基于电子病历大数据分析的疾病预测建模 陈可① 摘要 目的：探讨影响原发性肺癌发病危险因素，构建疾病预测模型，为肺癌预防和疾病控制提供依据。方法：基于大 数据理念，通过构建医疗大数据中心层，整合分散临床数据，针对医院不同的业务需求提供给各专题数据中心。在数据应 用方面，采用单因素和多因素条件Ｌｏｇｉ ｓｔｉｃ回归模型进行分析，通过主成分法对主要危险因素提取公因子，并对公因子进 行条件Ｌｏｇｉｓｔｉｃ回归拟合分析。结果及结论：提出了一种基于Ｌｏｇｉｓｔｉｃ回归分析的疾病预测模型构建方法，可进一步建立 系统，突出临床应用价值。 关键词大数据疾病预测建模单因素多因素ＬｏｇｉｓｔｉＣ回归分析 Ｄｏｉ：ｌＯ．３９６９／ｊ．ｉｓｓｎ．１６７３—７５７１．２０１８．０３．００５ 【中图分类号】ＴＰ３９３ 【文献标识码】Ａ Ｃｏｎｓｔｍｃｔｉｏｎ ｏｆ Ｄｉｓｅａｓｅ Ｐｒｅ￣ｃｆｉｏｎ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ ＥＭＩＬ Ｂｉｇ Ｄａｔａ Ａｎａｌｙｔｉｃｓ／ＣＨＥＮ Ｋｅ／／Ｃｈｉｎａ ＤｉＮｔｄ Ｍｅｄｉｃｉｎｅ．一２０１ ８ １３ｆ３１：１６ ｔｏ １ ８ Ａｂｓｔｒａｃｔ Ｏｂｊｅｃｔｉｖｅ：Ｉｎ ｏｒｄｅｒ ｔｏ ｇｉｖｅ ａ ｃａｓｅ ｆｏｒ ｌｕｎｇ ｃａｎｃｅｒ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｉｔｓ’ｃｏｎｔｒｏｌ，ｔｈｅ ｐａｐｅｒ ｉｓ ｍａｉｎｌｙ ｔｏ ｂｕｉｌｄ ｔｈｅ ｄｉｓｅａｓｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｂｙ ｄｉｓｃｕｓｓｉｎｇ ｔｈｅ ｄａｎｇｅｒｏｕｓ ｆａｃｔｏｒｓ ｉｎｆｌｕｅｎｃｅｄ ｌｕｎｇ ｃａｎｃｅｒ Ｍｅｔｈｏｄｓ：Ａｃｃｏｒｄｉｎｇ ｔＯ ｔｈｅ ｂｉｇ ｄａｔａ ｎｌａｎａｇｅｍｅｎｔ ｃｏｎｃｅｐｔ， ｗｅ ｃｏｎｓｔｒｕｃｔ ｔｈｅ ｍｅｄｉｃａｌ ｄａｔａ ｐｌａｔｆｏｒｍ，ｗｈｉｃｈ ｃａｎ ｐｒｏｖｉｄｅ ｓｐｅｃｉａｌ ｄａｔａ ｃｅｎｔｅｒ ａｄａｐｔｉｎｇ ｔｏ ｔｈｅ ｖａｒｉｅｔｉｅｓ ｏｆ ｂｕｓｉｎｅｓｓ ｒｅｑｕｉｒｅｍｅｎｔｓ ｏｆ ｈｏｓｐｉｔａｌ，ｂｙ ｉｎｔｅｇｒａｔｉｎｇ ｄｅｃｅｎｔｒａｌｉｚｅｄ ｍｅｄｉｃａｌ ｄａｔａ．Ｉｎ ｔｈｅ ａｓｐｅｃｔ ｏｆ ｄａｔａ ａｐｐｌｉｃａｔｉｏｎ，ｏｎｅ～ｗａｙ ａｎｏｖａｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｍｕｌｔｉ—ｗａｙ ａｎｏｖａｒｅｇｒｅｓｓｉｏｎ ｗｅｒｅ ｂｏｔｈ ｓｔｕｄｉｅｄ ｂｙ ｔｈｅ ｐａｐｅｒ．