3.4健康信息的大数据及云平台的发展现状（二）在线视频

同学们好

下面我们开始介绍

健康云平台

和大数据的相关的技术架构的

第二部分

这张图的话

有几个关键性的一个分析

一个就是开放性

那么开放性的话主要是

医疗云平台要面向不同的主体

将服务分装成一系列的数据接口

在API

通过采用开放的授权技术

供第三方应用开发者

使用平台本身的一些资源

并提供统一的数据灵活接入

和安全调用的能力

促使的用户和患者

与医务人员和医疗机构之间

进行服务的提供

和安全可靠的一个交互

第二个的话就是可扩展性

我们知道的话

这可扩展性的方面

不仅是采用消息中间件实现平台之间

与外部系统交互的一个

高内聚或者低偶合的一个设计思想

而且的话在接口设计上的话

也兼容国内外标准

标准组织或者行业

通用的一个标准化协议

或者规范

为后续这个平台在运营过程中

不断演化提供一个有力的支撑

第三个的话就是

高并发

与负载均衡

所谓的话高并发的话

只指在线高峰期

服务器收到的高负荷访问

或者大量的并发请求

一般会造成影响时间长

数据易丢包或者是传输延迟

负载的这个均衡

是高并发特性的一个最佳决策方案

简而言之就是把

任务分摊到多个操作单元进行操作

如微博服务器

ftp服务器

企业关键应用服务器

和其他服务器等

从而共同的话了完成

工作任务

负载的均衡有四类

一个是软硬件负载均衡

一个是本地和全局的负载均衡

第四个就是

高可用性

就是通过尽量缩短日常的维护操作

和突发的系统崩溃

而导致的停机的时间

以提高系统或者应用的可运性

第五个就是高性能性

就高性能性

直接体现在用户在使用系统服务的过程中

感受到良好的且快捷的一个体验

那么这个图的话

就是平台云化解决方案

就是

云平台的一个解决方案

在医疗云平台的

它第一个的话就是云计算能力

医疗云平台

既要存储或者管理机构化的数据

又要面对半结构化和非结构的数据

因此

还都不成为一个构建云平台一个首选

那么都不是一个分布式的一个基础架构

用户可以在

不了解分布式底层细节的基础上的话

可以充分利用

集群的威力

进行高速运行或者存储

开发分布式的应用程序

那么都会有几个特点

一个是

高可扩展能力

一个是成本低

第三个效率高

第四个是可靠性高

再一个的话就是

数据的整合能力

在很多的之前的话

医疗数据往往存储在Oracle或者MySQL

或者其他的关系型数据库

或者非关系型数据库中

那么医疗平台的云化的话

首先面临的问题就是历史离线数据

这些数据的话

像很多分布式的一个文件系统

它的数据迁移的话

数据转换或者迁移的过程大致可以分为

抽取转换和装载三个步骤

那么数据的抽取转换

是根据旧系统

新旧系统的数据库的映射关系进行的

其中包括

对数据的差异性分析

转换步骤一般还包含了

数据的清洗过程

主要是针对原数据库出现的

包括恶意性

重复

不完整

违反业务等问题

数据进行一个相应的清洗操作

在清洗之前的话

需要进行一个数据质量的分析

找出可能存在的一些问题

数据装载的话

是通过装载工具或者自行编写的

这个程序的话

进行抽取

转换后加载到目标数据库当中

第三个的话就是分布式的存储能力

分布式存储能力的话

是一个可扩展的

是一个大数据仓库

这Hbase建立在一个mapReduce这个框架之上

利用这个HDFS的这个分布式的处理模式

融合的Tvalue这个存储模式

实现实时的查询能力

并通过mapReduce的这个实现

离线处理或者批处理

因而的话让用户

在大量的数据查询记录

并获得综合的分析报告

他这个Hbase的定义的话

有四个四维的数据模型

包括行见列举列修式符合版本

第四个的话就是分布式的离线处理能力

那哈托波尔设计的一个自身的核心构建

那么mapReduce对海量的数据

实行并行的计算

可以把工作流分布到大量的机器中

及通过对数据集的大规模的操作

分发给网络上的每个节点

