全国人口普查。大数据的特点

19、：小数据中的小问题一旦放大万倍就会大的吓人！在大数据处理中，会碰到数量众多的小问题。目前的绝大多数信息系统全部是用关系数据库系统而建立的。在设计数据库系统时，设计人员习惯于用代码来表示多种数据，比如部分设计人员人用数字“0”来代表女性、用“1”代表男性 ，有的用“m”来代表男性、“F”来代表女性。全国各行各业拥有数千万个信息系统，其中的数千万张表中拥有些人的性别这种字段。在目前的情况下，大家是用数据抽取的方法来而使性别这种字段中的数据全部转换为统一的、标准的数据，比如统一为“男”、“女”。要把全国数千万张表中的性别数据全部转换为统一的数据，就是一项很艰巨的系统工程。要真正建立起国家医疗大数据，

20、要处理很多个数量十分庞大的小问题。大数据通常比小数据大数万倍、数十万倍，小数据中的小问题一旦放大数万倍、数十万倍就会大的吓人！在小数据时代，大家所设计的信息系统只是用来处理某个机构、某个部门内部的某个局部问题进行统计、分析，一个信息系统中只有几张表、几十张表。在大数据时代，大家更关注全国，甚至全球范围内的对全部事物进行统计、分析，包括到数百万、数千万个信息系统、数亿张表。小数据是为机构内部的人员所使用，是从机构的角度看问题，而大数据而是从全国，甚至全球来考虑问题。对医疗行业而言，全国拥有近万家医疗机构，数百万从业人员，为全国13亿人服务。现在商业智能所处理的还只是一家企业内部的数据，大家已感到

21、对企业内部的数十个信息系统中的数据进行处理已很困难，而大数据所要处理的是整个行业的数据，比商业智能复杂数万倍。l大数据=价值大=困难大=问题大=代价大医疗大数据面临八大难题目前我国的各家医院的多种信息系统全部是为了满足自己的需求而开发的，能够比很好地满足各家医院自己的多种需求，并发挥出了主要的作用。然而，当大家从国家医疗大数据的角度来考虑问题时，就会发觉要从全国的全部医疗机构的全部信息系统中挖掘出有价值的信息实在是大难了！关键有下述八大难题。1、各自为政：各家医疗机构各自为政，全部想要他人的的数据，全部不期望自己的数据共享给她人。到现在为止，医疗数据全部存贮在各家医疗机构内部，从各家医疗机构取

22、得数据很难。2、数据不标准：医疗行业还未建立全国统一的、标准化、规范的数据，各家医院的医疗数据各不相同。数据不标准问题是影响大数据处理的一个重大问题，在大数据时代，各行各业的数据标准化工作是大数据的一项很主要的基础工作，这项基础工作搞不好，大数据挖掘工作不可能搞好。医疗行业的数据标准化工作也是一项工程量巨大的系统工程，需要大量的医务人员共同参加才能完成。我国还未做好这项基础工作。数据不标准、不规范，会严重影响数据挖掘的结果。数据不一致能够有多个情况，如数据类型不一致，随意缩写造成的不一致，计量单位不一致等。当从多个不一样的数据源整合数据时，因为定义的不一样，更轻易产生数据不一致问题。在不一样的

23、数据源中，相同类型的信息可能表现为不一样的格式。比如，电话号码通常定义为字符型数据，但在有些数据源中可能将定义数值型数据，所以应将其标准化。经典的例子是字段“性别”，部分人用数字“0”、“1”、“2”来表示“不清”、“男”、“女”。而在其它数据库中，可能直接用“不清”、“男”、“女”来描述。另一个情况是字段值在不一样的数据源中不一致，如“出生地”可能分别使用“上海”、“沪”、“上海市”、“沪市”、“SHANGHAI”、“SH”等表示上海市出生的人。处理这一问题首先应该进行标准化，然后依据标准逐步消除数据不一致的问题。3、业务及业务步骤不标准：要对全国的某个行业的大数据进行分析统一，行业内的业务

24、及业务步骤的标准化工作也是一项很主要的工作，不然，各个机构的数据也就会百花齐放、各不相同，不利于分析统计。4、数据多样性数据结构不标准、不统一：全国有万家医疗机构，这些机构的全部信息系统有数十万个，这些系统由不一样的开发商所开发，各系统的数据结构不尽相同。每家医院的信息化工作全部包括几十个厂家，每个厂家的数据、标准、采集、存放全部不一样。所以，即便是在一家医院，全部会出现很多孤岛，更别说整个医疗行业了。各家医院信息系统的标准、接口全部不一样，这成为利用率低、共享难的原因之一。5、数据和数据库系统、应用系统亲密不可分：关系数据库系统中的每一个数据全部要先定义数据结构才能入住数据库。信息系统的最终