Ｗｅ ａｎａｌｙｚｅｄ ｔｈｅ ｃｏｍｍｏｎ ｆａｃｔｏｒ，ｗｈｉｃｈ ｗｅ ｐｉｃｋｅｄ ｕｐ ｆｒｏｍ ｔｈｅ ｄａｎｇｅｒｏｕｓ ｆａｃｔｏｒｓ ｂｙ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ｂｙ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ Ｒｅｓｕｌｔｓ＆Ｃｏｎｃｌｕｓｉｏｎ：Ａ ｄｉｓｅａｓｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｂｙ ｔｈｅ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ，ｗｈｉｃｈ ｃａｎ ｂｅ ａｃｈｉｅｖｅｄ ｂｙ ｔｈｅ ｓｙｓｔｅｍ ｉｎ ｆｕｔｕｒｅ ｆｏｒ ｔｈｅ ｂｅｔｔｅｒ ｃｌｉｎｉｃａｌ ａｐｐｌｙｉｎｇ． Ｋｅｙｗｏｒｄｓ ｂｉｇ ｄａｔａ，ｄｉｓｅａｓｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ，ｏｎｅ ｗａｙ ａｎｏｖａ，ｍｕｌｔｉ—ｗａｙ ａｎｏｖａ，ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ Ｆｕｎｄ ｐｒｏｊｅｃｔ Ｎａｎｊｉｎｇ Ｈｅａｌｔｈ Ｙｏｕｎｇ Ｔａｌｅｎｔ Ｔｒａｉｎｉｎｇ Ｐｒｏｊｅｃｔ（ＮＯ ＱＲＸ１７１８４） Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ Ｉｎｆｏｒｍａｔｉｏｎ Ｄｅｐａｒｔｍｅｎｔ，Ｎａｎｊｉｎｇ Ｃｈｅｓｔ Ｈｏｓｐｉｔａｌ Ａｆｉｌｆｉａｔｅｄ ｔＯ Ｍｅｄｉｃａｌ Ｓｃｈｏｏｌ ｏｆ Ｓｏｕｔｈｅａｓｔ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ ２１００２９，Ｊｉａｎｇｓｕ Ｐｒｏｖｉｎｃｅ，Ｐ．Ｒ．Ｃ． 随着电子病历系统（Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｄｉｃａｌ Ｒｅｃｏｒｄ，ＥＭＲ）的应用普及，医院逐渐积累了体量庞大的医疗大数据，其分 散于以ＥＭＲ为核心的各类医疗系统中，涵盖了主诉、检验检查、诊断、医嘱、病程、护理等…。尽管这些医疗大数据可提 供完整、；隹确的病历资料，但并不具备数据分析功能，无法为医疗人员提供疾病早期的预警监测，也无法预测患者的疾病 健康情况。这些大数据中既有描述类非结构化数据，也有ＤＩＣＯＭ 影像数据，彼此间数据关系和类型复杂，且各类数据标 准不一致，仅靠传统的关系型数据库管理难以掌控。因此，研究重点是运用数据挖掘技术，对以ＥＭＲ为核心的医疗大数据 信息资源进行分析，从中挖掘有效预警信息并建立疾病模型，为疾病防治奠定科学基础。 １临床大数据中心层的建立 １．１数据整合以往的信息系统集成层次低，彼此呈现紧耦合关系，缺点是数据的二次利用和业务协同异常困难 。鉴于各 系统间数据标准不一致，研究中，遵循卫生部印发的《电子病历基本架构与数据标准》，依照《基于电子病历的医院信息 平台建设技术方案》，通过在一个单独的服务器上加载数据处理引擎 ，专门负责对分散在医院各信息系统中的临床数据 源主动抽取，经过“数据清洗”和“标；隹化转换”，最终按照约定的数据格式加载到数据仓库中。