实现可靠计算

每个节点的话将周期性地返回到

完成的工作量和最新的工作状态

那么在

医疗云分步计算中提供

包括数据集的划分

和计算

任务的调度

数据

还包括一些系统的优化等

接下来的话主要介绍

实时流处理能力

为了满足在线或者境线海量数据处理的需要

平台需要在很短的时间

完成时效性很强的一个数据处理任务

为此的话

医疗云平台

可能会引入上网的实时的计算系统

支持流式计算

批处理或者适时查询

那Storm只是一个分布式的

一个容错的实时的计算系统

他可以的话

方便的

在一个计算机群里面

编写成与扩展性

复杂性是实时计算

每秒可以处理数以百万计的一个消息

保证每个消息的话

都能够得到实时的一个处理

而且的话这个的话

可以支持开发人员用多种

编程语言进行开发

保证每一个消息的话能够

及时的处理

在任务失败时的话

要负责从消息源

重试消息

具有很好的一个容错性

第六的话就是内存计算能力

那么这个部分的话

是个医疗云平台

集成一个Spar内存计算这个集群

实现快速的数据分析

第三的话就是

数据安全和用户的隐私解决方案

从这个数据传输的角度来说

数据安全与用户的隐私

解决方案涉及到平台的数据加密

密钥的管理和隐私保护等多个环节

在数据的加密的话

是因为健康和医疗数据涉及的隐私

并与诊疗院要保险都有很大的关系

所以在医疗信息中必须要通过数据加密

来实现

对于大的信息系统而言

加密过程主要分为

一级加密或者二级加密

第二个的话就是

密钥管理的话

大的信息系统所需要

密钥种类和数量都很多

根据密钥的资质和重要性

把密钥化成几个级别

不同的级别的密钥可以分开存放

最好是异地或者异设备

秘钥的更新的话

如果系统

你使用的固定或者单一的必要的话

那么

足够多的数据传输或者存储操作

就有可能降低的

它的安全性

所以的话秘钥需要定期更新

或者的话不同的应用或者业务

需要不同的密钥

隐私保护的话

这个相关条例

就是主要是为了

做好医疗数据安全和隐私保护

需要首先明确政府和监管体系

在安全或者隐私保护上的作用

更好的建立健康医疗信息的市场

这里面主要包括几个方面

一个是隐私条例涉及到

个人健康信息的时候的话

要规定个人

可以了解或者控制自己的信息

如何被利用或者披露

医疗保健服务的提供者

无论规模大小

只要涉及到

健康信息的电子记录

都必须要遵从

健康信息保护还包括有两种

一种是

可以识别个人身份的健康信息

包括个人的基本数据

如身体或者精神健康状况

针对个人的医疗措施

医疗支付情况

第二个的话就是可识别

个人的

或者是通过合理推断

可以识别个人的身份信息

或者的话是通过身份识别信息

如姓名

地址 出生日期 社会保障

这些都属于隐私保护里面的相关内容

那么这张图的话

主要是介绍

健康医疗大数据的

一个架构的设计的一个要素

这个部分的话主要是

这么四大块

从这个图上来看的话

就是

一个就是

多元异构大数据的一个抽取和整合

多元异构数据的有效整合

是大数据分析和挖掘的一个前提

健康的一个大数据的话

主要是通过互联网+

应用中各类的可穿戴设备产生的

多模态的一个体征数据

情景数据

电子健康档案

以及网络空间

社交媒体相关的数据

医疗大数据的话

主要是从医院内部的

包括HIS

LIS

PACS各类医疗数据

另外还有一些其他类的

公共卫生数据

基因组学数据

还有这些多元化的一些数据

通过整合

取得获得一些元数据

或者规划的一些信息

数据整合的引擎

一般处理还包括

与外部的外部源

Source系统相连

解析输入文件

已识别元数据的格式

将其的话语存储的元数据映射表的

一些元数据格式进行一个语义的匹配

对输入的这个进行分割以及利用

并行机制汇总到这个数据的话

转化成一个目标系统

进行了数据格式

最后的话连接是目标系统

将其写入

或者存储

第二个部分的话就是

海量的数据存储

统一的存储

海量数据的话