25、用户所看到的数据全部需要应用程序的解读，最终用户看不懂关系数据库中的数据。6、不能实现医学信息的结构化存贮：医学信息很复杂，医务人员习惯于用自然语言编写多种医学档案，比如医生全部是用自然语言编写病历。然而，计算机很笨，不能了解自然语言，所以只有把医学信息结构化以后进行存贮，才能用计算机进行处理。而目前的众多医学信息全部未能很好地进行结构化存贮。7、信息孤岛：各家医院的各个信息系统不能实现全国互联互通。8、老系统升级改造难题：目前的信息系统全部是小数据系统，不适应大数据时代的需求，然而要对现有的信息系统进行全方面改造也是很困难的，其代价也是很高昂的。为何要升级改造？因为目前的各家医院的信息系统所

26、产生的数据各不相同，数据不标准、不规范。要对大数据进行处理，必需确保全国各家医疗机构的信息系统所产生的数据是统一的、标准的、规范的医学标准数据。只有这么，才能高效处理大数据。从理论上而言，医疗大数据挖掘很简单，只要懂关系数据库，基础上就能对医疗大数据进行挖掘。然而，要想对全国近百万个医疗机构、数十万个信息系统的全部数据进行高效地挖掘，所面临的挑战是很严重的。怎样处理八大难题?1、各自为政：这个问题必需国家卫生和计划生育委员会以行政命令的方法来处理，强制要求各医疗单位实时地把多种医疗信息上传到国家医疗大数据中心。若没有强制的行政命令，不可能建立起合格的国家医疗大数据。2、数据不标准难题：此难题包

27、括到的数据量太大、工程量太大。国家卫计委及大家士虽说早就注意到此问题的存在，然而直到现在还未从根本上处理医疗行业的数据标准化问题。此问题不从根本上处理，那么医疗大数据的挖掘就等于说大话。医疗行业数据标准化工作是大数据挖掘的基础工作。此问题应该由国家卫计委组织业内外力量来处理，处理此问题需要3至5年的时间。有了国家医疗大数据标准以后，还需要用标准的医疗数据去替代现有的不标准的医疗数据，而此项工作的工作量也是很巨大的。标准化工作是不盈利的基础性工作，商业机构没有从事这项工作的动力，应该由国家卫计委来处理。3、业务、业务步骤不标准：现在全国各医疗机构的业务及业务步骤并不标准，所以，各医疗机构所产生的

28、数据也各不一样。要建立国家医疗大数据，就必需道先对全国医疗机构的业务步骤进行标准化处理，这也是一项工程量巨大的基础性系统工程。这项工作也应该由国家卫计委来处理。此项工作最快需要三至五年的时间才能完成。l只有处理了上述三项基础性问题，才能够建立起国家医疗大数据这个大厦的坚实地基，不然医疗大数据只能是空中楼阁。因为上述三个原因牵涉到全国各个医疗机构的方方面面，很复杂，十年之内极难看到真正的国家医疗大数据的曙光。下述4个问题属于技术问题，关系数据库理论处理不了这4个问题，可由创造专利技术“医学信息的结构化存贮方法”从技术上加以根本处理：4、数据多样性数据结构不标准、不统一：现在关系数据库占据统治地位

29、，绝大多数信息系统全部是用关系数据库而建立的。医院的多种信息系统中，多数也是用关系数据库系统而建立。比如，现在我国医疗行业的HIS系统是由多个开发商所开发，各家开发商所用的数据库系统不一样，所用的数据结构结构及数据类型也不一样。所以，假如要对全国各家医疗机构的HIS系统中的数据进行分析，那么首先就要把多种数据全部转换为同一的数据结构，然后才能对数据进行分析统计。然而要对全国近百万个医疗机构的数十万个、数百万个信息系统中的数据进行转换，也是一项工程量巨大的系统工程。另一外很主要的问题是，全部这些信息系统中的数据要转换为哪一个统一的、标准的数据结构，也是需要国家卫计委制订对应的标准、规范。5、数据

