CN109411094A - 基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 - Google Patents
基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 Download PDFInfo
- Publication number
- CN109411094A CN109411094A CN201811234500.6A CN201811234500A CN109411094A CN 109411094 A CN109411094 A CN 109411094A CN 201811234500 A CN201811234500 A CN 201811234500A CN 109411094 A CN109411094 A CN 109411094A
- Authority
- CN
- China
- Prior art keywords
- data
- health
- big data
- life
- support information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 275
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000007726 management method Methods 0.000 claims description 119
- 201000010099 disease Diseases 0.000 claims description 105
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 105
- 230000034994 death Effects 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 29
- 230000005584 early death Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 9
- 208000017667 Chronic Disease Diseases 0.000 claims description 8
- 206010012601 diabetes mellitus Diseases 0.000 claims description 5
- 208000030090 Acute Disease Diseases 0.000 claims description 4
- 206010012289 Dementia Diseases 0.000 claims description 4
- 206010020772 Hypertension Diseases 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 4
- 208000006011 Stroke Diseases 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 4
- 201000008827 tuberculosis Diseases 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 16
- 238000009434 installation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- 238000011835 investigation Methods 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000007792 addition Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 6
- 238000012217 deletion Methods 0.000 description 6
- 230000037430 deletion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000008676 import Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000007659 motor function Effects 0.000 description 2
- 230000036407 pain Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法，包括基础设施层子系统，用于安装系统所需的硬件和软件设备；数据资源层子系统，与所述的基础设施层子系统相连接，且用于采集储存数据并构建健康期望寿命主体数据仓库；应用层子系统，与所述的基础设施层子系统和所述的数据资源层子系统均相连接，且用于对数据进行计算、分析和展示。采用该种结构为上海市健康期望寿命测算提供统一、标准化的自动测算和智能分析系统，从而对健康期望寿命相关的医疗、卫生信息资源进行有效的掌握和管理，为医疗卫生信息资源的深化利用奠定基础。
Description
技术领域
本发明涉及一种医疗分析系统，尤其涉及一种医疗数据智能分析系统，具体是指一种基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法。
背景技术
健康期望寿命在寿命表的基础上，将人群的健康状况、功能状态、活动能力和死亡状况等一系列指标结合起来，综合评价人群的健康状况。健康期望寿命已被WHO列为评价世界各国人口健康状况的综合性指标。
尽管健康期望寿命的概念是明确的，但由于健康本身是一个多维概念，需要多维度进行人群健康测量或健康评定，不仅需要获取完整的人群死亡资料，还需要详实的人群发病率、患病率、伤残、失能资料，以及对人群健康状况的客观调查。不仅需要的资料种类繁多、数量极大，且必然涉及大数据的分析方法。
目前国内大多数健康期望寿命研究虽然在对人群综合健康评估方面较期望寿命有了很大的提高，但是仍然存在较大的局限性，具体如下：
(1)数据来源较为单一，无法实现海量数据的汇总、清洗、评估和分析