优点是由于采用单独的 灵基金项目：十三五南京市卫生青年人才培养工程项目（编号：ＱＲＸ１７１８４） １６ ｛“Ｄｉｇｔａ Ｍｅｄ ｃ ｎ 。－ ＞４０ ３ ①东南大学医学院附属ｏｈ京胸科医院信息科，２１００２９，江苏省南京市广州路２１５号 业务系统 医生站Ｉ 数据！盔换 盏 ｊ致据中心 数据 中心 数据利用 临床知识库 临床决策支持 行研究变量间复共线性诊断，根据累 计方差贡献率（＞７０％）结合肺癌病 因假说和因子分析结果，确定进入分 析的最佳研究变量子集。对因子得分 护士站 ＥＭＲ 鼢 Ⅱｐ 端 ＬＩＳ ｌ ＰＡＣＳ Ｉ 数据标准 数据 中心 ＜＝＝ 运营 Ｉ科研支持ｌ ｌ医疗质量管理 做Ｌｏｇｉｓｔｉｃ分析，计算各因子与原发性 肺癌的关联强度ＯＲ值及其９５％置信区 间，以尸＜０．０５为统计学意义，最终得 到回归分析结果见表１。 格式标准 田 交换标准 数据 中心 １分析统计』 图１临床大数据中心层的总体架构 ２．３结果讨论课题就生活方式（吸 硬件服务器，故可分担数据库系统负 室内及环境、饮食及营养 、吸烟与 烟、被动吸烟、饮酒／茶）” 、环境因 载，同时与底层的数据库数据存储无 被动吸烟、精神心理因素、非肿瘤性 素、饮食、女性因素、非肿瘤性肺部 关。临床大数据中心层的总体架构如 肺疾病史与肿瘤家族史、女性因素、 图１所示。 疾病史” 、肿瘤家族史 、社会心理因 素、是否器官病变及胸腔积液方面对 是否有器官衰竭，是否有胸腔积液… １．２数据分析对ＥＭ Ｒ中医学自然语 存在。 肺癌发生的危险因素进行探讨。 研究对象年龄均在１ ７～８９岁间， 言的处理 是数据抽取过程 的难点 ２．２分析方法 之一，基于“医学名实体识别”“名 ２．２．１单因素分析采用单因素条件 平均年龄为（４３．６５±９．９６）岁，男 ｓｔｉｃｌ￣ ３［１ ２］逐个分析，根据结果筛 １实体自动编码” “名实体修饰词识 Ｌｏｇｉ＇￣＿２４３对，占５９．８５％；女性１６３对， 别” “时间抽取”等，依据通用词 选研究变量并从中选取有统计学意义 占４０．１ ５％。结果显示，与原发性肺 典、规则等，图２中的特征词库通过训【 的变量（尸＜０．０５）。将其纳入多因素 癌的关联强度大于１（０Ｒ＞１）的因 练不断迭代更新，从非结构化 数据中 条件ＬｏｇｉｓｔｉｃＦＩ归模型进行分析。 子有：公因子２（常食油炸、腌渍食 识别关键信息并映射到标准术语编码 ２．２．２多因素分析通过多因素条件 品）、公因子３（婚姻不和谐人际关系 中，通过对编码建立索引自动分类病 Ｌｏｇｉｓｔｉｃ回归分析（后退法），降低变 不佳）、公因子４（疾病史、家族史中 历文档。 量维数，拟合主效应模型。 有肺气肿、哮喘等呼吸道疾病）、公 ２．２．３因子分析采用主成分统计法进 因子５（室内环境因素，如：油烟、被 表１公因子的条件Ｌｏｇｉｓｔｉｃ￣归分析 ——■—■● 益 蛆【血丘Ｊ盔拄啦』ｌｉ盘且二雎直 篮 Ｊ睡址土骶血上舰 麓 啦洳醴Ⅱ耻 舡啦Ｊ 删 粗ｕ｝Ｌ 筋凰垃 盥 ｌ 苎嚣Ｉ 苎－ ｌ篁庶摭况虹ｌＪ鞋￡矗滢监盘屯 ‘过瘟盘 Ｌ玉丘直 赴盘，主盎置盐血圭。王毡撼 盘均 堑拉墨过敛毫， 卜———————————一■ 一 甜 静晰 Ｉ 亡Ｌ足且Ｌ直巴 量璺阻量佳量ｔ 患盎丑置蕴主 ——一 图２病历文书的结构化管理 ２建立疾病风险预测模型 ２．