30、和数据库系统、应用系统密不可分。6、不能实现医学信息的结构化存贮：医学信息很复杂，用关系数据库不能实现病历信息的结构化存贮。有些人用XmL实现病历信息的结构化存贮，然而XmL只适合处于少许数据，不适合对全国的病历信息的处理。7、信息孤岛。8、信息系统改造：现有的医疗信息系统就如同广州的城中村，广州的城中村虽有一定的作用，然而城中村和广州这么的国际化大城市很不协调。改造广州城中村的最好方案就是推倒重建，局部的修补是没用的。然而要全部推倒重建，所花费的资金是很巨大的。国家大数据标准工程堪比“两弹一星”大数据工程，标准先行。国家大数据标准的工程的工程量要比“两弹一星”的工程量大。国家大数据标准包括到

31、每一个行业，也包括到多种多样的业务。大数据标准包括数据的标准化、数据结构的标准化、业务的标准化、业务步骤的标准化。大数据标准化工作完成以后还要对现有的信息系统进行改造，这种改造的工程量及代价也是很高昂的。现在的信息系统所产生的数据不适应大数据的需求。历史对秦始皇统一文字、统一度量衡、统一货币的评价很高：功惠千秋。大数据所面临的问题也如同秦始皇时代所面临的“文字不统一、度量衡不统一、货币不统一”问题。所以，要处理大数据所面临的问题，也需要由秦国、秦始皇那样强大的机构、领袖人物以行政命令的形式强制推行，才能从根本上处理问题。大数据八大难题中的五大难题 各自为政、数据不标准、业务步骤不标准、数据多样

32、性数据结构不标准、不统一、信息孤岛 和秦始皇曾经碰到的问题有些类似。为处理千年虫问题，全球花费了超千亿美元的资金。根本砸烂小数据而建立大数据新环境的代价远远超出千年虫问题。千年虫只是处理一个时间数据的问题，而根本砸烂小数据建立大数据新环境则包括到几乎全部信息系统的全部数据！小数据：只要能满足自己需求，能处理自己的问题即可。大数据：不只是满足自己的需求、处理自己的问题，还要考虑她人的需求。关键是怎样让她人能够找到所需要的数据。要让她人、大家找到所需要的数据，最主要的是大家全部要遵照相同的标准，大家全部讲一般话，而不是方言，这如同泰始皇统一六国后的“书同文”的标准化改革。目前在处理大数据时的首要工

33、作就是数据抽取 ETL：“Extract”、“Transform”、“Load”，“抽取”、“转换”、“装载” ，其实数据抽取工作也类似“秦始皇的书同文”，只是数据抽取并未能真正象秦始那样从根本上处理书同文问题。要使大数据真正做到“书同文”，需要象秦始皇那样从根本上处理问题。而真正实现大数据“书同文”时，就不再需要数据抽取。和目前大家所提到的大数据相比，关系数据库所处理的数据则是小数据。大数据中的数据是数万家、数十万家以上的各中机构中多种数据的总和。而关系数据库所处理的小数据则是一家机构或几家机构中的部分数据。当我们面对数十万个、数百万个以上的信息系统中的数据 大数据 时，就会发觉，我们面临很

34、多挑战：“ 维基百科对大数据的定义 无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理”。也就说明用关系数据库系统已“无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理”大数据。在小数据时代，信息系统的用户是经过应用程序而查到自己所需要的数据，而信息系统对关系数据库中的数据进行处理后而以用户能够了解的形式展现给用户。然而，在大数据时代，这种方法行不通了。因为在小数据时代，我们所要处理的数据是有限的、可确定的，而在大数据时代，我们所要处理的数据是无限的，不确定的数据。秦始皇之因此能使“书同文”成为现实，是因为她拥有至高无上的权威；“两弹一星”之因此能成功，关键在于“两弹一星”关系

35、到国家的生死存亡，国家大力支持。大数据的成败和国家的支持是分不开的。医疗行业的信息系统顶层设计为何难产国家卫生和计划生育委员会几年前就注意到了医疗行业信息系统顶层设计的主要性，并期望从根本上处理此问题，但至今未能从根本上实现医疗行业信息系统的顶层设计。为何要进行顶层设计？因为目前的多种医院信息系统存在严重的问题，信息孤岛问题严重，不能互联互通。顶层设计建立在医疗数据标准化、医疗业务步骤标准化的基础之上。而现在医疗数据标准化、医疗业务步骤标准化这两个基础工作还未做好，所以顶层设计就不可能有结果。技术上的原因：关系数据库理论的先天不足。客观原因：问题很复杂、牵涉面太广、所需资金很巨大。顶层设计很难

