CN106960125A - 一种大数据下基于可信组合评估的医疗自诊断服务设计方法 - Google Patents

Abstract

本发明公开了一种大数据下基于可信组合评估的医疗自诊断服务设计方法，包括下列步骤：分析基本自诊断服务对应的应用模式和在构建疾病自诊断服务过程中涉及的大数据处理流程；将大数据处理任务分解至一组功能独立的子任务集合，形成构建疾病自诊断服务的任务规划方案；基于任务规划方案中各个子任务对计算资源和存储资源的需求，使用可信组合评估方法，为疾病自诊断服务选择QoS最优的云服务组合方案；在各个子任务对应的云服务中实现疾病自诊断服务的大数据分析算法，完成疾病自诊断服务的部署和执行。该方法通过搜集获得的电子病历大数据进行存储和在线检索和处理分析，使用户可以通过在线调用疾病自诊断服务，获得疾病自诊断帮助。

Description

一种大数据下基于可信组合评估的医疗自诊断服务设计方法

技术领域

本发明涉及医疗诊断技术领域，具体涉及一种大数据下基于可信组合评估的医疗自诊断服务设计方法。

背景技术

当前医疗的矛盾很大部分是有限的公立医院资源与巨大的病人医疗需求之间的矛盾。同时，受制于顶层设计、医保联网、分级诊疗制度等不完善，一边是优质医疗资源被“小病”占据，另一边却是基层医疗资源长期闲置。为解决看病难喝看病贵的难题，世界各国在医疗建设方面投入了巨大的财力，旨在通过信息化技术提高医疗资源的利用率并克服医疗资源分布不均衡的形状。对此，有业内人士分析称，如果能在“共享经济”模式下寻求突围，医疗行业将迸发出巨大的生机。

随着医疗信息化进程的推进和深入，医疗软件在各大医院广泛的普及和使用，使得医疗领域积累的数据迅速增长，形成了丰富的医疗大数据资源，包括患者就诊病历、诊断相关的影像信息、制药企业相关数据等等。充分利用这些丰富的医疗大数据资源，在不同的用户群体间进行医疗数据共享，根据用户需求构建新的医疗大数据服务，对提高医疗水平、提高医疗资源的利用率并克服医疗资源分布不均衡具有重大意义。

在实际应用中，目前，互联网医疗行业商业模式并不清晰，想要对医疗大数据资源进行管理并构建医疗大数据服务必须解决几方面问题，比如，医疗领域的软件应用由于基于不同的软硬件平台，在底层技术和业务流程方面存在广泛的异构性，使得在不同的医疗用户群体之间实现数据共享非常困难(如电子病历、医学图像等等)。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种大数据下基于可信组合评估的医疗自诊断服务设计方法。

本发明的目的可以通过采取如下技术方案达到：

一种大数据下基于可信组合评估的医疗自诊断服务设计方法，所述方法包括下列步骤：

S1、分析基本自诊断服务对应的应用模式和在构建疾病自诊断服务过程中涉及的大数据处理流程；

S2、基于大数据处理流程，将大数据处理任务分解至一组功能独立的子任务集合，形成构建疾病自诊断服务的任务规划方案；

S3、基于任务规划方案中各个子任务对计算资源和存储资源的需求，使用可信组合评估方法，为疾病自诊断服务选择QoS最优的云服务组合方案；

S4、对照任务规划方案，在各个子任务对应的云服务中实现疾病自诊断服务的大数据分析算法，完成疾病自诊断服务的部署和执行。

进一步地，所述步骤S2中将大数据处理任务分解至由三个子任务构成的疾病自诊断服务的任务规划方案T＝{T₁，T₂，T₃}，其中，T₁表示电子病历大数据存储子任务，T₂表示电子病历大数据的索引计算子任务，T₃表示电子病历大数据处理分析的计算子任务。

进一步地，对于子任务T₁，使用云端的存储服务来满足电子病历大数据的存储需求；对于子任务T₂，采用Hadoop平台云服务，其中，MapRdduce编程模型用于并行高效的建立索引，HDFS文件系统用于大规模索引文件的存储；对于子任务T₃，采用提供弹性伸缩虚拟机计算资源的云服务进行在线的数据计算分析。

进一步地，所述步骤S3具体包括：

S301、根据疾病自诊断服务的QoS需求，从价格、性能参数指标的角度，对各种云服务商进行可信组合评估，以选取QoS最优的组合云服务方案，为疾病自诊断服务提供存储和计算资源；