１研究对象和研究变量依托临床大 数据中心，通过调用临床集成视图 随 机抽取南京市胸科医院２０１ ７年１至３月 出院主诊断包含肺癌的电子病历４０６例 为病例组。参考ＵＰ Ｔｏ Ｄａｔａ临床顾问 数据库 所列的肺癌危险因素，选取研 究变量年龄、体质指数、职业因素、 中 ０７ 霉 ２０ 麓｛３豢釜３ １ ７ ＳｔｒｅｅＰｌｏｔ ［７］温绍楠．非结构化数据处理技术的应用和 研究【Ｄ】北京：北京邮电大学，２０１１ ［８】袁梅宇数据挖掘与机器学习——ｗＥＫＡ 应用技术与实践［ＭＩ北京：清华大学出版 社．２０１４：２ 【９】Ｕｐ Ｔｏ Ｄａｔａ［ＥＢ／ＯＬ］．［２０１７－７—２４］．ｈｔｔｐ：／／ Ｃｏｍｐｏｎｅｎｔ Ｎｕｍｂｅｒ 图３碎石图（横坐标为成分数，纵坐标为特征值 动吸烟）、公因子８（接触放射性物 归模型建立预测模型，结合主成分分 质）、公因子９（精神创伤因素）、 析法筛选特征变量，提高预测准确率 公因子１１（饮茶与吸烟）、公因子 的同时简化模型。在今后的研究中， １ ２（职业因素，如建筑工人等），公 将进一步根据所建模型创建决策系 因子１ ４（器官衰竭或有胸腔积液因 统，突出其临床应用价值。 素），这些因素为肺癌危险因素。公 因子６（房屋地板为水泥）公因子７ ／参考文献 （食用鲜蛋、烟熏、烤制），公因子 ［１］陈可基于ｘＭＬ和中间件技术的电子 １ ０（食用酸味食品及大蒜），公因子 病历系统应用研究ｆＪ］中国数字医学，２０１２， １３（人均住房面积）与原发性肺癌的 ７（４）：６０—６２． 关联强度小于１（０Ｒ＜１），为肺癌保 【２］陈可．基于虚拟化架构的医Ｆ．ｇＰＡＣＳ／ＲＩＳ 护因素。 应用研究卟中国医疗设备，２０１６，３１（５）：８６—８９． ［３】高汉松，肖凌，许德玮，等．基于云计算 ３回顾 的医疗大数据挖掘平台Ｕ］．医学信息学杂 在数据分析阶段，基于所选变 志，２０１３，３４（５）：７—１２ 量进行因子分析，目的在于初步筛选 【４］王星．大数据分析：方法与应用ＩＭ】．北京： 变量，剔除非高度相关变量或同效变 清华大学出版社，２０１３：６８—９０． 量，将更有意义的变量纳入多因素条 ［５】Ｂｙｒｄ ＲＪ，Ｓｔｅｉｎｈｕｂｌ ＳＲ，Ｓｕｎ Ｊ，ｅｔ ａｌ Ａｕｔｏｍａｔｉｃ 件Ｌｏｇｉｓｔｉｃ［］归模型进行分析。所建预 Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｏｆ Ｈｅａｒｔ Ｆａｉｌｕｒｅ Ｄｉａｇｎｏｓｔｉｃ 测模型输出结果的碎石图说明基于特 Ｃｒｉｔｅｒｉａ，Ｕｓｉｎｇ Ｔｅｘｔ Ａｎａｌｙｓｉｓ ｏｆ Ｃｌｉｎｉｃａｌ 征选取简化数据维数，不仅能够摆脱 Ｎｏｔｅｓ ｆｒｏｍ Ｅｌｅｃｔｒｏｎｉｃ ＨｅａＲｔｈ Ｒｅｃｏｒｄｓ￣］． 与预测任务不相关的数据，显著减少 Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｆｏｒｍａｔｉ— 所需的训练集样本数量，还能提高模 ＣＳ，２０１４，８３（１２）：９８３—９９２． 