36、，比顶层设计更难的是有了顶层设计以后再对全国的医疗信息系统进行全方面更新换代。大数据挖掘中的问题：大数据的关键不在于大而在于怎样挖掘假如把全国万个医疗卫生机构所产生的数据全部存贮到国家医疗大数据中心，这些数据能够称作是“国家医疗大数据”，然而这么的数据并不能称作是真正合格的“国家医疗大数据”，因为，对这么的数据的挖掘很困难，从这些数据中挖掘出有用数据的代价很高，如同沙里淘金，大海捞针。大数据不是小数据之和。大数据的关键不在于大，而在于挖掘。只有能够让大家高效挖掘、任意挖掘的大数据才是真正合格的大数据。中国医疗行业每十二个月产生多少数据国家医疗大数据的概况：截至2021年3月底，全国医疗卫生机构

37、数达万个，其中：医院万个，基层医疗卫生机构万个，专业公共卫生机构万个，其它机构万个。仅按全国拥有万家医院、每家医院4个信息系统计算，全国约有10万个以上的医院信息系统，每个信息系统按20张表估算，全国共拥有200百万张表。除了存贮在关系数据库系统中的数据外，还有其它类型的数据：XmL、音像、文本等。国家医疗大数据的数据量估算：南京军区南京总医院现在拥有5台存放设备，2台专用于PAcS，其中HIS、LIS、EmR等数据3T，病案缩微数据12T，PAcS数据120T左右，每个月的数据增加为2T左右，每十二个月产生的数据量：24T/年。国家医疗大数据的数据量估算=万家 未计小医疗机构的数据 *24T

38、/年=60万T/年。国家医疗大数据的数据量估算：6万T/年至100万T/年。挖掘关系数据库系统所产生的医疗数据很困难假如全国万家医疗机构以镜像的方法把全部数据全部上传到国家医疗大数据中心，那么该怎样对这些数据进行挖掘？全国共有万家医疗机构，这些医疗机构所拥有的信息系统有10万个以上，这些医疗机构所拥有的数据库有10万个以上，这些数据库中的表有200万张以上。这些医疗机构的数据存贮在数十万个以上的文件夹中 存贮XmL、音像、文本等数据 。患者病史可能是患者自出生以来的全部情况，病史数据可能存贮在几十年的数据中，并不但是一年的数据中。目前的大多数医疗数据全部是存贮在关系数据库中，关系数据库中的数据

39、和数据库系统亲密相关、和数据结构亲密相关、和应用程序亲密相关、数据不标准。假如只是以镜像的方法把全国万家医疗机构的数据全部上传到国家医疗大数据中心，要从这些数据中挖掘数据，也是很困难的。要从国家医疗大数据中查询患者病历数据，必须首先搞清楚以下情况：l10万个以上的数据库各用什么数据库系统？l10万个以上的数据库的数据存贮在哪里？IP？怎样访问数据库 帐号 ？l100万张以上的表中的每张表的数据结构l100万张以上的表中各表之间的关系l100万张以上的表中的各个数据代码的含义l10万个以上的文件夹中存贮什么样的数据基础医疗数据大多存在于HIS、LIS、PAcS、EmR、手术麻醉、体检、心电等多个

40、子系统中。各系统于不一样的生产厂商，数据存放在不一样的数据库，数据多而散，数据库的设计缺乏标准化，不一样数据库中的数据靠患者主索引等进行关联，关联关系相当复杂。各自厂家研发人员除了对自家系统的数据结构很了解之外，缺乏对其它系统数据结构的了解，整体数据分析能力较差。专业做数据分析及整合的企业，缺乏对医院实际操作步骤的深入了解，造成对数据流向及关联关系的分析不够正确，且极难正确的拿到各子系统的基础数据，最终未必能做到数据全方面、正确。仅患者和数据的对应关系就是一个大问题假如说要从国家医疗大数据中查询患者影像数据，那么，该怎样实现？在目前的医疗信息系统中，有关患者的编码并不是唯一的，也不是全国统一的

41、。要查询某个患者的医疗数据，最理想的查询方法就是以患者的身份证号作为查询条件而查询相关数据。因为现在我国的多种医疗信息系统中的各个表中并不一定拥有患者身份证这一字段，从而使查询变得很繁琐。比如：下面的表中的数据是一个PAcS系统中的数据。此表中并没有包含能够直接识别患者身份的数据。因为由下表中的“姓名”及“门诊及住院号”并不能正确地识别出是哪一个患者。我国同名的人很多，仅由姓名查义患者的数据是不行的。“门诊及住院号”只是各家医院自己的编号，也不能把“门诊及住院号”作为查询条件。在上面的PAcS系统表中未包含患者身份证数据。所以，需要从HIS系统中依据患者身份证号而查出患者的“门诊或住院号”，再