S302、电子病历索引的建立，通过建立索引实现高效的在线电子病历查询检索和处理分析功能；

S303、疾病自诊断模型的计算，根据检索到的电子病历，结合离线Hadoop集群，运用云中的虚拟机集群，执行大数据分析以计算获得疾病自诊断模型。

进一步地，所述步骤S4具体包括：

S401、提前出电子病历中疾病和症状，并建立二者之间的二元关系；

S402、根据疾病和症状之间的二元关系，计算出该二元关系对应的“疾病-病症”概念集合；

S403、定义“疾病-病症”概念集合中概念之间的偏序关系，并使用哈斯图将该偏序关系以概念格的形式可视化，生成疾病自诊断模型。

进一步地，所述步骤S301具体包括：

S3011、根据存储云服务、Hadoop平台云服务以及在线分析云服务及其QoS历史记录，实例化选取效用函数的各项参数；

S3012、计算其Top-N个基于QoS历史记录的最优组合方案；

S3013、计算每一组服务组合方案的贡献度值；

S3014、对每一组服务组合方案按其贡献度值大小排序，选择贡献度值最大的组合方案作为QoS最优的组合云服务，参与疾病自诊断服务的构建和部署。

进一步地，所述步骤S303具体包括：

S3031、接收用户查询，负载均衡器根据负载均衡算法，将用户请求发送给分发器集群中的一个分发器节点；被选中的分发器节点将从搜索集群中选择一组搜索节点，进行用户查询请求的转发；

S3032、在线病历检索，从被选中的搜索节点将根据用户的查询请求，匹配倒排索引中跟用户疾病症状一致的病历，再根据过滤索引，过滤与用户性别和年龄不一致的病历，最后根据细节索引，将符合用户查询请求的病历返回给分发器节点；

S3033、实时数据分析，首先整合搜索结果，生成完整的满足查询请求的病历集合；然后，将该病历集合发送至数据分析集群，进行电子病历大数据的分析计算，生成疾病自诊断模型；

S3034、隐私信息过滤，在将疾病自诊断模型和病历返回给用户之前，分发器节点将用户ID信息发送至访问控制集群的一个访问控制节点，该节点根据用户ID信息确定目标用户所属的群组返回对用户不可见的病历关键字值；而分发器节点根据访问控制节点的返回结果，过滤病历中对用户不可见的信息，再将疾病自诊断模型和病历返回给用户。

进一步地，所述电子病历由一个三元组表示：

EMR＝(基本信息，病史，就诊记录)，

其中所述基本信息包括患者的姓名、性别、出生年月、联系信息；所述病史为患者就医的一个历史总结，包括疾病史、手术史、输血史、以及过敏史信息；所述就诊记录为患者某次看病的详细信息，包括患者的疾病特征、主诉、疾病详细记录、诊断结果、治疗方案。

进一步地，所述效用函数为

对于一个大数据服务的任务规划T＝{T₁，T₂，…，T_m}，一个基于QoS历史记录的组合方案可表示为：SC-R_J＝{s₁.R₁，s₂.R₂，…，s_m.R_m},其中，s_i∈S_i(1≤i≤m)，s_i.R_i是指隶属于s_i的一条QoS历史记录；

假设大数据服务任务规划T中的每个子任务T_i对应的候选服务集S_i中共有m_i个服务，其中，对于S_i中的每一个服务s_ij(1≤j≤m_i)，其包含的QoS历史记录的个数为l_ij，其中，x_ij-h是一个指示器，x_ij-h＝0表示s_ij不在组合方案中，而x_ij-h＝1表示s_ij在组合方案中；

w_k∈【0,1】，表示服务使用者在第k堆QoS上的偏好值，其中，Q_max(k)为组合方案CS的第k维QoS的最大值，Q_min(k)为组合方案CS的第k维QoS的最小值，若q_d(s_ij.R_h)为s_ij.R_h这一条QoS历史记录对应的聚合值。

进一步地，所述步骤S1之前，还包括：

S0、数据资源搜集，根据疾病自诊断服务的需求，搜集分布在云中各个医院、诊所和各医疗软件应用中本市市民的电子病历数据，形成电子病历大数据资源，供后继的电子病历大数据检索和分析计算。

本发明相对于现有技术具有如下的优点及效果：

1)通过搜集获得的电子病历大数据进行存储和在线检索和处理分析，使用户可以通过在线调用疾病自诊断服务，获得疾病自诊断帮助。

2)利用海量的电子病历，为用户提供疾病自诊断帮助，然后通过自诊断服务，患者可以检索跟自己症状相同的病历，并根据疾病自诊断模型获得自我预诊断或疾病预防知识。

附图说明

图1是本发明公开的一种大数据下基于可信组合评估的医疗自诊断服务设计方法的流程步骤图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如附图1所示，附图1中公开了一种大数据下基于可信组合评估的医疗自诊断服务设计方法的流程步骤图，该方法具体包括下列步骤：