型预测性能（见图３）。 ［６】Ａｌｖａｒｅｚ ＣＡ，ＣＩａｒｋ ＣＡ，ｚｈａｎｇ Ｓ，ｅｔ ａ１．Ｐｒｅｄｉｃｔｉｎｇ ｏｕｔ ｏｆ Ｉｎｔｅｎｓｉｖｅ Ｃａｒｅ Ｕｎｉｔ ４结语 Ｃａｒｄｉｏｐｕｌｍｏｎａｒｙ Ａｒｒｅｓｔ ｏｒ Ｄｅａｔｈ Ｕｓｉｎｇ 研究特点包括尝试采用数值型数 Ｅｌｅｃｔｒｏｎｉｃ Ｍｅｄｉｃａｌ Ｒｅｃｏｒｄ ＤａｔａＵ】．ＢＭＣ 据描述医疗疾病模型；选用Ｌｏｇｉｓｔｉｃ￣ Ｍｅｄｉｃａｌ ｌｎｆｏｒｍａｔｉｃｓ ａｎｄ Ｄｅｃｓｉｏｎ Ｍａｋｉｎｇ，２０１３ １ ８ Ｃｔ＂ｔｌＦｆ－］Ｄｉｇｉｔａｌ Ｍｅｄｉｃｉｎｅ ２０塌．Ｖｏ１． ３，Ｎｏ．３ ｗｗｗ．ｕｐｔｏｄａｔａ．ｃｏｍ／ｃｏｎｔｅｎｔｓ／ｓｅａｒｃｈ 【１０］Ｍｉｎｅｇｉｓｈｉ Ｙ，Ｔｓｕｋｉｎｏ Ｈ，Ｇｅｍｍａ Ａ，ｅｔ ａ１．Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ ｔＯ ｌｕｎｇ ｃａｎｃｅｒ ａｎｄ ｇｅｎｅｔｉｃ ｐｏｌｙｍｏｒｐｈｉｓｍｓ ｉｎ ｔｈｅ ａｌｃｏｈｏｌ ｍｅｔａｂｏｌｉｔｅ－－ ｒｅｌａｔｅｄ ｅｎｚｙｍｅ Ｓ：ＡＤＨ３．ＡＬＤＨ２ ａｎｄ ＣＹＰ２Ｅ１ Ｕ Ｊ．Ｌｕｎｇ Ｃａｎｃｅｒ，２００５，４９（Ｓｕｐｐｌ ２）：￥１９３伊一２９ｇ）． ［１１】王猛肺癌危险因素的配对病例对照 研究［Ｄ］大连：大连医科大学公共卫生学 院，２００８．１２（４）：３３—３７ ［１２】王旭善，吴德林，张晓峰，等赣榆县肺癌发 病影响因素的条件ＬｏｇｉｓｔｉｃｌＮ归分析【Ｊ１预防 医学论坛，２０１４．１５（２）：１３３—１３４ ［１３】Ａｇｎｉｈｏｔｒａｍ ＶＲ，Ｍａｒｉｅ ＥＰ，Ｊａｃｋ ｓ Ｒｉｓｋ ｏｆ Ｌｕｎｇ Ｃａｎｃｅｒ ｆｒｏｍ Ｒｅｓｉｄｅｎｔｉａｌ Ｈｅａｔｉｎｇ ａｎｄ Ｃｏｏｋｉｎｇ Ｆｕｅｌｓ ｉｎ Ｍｏｎｔｒｅａｌ，Ｃａｎａｄａ［Ｊ］．Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆＥｐｉｄｅｍｉｏｌｏｇｙ，２００７，１６５（６）：６３４—６４２ ［１４］Ｒｅｉｄ Ａ，ｄｅ Ｋｌｅｒｋ Ｎ，Ａｍｂｒｏｓｉｎｉ ＧＬ，ｅｔ ａｌ Ｔｈｅ ｅｆｆｅｃｔ ｏｆ ａｓｂｅｓｔｏｓｉｓ ｏｎ Ｌｕｎｇ Ｃａｎｃｅｒ Ｒｉｓｋ ｂｅｙｏｎｄ ｔｈｅ Ｄｏｓｅ Ｒｅｌａｔｅｄ Ｅｆｆｅｃｔ ｏｆ Ａｓｂｅｓｔｏｓ Ａｌｏｎｅ［Ｊ】．Ｏｃｃｕｐａｔｉｏｎａｌ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍｅｄｉｃｉｎｅ，２００５，６２（１２）：８８５—８８９ ［１ ５】Ｊｕｎ—ｉｃｈｉ Ｎ，Ｍａｎａｍｉ Ｉ，Ｍ０ｔｏｋｉ Ｉ，ｅｔ ａｌ Ａｓｓｏｃｉａｔｉｏｎ Ｂｅｔｗｅｅｎ Ｌｕｎｇ Ｃａｎｃｅｒ Ｉｎｃｉｄｅｎｃｅ ａｎｄ Ｆａｍｉｌｙ Ｈｉｓｔｏｒｙ ｏｆ Ｌｕｎｇ ＣａｎＣｅｒｙ Ｊ． Ｃｈｅｓｔ，２００６（１３０）：９６８—９７５ 【收稿日期：２０１７—０９—０５】 【修回日期：２０１７—１１—２１】 （责任编辑：肖婧婧）