42、依据“门诊或住院号”而从PAcS系统表中查出PAcS影像数据。“患者和数据的对应关系”这么的问题其实是大数据中的一个很突出的问题。为了查询的方便，一定要把数据的最关键的特征在数据中表现出来。但关系数据库理论未考虑此问题。在大数据挖掘中，仅是确定患者的身份就是一项艰巨的工程。对小数据而言，程序员知道相关的数据存贮在哪个表中，但在大数据环境中，程序员不知道想要查询的数据存贮在哪里。关系数据库理论的致命伤关系数据库系统只适合于处理小数据，而不适合处理大数据，其根本原因在于关系数据库理论的先天不足。关系数据库中的数据在大数据环境中为何变成无意义的数据假如在国家医疗大数据中心查询到下表的数据，谁能看懂？

43、该表中的数据是某家医院的信息系统中的关系数据库中的数据，一般人看不懂，医生也只能靠猜测才能猜出部分内容。下面的两张表中的数据也是关系数据库中的数据，这两张表中的数据也是一般人难以看懂的：IDXmXBNLTZSG1张三男5672180IDXmXBZyFXyFQTFy2146张三男5672180上面两表中的数据的实际含义以下：ID姓名性别所龄体重身高1张三男5672180ID姓名性别中药费西药费其它费用2146张三男5672180下表是用创造专利技术“医学信息的结构化存贮方法”而设计的表，该表中的数据不论是谁，只要懂汉语，就能够看懂表中内容：ID事物代号事物特征事物特征值超长特征值单位附件时间10

44、0280事物分类体育管理系统事物分类教练信息事物分类教练基础情况身份证号XXXXXXXXXX姓名张三性别男年纪56体重72kG身高180cm事物分类病历事物分类住院病历事物分类医疗费用身份证号XXXXXXXXXX住院号XXXXXXXXXX姓名张三性别男中药费56元西药费72元其它费用180元相对大数据而言，关系数据库理论是小数据时代的产物，只适合处理小数据，而不适合处理大数据。关系数据库中的数据基础上全部是不合格的失真数据，因为关系数据库系统所面正确用户只是熟悉关系数据库理论的设计人员，而不是最终的用户。关系数据库的最终用户所看到的数据是设计人员利用应用程序对关系数据库中的数据进行解读以后的数

45、据，最终用户并不是直接阅读关系数据库中的数据。最终用户也看不懂关系数据库中的数据。关系数据库理论很重视数据的冗余，用关系数据库所建立的信息系统所产生的数据所占用的存贮空间比较小，但关系数据库在降低数据冗余的同时也造成关系数据库中的数据只有经过应用程序的解读才能让最终用户读懂数据的含义。关系数据理论的一个致命伤就是由设计人员随意定义数据结构 表结构 ，关系数据库理论中没有定义数据结构的国际标准。由此而带来的严重问题就是不一样的设计者所设计出的数据结构各不相同，每一个信息系统只认识自己所定义的数据，而不认识其它信息系统所定义的数据。系统和系统之间不能互联互通，用关系数据库理论所设计出的信息系统全部

46、是孤岛型信息系统。在小数据环境中，可由应用程序来解读数据的真实含义。然而在大数据环境中，面对数百万张以上的表，就是灾难。数据如同语言，数据互联互通、信息共享的基础就是大家全部讲“一般话”。而用关系数据库理论所设计的每一个信息系统全部有自己独特的“方言”，任何两个信息系统之间谁也听不懂对方的“方言”。关系数据库理论中根本就没有“一般话”的概念。在小数据时代，一个信息系统只应用于一个单位，甚至只应用于某个部门，比如医院的HIS系统、PAcS系统、LIS系统。在互联网时代、大数据时代，大家逐步发觉信息系统之间的互联互通、信息共享，和处理数百万家单位的全部数据含有更大的价值。此时大家才发觉原来用关系数

47、据库理论所设计的信息系统不能互联互通，用关系数据库理论不能处理数百万家单位所产生的大数据。关系数据库理论是单机时代时代的产物。在创建关系数据理论之初根本就没有考虑系统之间的互联互通、信息共享、大数据问题。关系数据库理论只适合用于一个单位内部，不适合于处理单位之间数据互联互通。关系数据库理论于1970年的6月由IBm企业的研究员埃德加.考特 EdgarFrankcodd 创建论文名称为大型共享数据库数据的关系模型 ARelationalmodelofDataforLargeSharedDataBanks 。oRAcLE诞生于1979年。关系数据库是信息化社会的功臣，也是当今严重的信息孤岛的罪魁祸