S1、分析基本自诊断服务对应的应用模式和在构建疾病自诊断服务过程中涉及的大数据处理流程；

S2、基于大数据处理流程，将大数据处理任务分解至一组功能独立的子任务集合，形成构建疾病自诊断服务的任务规划方案；

为了实现疾病自诊断服务的目的需为用户提供病历检索和疾病分析功能，首先将搜集获得的电子病历大数据进行存储和在线检索和处理分析，使用户可通过在线调用疾病自诊断服务，获得疾病自诊断帮助；同时，为了支撑电子病历的高效在线检索和处理分析，需要对电子病历大数据以离线的方式建立索引。基于上述分析，可获得由三个子任务构成的疾病自诊断服务的任务规划方案T＝{T₁，T₂，T₃}，其中，T₁表示电子病历大数据存储子任务，T₂表示电子病历大数据的索引计算子任务，T₃表示电子病历大数据处理分析的计算子任务。

S3、基于任务规划方案中各个子任务对计算资源和存储资源的需求，使用可信组合评估方法，为疾病自诊断服务选择QoS最优的云服务组合方案。

对于子任务T₁，使用云端的存储服务来满足电子病历大数据的存储需求；对于子任务T₂，采用Hadoop平台云服务，其中，MapRdduce编程模型用于并行高效的建立索引，HDFS文件系统用于大规模索引文件的存储；对于子任务T₃，采用提供弹性伸缩虚拟机计算资源的云服务进行在线的数据计算分析。

S301、根据疾病自诊断服务的QoS需求，从价格、性能等参数指标的角度，对各种云服务商进行可信组合评估，以选取QoS最优的组合云服务方案，为疾病自诊断服务提供存储和计算资源。

具体实施方式中，该步骤具体包括：

S3011、根据存储云服务、Hadoop平台云服务以及在线分析云服务及其QoS历史记录，实例化选取效用函数的各项参数；

其中，效用函数为

对于一个大数据服务的任务规划T＝{T₁，T₂，…，T_m}，一个基于QoS历史记录的组合方案可表示为：SC-R_J＝{s₁.R₁，s₂.R₂，…，s_m.R_m},其中，s_i∈S_i(1≤i≤m)，s_i.R_i是指隶属于s_i的一条QoS历史记录；

假设大数据服务任务规划T中的每个子任务T_i对应的候选服务集S_i中共有m_i个服务，其中，对于S_i中的每一个服务s_ij(1≤j≤mi)，其包含的QoS历史记录的个数为l_ij，那么，对于S_i中包含的QoS历史记录总个数为：M_i＝l_i1+l_i1+…+l_mi，其中，x_ij-h是一个指示器，x_ij-h＝0表示s_ij不在组合方案中，而x_ij-h＝1表示s_ij在组合方案中；

w_k∈【0,1】，表示服务使用者在第k堆QoS上的偏好值，w_k值可以由服务使用者指定，或者使用模糊理论或者AHP等方法计算获得。其中，Q_max(k)为组合方案CS的第k维QoS的最大值，Q_min(k)为组合方案CS的第k维QoS的最小值，若q_d(s_ij.R_h)为s_ij.R_h这一条QoS历史记录对应的聚合值。

S3012、对实例化后的效用函数，计算其Top-N个基于QoS历史记录的最优组合方案；

S3013、根据上述步骤中求解获得的Top-N个基于QoS历史记录的最优组合方案，为每一组服务组合方案计算其贡献度值；

S3014、对每组服务组合方案按其贡献度值大小排序，选择贡献度值最大的组合方案作为QoS最优的组合云服务，参与疾病自诊断服务的构建和部署。

S302、电子病历索引的建立，通过建立索引实现高效的在线电子病历查询检索和处理分析功能；

其中，电子病历由一个三元组表示：EMR＝(基本信息，病史，就诊记录)，其中基本信息包括患者的姓名、性别、出生年月、联系信息等；病史包括患者就医的一个历史总结，包括疾病史、手术史、输血史、以及过敏史等信息；就诊记录包括患者某次看病的详细信息，包括患者的疾病特征、主诉、疾病详细记录、诊断结果、治疗方案。