统一存储是大数据分析的一个基础

以用户或者患者为中心的

设计的海量数据存储的话

这个模型

围绕着用户的健康档案

按照统一的格式

或者规范来实现的

他面临的话有几个挑战

一个是支持

对前述各类数据的一个增加

删除 查询或者修改

以保证这些操作有一个可靠性和一致性

第二个的话

随着电子病历或者影像

或者通讯的Parcs系统的用户量

和数据量的一个飞速增长

在数据的存储规模

达到一定程度的时候的话

要让它能够实现

存储量的自动的增长或者负载平衡

第三的话就是

分布式并行数据处理

高效的分布式的并行数据处理的话

是大数据的一个关键技术

为了支撑

各类复杂多样的大数据应用场景的话

需要频繁对这些繁杂的大规模的结构化的

或者非结构化的数据进行处理

实现这些

数据的高效分布并行处理

是非常关键的

第四个健康医疗大数据的

分析和存储

这个部分的话

是从海量的多元的异构数据中

挖掘发现知识和获取

所关注的问题的一些

新的见解和解决方案

以实现数据资源的巨大潜力

和它的价值

给数据拥有者或者其他利益相关方

带来更好的帮助

再一个方面的话就是要基于

患者健康医护过程的大量门诊和临床数据

针对特定的专业需求和应用场景

可以构建复杂的计算模型和学习算法

实现相应的大数据的分析

服务引擎

如

患病的风险预测

慢性病的发展趋势的分析

关键致病因素的发现

来协同推进和多维数据可视化的处理

另一个方面的话

要结合医疗机构综合管理

公共卫生或者疫情的管理

信息共享和交换

以及其他卫生主题等业务需求

对各类医疗

业务进行一个汇总统计构成分析

对比分析 因素分析等等

通过各种表单

或者图表

能够直观的

可视化的能够体现

它的一些价值

能够支撑系统

进行一些决策和服务

从这张图我们可以看出的话

四个方面

一个就是健康促进 量化自我

洞察自身

改善行为

健康促进

其实我们前面说了很多了

健康促进是通过这个佩戴

或者多个或者复合式的一个可穿戴设备

对个人的日常生活进行一些跟踪

运动 睡眠等等

实现身体的

健康体征的自我量化

随着技术的不断进步

各种的智能穿戴设备

也是层出不穷的

我们要通过这种

大量的生理指标的数据源

进行一些收集和分析

能够帮助或者辅助患者的话

对日后的一些康复

提供一些更多的一些知识

第二个的话就是

慢性病的管理

慢性病的管理的话

要做到这种预防疾病和风险控制

大家知道的话

疾病预防主要是通过大量的病例

或者是相关的人口统计学的数据挖掘和分析

总结出致病的因素

并根据健康人群的健康档案的信息评估

患者的一些风险

知道患者的趋避利害

降低患病的几率

那么健康大数据的话

可以分析患病或者各种因素的相关性

找出关键风险因子

第三个的话就是

诊断治疗

主要就是从

智能临床决策支持或者信息挖掘

对患者病情严重程度的情况的话

能够实施评估 预测

有助于的话

临床医务人员快速的确定

患者或者病人这种状态

及时的制定 治疗或者护理计划

通过大量的患者多模态的生理数据的分析

可以提高

对患者病情的严重程度进行一个评估

更好的预测病情的发展趋势

使医院院内的医护流程

更加顺畅或者更加有效

第四个部分就是医院外的康复

就是远程监护或者改善患者的生活质量

患者出院之后的话

可以通过一些设备的话

对患者的一些信息进行一些控制

当然

很遗憾的话

有近1/5的病人在出院之后30天有可能会

再次入院

造成的医疗资源浪费

在其中70%的病人的话

再住院本来是可以避免的

那我们可以通过大数据的话

可以发现患者在住院的相关因素

可以进行干预

可以降低再住院的一个比例

第五个的话就是全方位人口的健康分析

健康医疗大数据蕴含着很多的潜在的价值

当这个数据资产

覆盖足够多的人群可积累到一定规模的时候

可以通过大数据挖掘分析

可以实现对人口健康的全方位沟通

预策病情的风险

及时进行干预和家长病房管理

今天的课我们先上到这里

谢谢大家收看

再会