48、首！关系数据库理论是单机时代、局域网时代的产物，是一个以自我为“中心”的孤岛型理论，没有和外界进行数据交换及数据共享的概念，也没有数据接口及互联互通的概念。而当今的互联网是一个没有中心的网络，系统之间的互联互通是重中之重。用关系数据库理论所建立的信息系统全部是孤岛型的，不能互联互通。关系数据库的特点是：鸡犬之声相闻，老死不相往来。我只处理我的系统中的数据，我不处理你的系统中的数据，你也不能处理我的系统中的数据。我不论你的数据，你也别想管我的数据。我的就是我的，你的就是你的，你我之间没关系。你的数据来到我的系统中是无意义的数据，我的数据到了你的系统中也是意义的数据。我的数据只能在我的系统中生存，

49、你的数据只能在你的系统中生存。正因如此，用关系数据库理论所设计出的信息系统全全部是孤岛型信息系统。关系数据库系统是一个完全封闭的系统：外来数据无法入住关系数据库系统如同私人住宅，只有家庭组员才能入住，外人莫入。大数据所需要的是旅馆。旅馆向全部人开放，谁来了全部能够入住，只要有房间。关系数据库系统中并没有现成的位置供数据入住到数据库中，数据要入住关系数据库系统中，首先必需先为其定义数据结构，或说只有已定义数据结构的数据入能入住到数据库中，而绝大多数外来数据全部未经过定义，所以，外来数据全部不能入住到数据库系统中。关系数据库中的数据和数据系统密不可分关系数据库有多个 oRAcLE、SQLSERVE

50、R、DB2、AccESS等等 ，每一个数据库全部有自己的特点，多种数据库系统只能处理自己的数据，不能处理其它系统的数据，比如由oRAcLE所产生的数据只能由oRAcLE系统处理，SQLSERVER处理不了oRAcLE所产生的数据。关系数据库中的数据在对应的数据库系统中才是有意义的，一旦脱离了对应的数据库系统就成了无意义的数据。关系数据库中的数据和数据结构密不可分关系数据库中的每一个数据全部是有数据结构的，一旦失去对应的数据结构，就成了无意义的数据。对小数据而言，一个信息系统只有几张表、几十张表，多的也只有几百张表。而对大数据而言，比如国家医疗大数据，就会包括到数十万个信息系统中的数百万张表。而

51、现有的信息系统全部只是小数据信息系统，只能认识自己的系统中的数据，全部不认识其它系统的数据，全部不能处理其它系统的数据。对关系数据库而言，它只能处理特定的数据，所谓特定的数据就是只有事先在关系数据库定义了结构的数据关系数据库才能处理，不能处理事先未定义结构的数据。而大数据所面临的数据以不确定，或不好确定为特点，面对不确定的数据、不确定的数据结构，关系数据库无能为力。大数据的特点：大数据所面临的是无穷的数据、无穷的数据结构，这是关系数据库所不能处理的。所以，要处理大数据，必需从根本上处理大数据所包括到的“无穷的数据、无穷的数据结构”问题。比如，真正合格的大数据处理软件工具，不仅能够处理国家医疗大

52、数据，也应该能够其它各行各业的数据。关系数据库中的数据和应用程序密不可分现在的信息系统全部是经过应用程序来解读关系数据库中的数据，而每个应用程序只能解读自己的系统中的数据而无法解读其它系统中的数据。关系数据库中的数据不具独立性、完整性，数据一旦脱离对应的数据库系统及对应的应用程序就变成了无意义的数据。比如，程序员在设计信息系统时习常用代码来表示数据，比如有的用“1”代表男性，用“0”代表女生，而另部分人则用“m”代表男性，用“w”代表女性。在医院信息系统中，各个信息系统可由应用程序来解读各个代码，然而，在医疗大数据挖掘中，这种不规范、不标准、不统一的代码带给数据挖掘人员的将是灾难！因为医疗大数

53、据挖掘人员所面临的是全国数万家医院的数十万个信息系统。若要对数十万个信息系统的数据中的代码进行分析、转换，将是一项工程量很巨在的工程。所以，对大数据而言，尽可能不要在数据库中采取代码。比如下表中的“性别码”、“婚否码”：关系数据库中的数据一旦脱离对应的系统就成了无意义的数据关系数据库中的数据只有在某个特定的系统中才有意义，一旦脱离了这个系统就成了无意义的数据。正因如此。也能够认为关系数据库中所存贮的根本就不是最终用户所能读懂的数据，而是只是专业的设计人员自己才能懂的“代码”。关系数据库无法实现病历信息的结构化存贮结构化电子病历系统是医院信息系统的关键，这是国际上公认的。关系数据库能够应用于各行