其中，所述在线电子病历查询检索具体为给定用户的疾病症状描述，首先根据用户疾病症状，从病历集合中检索与用户疾病症状相同的病历；然后，根据用户的性别和年龄，过滤与用户性别和年龄不一致的病历。

为了支撑电子病历的高效在线检索和处理分析，需要对电子病历大数据以离线的方式建立索引。

S303、疾病自诊断模型的计算，根据检索到的电子病历，结合离线Hadoop集群，运用云中的虚拟机集群，执行大数据分析以计算获得疾病自诊断模型。

具体实施方式中，该步骤具体包括：

S3031、接收用户查询，在接收到用户查询请求后，负载均衡器根据负载均衡算法，将用户请求发送给分发器集群中的一个分发器节点；被选中的分发器节点将从搜索集群中选择一组搜索节点，进行用户查询请求的转发。

S3032、在线病历检索，从分发器节点处接收到用户的查询请求后，从被选中的搜索节点将根据用户的查询请求，匹配倒排索引中跟用户疾病症状一致的病历，再根据过滤索引，过滤与用户性别和年龄不一致的病历，最后根据细节索引，将符合用户查询请求的病历返回给分发器节点。

S3033、实时数据分析，分发器节点在接收到各搜索节点返回的病历后，首先整合搜索结果，生成完整的满足查询请求的病历集合；然后，将该病历集合发送至数据分析集群，进行电子病历大数据的分析计算，生成疾病自诊断模型。

S3034、隐私信息过滤，在将疾病自诊断模型和病历返回给用户之前，分发器节点将用户ID信息发送至访问控制集群的一个访问控制节点，该节点根据用户ID信息确定目标用户所属的群组(如普通用户、医生等)，返回对用户不可见的病历关键字值；而分发器节点根据访问控制节点的返回结果，过滤病历中对用户不可见的信息，再将疾病自诊断模型和病历返回给用户。

S4、对照任务规划方案，在各个子任务对应的云服务中实现疾病自诊断服务的大数据分析算法，完成疾病自诊断服务的部署和执行。

S401、提前出电子病历中疾病和症状，并建立二者之间的二元关系；

S402、根据疾病和症状之间的二元关系，计算出该二元关系对应的“疾病-病症”概念集合；

S403、定义“疾病-病症”概念集合中概念之间的偏序关系，并使用哈斯图将该偏序关系以概念格的形式可视化，生成疾病自诊断模型。

在具体的实施方式，本实施例公开的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，在所述步骤S1之前，还包括：

S0、数据资源搜集，根据疾病自诊断服务的需求，搜集分布在云中各个医院、诊所和各医疗软件应用中本市市民的电子病历数据，形成电子病历大数据资源，供后继的电子病历大数据检索和分析计算。

综上所述，本实施例通过基于可信组合评估的云服务选择、电子病历索引的建立、疾病自诊断服务框架的设计、疾病自诊断模型的计算过程阐述了一种大数据下基于可信组合评估的医疗自诊断服务设计方法，该方法通过搜集获得的电子病历大数据进行存储和在线检索和处理分析，使用户可以通过在线调用疾病自诊断服务，获得疾病自诊断帮助。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述方法包括下列步骤：

S1、分析基本自诊断服务对应的应用模式和在构建疾病自诊断服务过程中涉及的大数据处理流程；

S2、基于大数据处理流程，将大数据处理任务分解至一组功能独立的子任务集合，形成构建疾病自诊断服务的任务规划方案；

S3、基于任务规划方案中各个子任务对计算资源和存储资源的需求，使用可信组合评估方法，为疾病自诊断服务选择QoS最优的云服务组合方案；

S4、对照任务规划方案，在各个子任务对应的云服务中实现疾病自诊断服务的大数据分析算法，完成疾病自诊断服务的部署和执行。

2.根据权利要求1所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S2中将大数据处理任务分解至由三个子任务构成的疾病自诊断服务的任务规划方案T＝{T₁，T₂，T₃}，其中，T₁表示电子病历大数据存储子任务，T₂表示电子病历大数据的索引计算子任务，T₃表示电子病历大数据处理分析的计算子任务。

3.根据权利要求2所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，

对于子任务T₁，使用云端的存储服务来满足电子病历大数据的存储需求；对于子任务T₂，采用Hadoop平台云服务，其中，MapRdduce编程模型用于并行高效的建立索引，HDFS文件系统用于大规模索引文件的存储；对于子任务T₃，采用提供弹性伸缩虚拟机计算资源的云服务进行在线的数据计算分析。