54、各业，然而在医疗行业关系数据库碰到了巨大挑战，正确地说是束手无策，医学信息很复杂，用关系数据库不能实现病历信息的结构化存贮。XmL虽说能够实现病历信息的结构化，然而要从全国每十二个月所产生的几十亿份电子病历中查询信息是很困难的，查询速度很低。用医学信息的结构化存贮方法能够在关系数据库中实现电子病历信息及医学知识库信息的结构化存贮，查询速度远远超出从XmL电子病历中查询信息的速度。医学信息的结构化存贮方法可用于各行各业，最突出的应用则是在医疗行业。关系数据库中的数据全部是“方言”，大数据需要的是“一般话”用关系数据库所设计出的每一个信息系统全部有自己特定的“方言”。关系数据库理论中没有“一般话”

55、的概念，每设计一个信息系统，就产生一个方言。系统之间谁也听不懂对方所讲的话，必需翻译才行。医疗行业的现实状况：相当于每个医疗信息系统讲一个方言，各医院之间不能互联互通，甚至同一家医院内部的信息系统之间也不能互联互通。在小数据时代，数据只是在一个单位内部使用，甚至只是在一个单位的某个部门使用。在大数据时代，最需要的是各个机构之间、各个系统之间的数据的互联互通，数据不只是在单位内部使用，也要供单位外的人使用。小数据系统只处理自己的数据，大数据系统要能够处理来自多种多样的小数据系统中的全部数据。大数据最需要的就是一般话，一个能够让各个信息系统全部能听懂的语言。关系数据库怎样处理国家医疗大数据中数万个

56、数据库、数千万张表例子：假如说全国的各家医疗机构的数据以镜像的方法全部上传到国家医疗大数据中心，那么，国家医疗大数据中就拥有10万个以上的医疗信息系统所产生的数据库，这些数据库中共含有数千万张表，该怎样编写一个通用的查询患者病史的通用应用软件？患者病史数据有可能包含在10万个以上的数据库中的数千万张以上的表中，全部数据库、全部表中的数据全部有可能包括到。要在国家医疗大数据中查询患者的病史数据，需要查询全国数十年内所产生的国家医疗大数据。首先需要搞清楚国家医疗大数据中的10万个以上的信息系统所产生的数据存贮在哪些数据库中，这些数据库的地址、是什么数据库系统所产生的数据，各数据库中含有哪些表，这些

57、表 数千万张表 的数据结构是什么、这些表之间的关系。其次是数据抽取 ETL ，然而要对数十万个数据库中的数千万张表中的数据进行抽取确实是一项工程量浩大的工程。l为了说明问题的简单化，下面以查询PAcS中的数据为例来说明问题。查询患者的病史应该以患者的身份证号作为查询条件，而不能以患者的姓名作为查询条件，因为我国有很多同名同姓者。假如一些医疗信息系统中未能使用患者的身份证号，那么，在大数据环境中，患者的病史数据基础上是查不到的，或说查起来很困难。查询过程以下：1、以身份证号为查询条件而查询患者曾经在哪家医院就医。通常是从HIS系统查询患者身份证号。面对数万个HIS系统，各由不一样的开发商所开发，

58、数据结构各不相同。要搞清楚对应的数据库及对应的表，也是一项大工程。2、从数万个HIS系统中的数十万个表中查询是否有对应的身份证号3、再以身份证号从数万个HIS系统中查询出对应的住院号、门诊号4、以住院号、门诊号而从数万个PAcS系统中查询对应PAcS数据。假如说哪家医院的信息系统的数据结构有改变，那么相关的程序全部要进行修改。这就是关系数据库的先天不足。而医院的信息系统的升级改造是很普遍的。这种升级改造对国家医疗大数据的通用查询软件工具也是一项大考验。上述例子表明，查询任何一个病史数据全部要编写大量的程序。假如对全国每十二个月的某种疾病进行统计，那么会因为各家医疗机构的信息系统所用的疾病名不标

59、准、不规范、不统一而带来很大的麻烦。病历数据存贮在XmL文件中。整年每十二个月产生76亿份病历，从76亿份病因中快速地查询数据也是很困难的。结论：处理数十万个关系数据库系统所产生的大数据是很困难的！大数据之梦十年后成真因为医疗大数据面临八大难题和对全国各家医疗医疗机构现有的信息系统进行全方面改造很困难，国家医疗大数据之梦十年后才能成真。大数据不但仅是数据问题，而是很复杂的综合问题。国家医疗大数据并不是把各家医疗机构的数据全部存贮到一个云平台就能称作是合格的国家医疗大数据。要建立合格的国家医疗大数据，需要对原有数据进行抽取，更需要对全国各家医疗机构现有的信息系统进行全方面整改。信息化社会由概念到