4.根据权利要求2所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S3具体包括：

S301、根据疾病自诊断服务的QoS需求，从价格、性能参数指标的角度，对各种云服务商进行可信组合评估，以选取QoS最优的组合云服务方案，为疾病自诊断服务提供存储和计算资源；

S302、电子病历索引的建立，通过建立索引实现高效的在线电子病历查询检索和处理分析功能；

S303、疾病自诊断模型的计算，根据检索到的电子病历，结合离线Hadoop集群，运用云中的虚拟机集群，执行大数据分析以计算获得疾病自诊断模型。

5.根据权利要求2所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S4具体包括：

S401、提前出电子病历中疾病和症状，并建立二者之间的二元关系；

S402、根据疾病和症状之间的二元关系，计算出该二元关系对应的“疾病-病症”概念集合；

S403、定义“疾病-病症”概念集合中概念之间的偏序关系，并使用哈斯图将该偏序关系以概念格的形式可视化，生成疾病自诊断模型。

6.根据权利要求4所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S301具体包括：

S3011、根据存储云服务、Hadoop平台云服务以及在线分析云服务及其QoS历史记录，实例化选取效用函数的各项参数；

S3012、计算其Top-N个基于QoS历史记录的最优组合方案；

S3013、计算每一组服务组合方案的贡献度值；

S3014、对每一组服务组合方案按其贡献度值大小排序，选择贡献度值最大的组合方案作为QoS最优的组合云服务，参与疾病自诊断服务的构建和部署。

7.根据权利要求4所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S303具体包括：

S3031、接收用户查询，负载均衡器根据负载均衡算法，将用户请求发送给分发器集群中的一个分发器节点；被选中的分发器节点将从搜索集群中选择一组搜索节点，进行用户查询请求的转发；

S3032、在线病历检索，从被选中的搜索节点将根据用户的查询请求，匹配倒排索引中跟用户疾病症状一致的病历，再根据过滤索引，过滤与用户性别和年龄不一致的病历，最后根据细节索引，将符合用户查询请求的病历返回给分发器节点；

S3033、实时数据分析，首先整合搜索结果，生成完整的满足查询请求的病历集合；然后，将该病历集合发送至数据分析集群，进行电子病历大数据的分析计算，生成疾病自诊断模型；

S3034、隐私信息过滤，在将疾病自诊断模型和病历返回给用户之前，分发器节点将用户ID信息发送至访问控制集群的一个访问控制节点，该节点根据用户ID信息确定目标用户所属的群组返回对用户不可见的病历关键字值；而分发器节点根据访问控制节点的返回结果，过滤病历中对用户不可见的信息，再将疾病自诊断模型和病历返回给用户。

8.根据权利要求4所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述电子病历由一个三元组表示：

EMR＝(基本信息，病史，就诊记录)，

其中所述基本信息包括患者的姓名、性别、出生年月、联系信息；所述病史为患者就医的一个历史总结，包括疾病史、手术史、输血史、以及过敏史信息；所述就诊记录为患者某次看病的详细信息，包括患者的疾病特征、主诉、疾病详细记录、诊断结果、治疗方案。

9.根据权利要求6所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述效用函数为

对于一个大数据服务的任务规划T＝{T₁，T₂，…，T_m}，一个基于QoS历史记录的组合方案可表示为：SC-R_J＝{s₁.R₁，s₂.R₂，…，s_m.R_m},其中，s_i∈S_i(1≤i≤m)，s_i.R_i是指隶属于s_i的一条QoS历史记录；

假设大数据服务任务规划T中的每个子任务T_i对应的候选服务集S_i中共有m_i个服务，其中，对于S_i中的每一个服务s_ij(1≤j≤m_i)，其包含的QoS历史记录的个数为l_ij，其中，x_ij-h是一个指示器，x_ij-h＝0表示s_ij不在组合方案中，而x_ij-h＝1表示s_ij在组合方案中；

表示服务使用者在第k堆QoS上的偏好值，其中，Q_max(k)为组合方案CS的第k维QoS的最大值，Q_min(k)为组合方案CS的第k维QoS的最小值，若q_d(s_ij.R_h)为s_ij.R_h这一条QoS历史记录对应的聚合值。

10.根据权利要求1所述的一种大数据下基于可信组合评估的医疗自诊断服务设计方法，其特征在于，所述步骤S1之前，还包括：

S0、数据资源搜集，根据疾病自诊断服务的需求，搜集分布在云中各个医院、诊所和各医疗软件应用中本市市民的电子病历数据，形成电子病历大数据资源，供后继的电子病历大数据检索和分析计算。