60、比较成熟用了30多年时间“信息化”的概念是上世纪60年代初提出的。在80年代，有关“信息社会”的较为流行的说法是“3c”社会 通讯化、计算机化和自动控制化 ，“3A”社会 工厂自动化、办公室自动化、家庭自动化 和“4A”社会 “3A”加农业自动化 。到了90年代，有关信息社会的说法又加上多媒体技术和信息高速公路。“信息化社会”的概念从提出到比效成熟用了30多年，而时至今日，“信化社会”之梦还没有全部成真。大数据的概念是2021年提出的，依据以往的经验，要发明一个时代，最起码以也十年以上的时间。千年虫问题的启示计算机2021年问题，又叫做“千年虫”、“电脑千禧年千年虫问题”或“千年危机”。缩写为

61、“y2k”。是指在一些使用了计算机程序的智能系统 包含计算机系统、自动控制芯片等 中，因为其中的年份只使用两位十进制数来表示，所以当系统进行 或包括到 跨世纪的日期处理运算时 如多个日期之间的计算或比较等 ，就会出现错误的结果，进而引发多种多样的系统功效紊乱甚至瓦解。所以从根本上说千年虫是一个程序处理日期上的BUG，而非病毒。“千年虫”问题的根源始于60年代。当初计算机存放器的成本很高，假如用四位数字表示年份，就要多占用存放器空间，就会使成本增加，所以为了节约存放空间，计算机系统的编程人员采取两位数字表示年份。伴随计算机技术的迅猛发展，即使以后存放器的价格降低了，但在计算机系统中使用两位数字来

62、表示年份的做法却因为思维上的惯性势力而被沿袭下来，年复一年，直到新世纪马上来临之际，大家才忽然意识到用两位数字表示年份将无法正确辨识公元2021年及其以后的年份。1997年，信息界开始拉起了“千年虫”警钟，并很快引发了全球关注。“千年虫”是人类不经意造成的失误，为了抓住这只“虫”，全球最少已花费2021亿美元 有的媒体报道为3000亿美元，有的为6000亿美元 。新年伊始，联合国“国际2021年问题协调中心”、美国的“国际千年虫监控中心”等机构前后宣告，133个国家的能源、通讯等十多个对“千年虫”敏感行业全部顺利过渡，仅十多个国家出现部分轻微案例，但均立即纠正，未造成严重后果。全球唯一受“千年

63、虫”严重影响的国家只有非洲的赞比亚，其政府、金融、电力、航空、服务一片混乱。政府宣告放假3日，避免社会功效瘫痪殃及其它系统。有些人称“千年虫”工程是人类最大的信息工程、人类最庞大的抢救工程。大数据工程远比千年虫问题复杂若用目前的技术怎样处理国家医疗大数据？首先是制订数据标准、数据结构标准，和业务和业务步骤的标准：这些工作的工程量很大，需要五年左右的时间才能完成。现在虽说大家已认识到了标准化工作的主要性，但在实际行动上的力度还不够。其次是数据抽取：对原有的数据进行抽取。若要对全国万家医疗机构所产生的全部数据进行抽取，其工程量也是很巨大的。这个抽取工作需要以国家医疗数据标准为基础。第三是对现有信息

64、系统的改造：只有对现有的信息系统进行根本改造才能产生标准化的数据，这么才能适应大数据的需要。然而对全国各家医院的信息系统进行全方面改造，所花费的代价是很高的。到现在为止，各行各业的信息系统基础上全部不标准，全部不适应大数据的需求，对现有信息系统的改造的代价远远超对千年虫问题的处理。第四是数据同时：对现有信息系统进行改造以后，数据要实时地同时到国家医疗大数据中心。五年之内 2021年前 医疗大数据只是纸上谈兵五年之内，医疗大数据还只是处于探索阶段、发展阶段。五年以后医疗大数据才能逐步变成现实。从某种方面而言，五年之内 2021年前 中国没有真正合格的国家医疗大数据。真正的合格的国家医疗大数据是能够进行高效挖掘的数据，并不是把全部的数据堆集在一起就能称为医疗大数据。不能进行高效处理、挖掘的数据只能称为“数据垃圾”，五年以后才能将“数据垃圾”变成宝。必需开发新