目前国内绝大多数健康期望寿命相关研究主要应用死因监测资料、自报健康调查数据，以及某类疾病的监测数据开展健康期望寿命的测算，数据来源较为单一。而人群真实的健康海量数据，若无强大的数据库作为支撑，则无法实现海量数据的汇总、清洗、评估和分析。
(2)功能单一，不能综合评估人群真实健康状况
目前国内绝大多数健康期望寿命研究主要评估居民主观健康状况，或是无某种失能的健康期望寿命，或是无某类疾病的健康期望寿命，功能简单，所形成的指标也较为单一。既不能评价不同疾病所造成的健康损失，也不能定量测算吸烟、饮酒等危险因素对人群健康造成的危害，不能全面综合反映人群的真实健康状况。
(3)依赖分析人员的业务能力
健康期望寿命测算和分析是专业性非常强的工作，特别是对公共卫生知识要求较高，对于在数据管理和统计分析能力不足的人员或团队，要开展健康期望寿命测算和分析是一份十分艰巨的任务。现有的健康期望寿命分析模式过分依赖于专业人员的能力，在重复耗费大量人力物力的基础上也不一定能够实现可持续的健康期望寿命的有效测算。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种能长效收集人群健康数据、构建多类别数据专题仓库、建立健康期望寿命测算及其影响因素的分析模型的基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法。
为了实现上述目的，本发明的基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法如下：
该基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其主要特点是，该系统包括：
基础设施层子系统，用于安装系统所需的硬件和软件设备；
数据资源层子系统，与所述的基础设施层子系统相连接，且用于采集储存数据并构建健康期望寿命主体数据仓库；
应用层子系统，与所述的基础设施层子系统和所述的数据资源层子系统均相连接，且用于对数据进行计算、分析和展示。
较佳地，所述的系统还包括：
管理保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于建立系统的管理体制和规范；
安全保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于保障系统安全。
较佳地，所述的基础设施层子系统包括机房环境设备、网络安全设备、服务器、存储设备和系统软件，所述的机房环境设备、网络安全设备、服务器、存储设备和系统软件彼此之间均相互连接。
较佳地，所述的数据资源层子系统中的数据包括人口数据、死因登记数据、电子病历及健康档案和卫生调查数据。
较佳地，所述的应用层子系统包括：
数据资源管理模块，用于管理数据来源，并对数据进行采集和标准化处理；
数据应用服务管理模块，与所述的数据资源管理模块相连接，且用于对数据质量进行维护管理；
大数据专题分析模块，与所述的数据应用服务模块相连接，且用于对数据进行计算分析，并对健康期望寿命状况进行评估；
大数据时空展现控制模块，与所述的大数据专题分析模块相连接，且用于丰富数据的展示方式和层次，并分析数据。
较佳地，所述的管理保障体系子系统包括管理机制体制控制模块和法规标准规范管理模块，所述的管理机制体制控制模块和法规标准规范管理模块相连接。
较佳地，所述的安全保障体系子系统包括安全技术防护措施管理模块和安全保障基础设施管理模块，所述的安全技术防护措施管理模块和安全保障基础设施管理模块相连接。
该利用上述系统基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其主要特点是，所述的方法包括以下步骤：
(1)所述的数据资源层子系统对数据资源进行管理；
(2)所述的应用层对所述的数据资源层子系统中的数据进行计算分析；
(3)所述的应用层中的大数据时空展现控制模块将数据进行展示并分析。
较佳地，所述的步骤(1)包括以下步骤：
(1.1)所述的数据资源层子系统建立知识型数据仓库；
(1.2)所述的数据资源层子系统汇聚卫生医疗大数据；
(1.3)所述的数据资源层子系统对所述的卫生医疗大数据进行核查和评估；
(1.4)所述的数据资源层子系统对数据进行整合并建立分析型数据仓库。
较佳地，所述的步骤(1.3)包括以下步骤：
(1.3.1)所述的数据资源层子系统分析卫生医疗大数据的特征，并建立数据变量和其取值的逻辑关系；
(1.3.2)所述的数据资源层子系统核查数据的缺失值、逻辑关系和极端值，并生成数据核查报告；
(1.3.3)所述的数据资源层子系统通过普元中间件将数据传给接入方，所述的接入方对数据进行修订并返还给所述的数据资源层子系统；
(1.3.4)所述的数据资源层子系统填补缺失数据并建立分析型数据仓库。
较佳地，所述的步骤(2)包括以下步骤：
(2.1)所述的应用层对期望寿命进行计算分析；
(2.2)所述的应用层对无病伤残期望寿命进行计算分析；
(2.3)所述的应用层对病伤残调整期望寿命进行计算分析；
(2.4)所述的应用层对自评健康期望寿命进行计算分析。
较佳地，所述的步骤(2.1)包括以下步骤：
(2.1.1)所述的数据资源管理模块抽取出生和死因数据开发寿命表；
(2.1.2)所述的大数据专题分析模块根据所述的寿命表测算人群主要慢性疾病的早死概率。
较佳地，所述的寿命表包括完整寿命表和简略寿命表。
较佳地，所述的步骤(2.1.2)包括以下步骤：
(2.1.2.1)所述的大数据专题分析模块根据寿命表计算各年龄组各种疾病的死亡率；
(2.1.2.2)所述的大数据专题分析模块根据死亡率与死亡概率的条件概率关系计算相应的死亡概率；
(2.1.2.3)所述的大数据专题分析模块计算30～70岁人群的早死概率。
较佳地，所述的步骤(2.1.2.2)中的计算相应的死亡概率，具体为：
根据以下公式计算相应的死亡概率：
其中，nmx为x岁到x+n岁组人群的死亡率，nqx即为x岁到x+n岁组人群的死亡概率nmx。
较佳地，所述的步骤(2.1.2.3)中的计算30～70岁人群的早死概率，具体为：
根据以下公式计算30～70岁人群的早死概率：
较佳地，所述的步骤(2.2)包括以下步骤：
(2.2.1)所述的数据资源管理模块抽取无病伤残的医疗数据；
(2.2.2)所述的大数据专题分析模块根据所述的无病伤残的医疗数据计算不同性别、年龄人群的现患率；
(2.2.3)所述的大数据专题分析模块根据期望寿命计算无病伤残期望寿命。
较佳地，所述的无病伤残的医疗数据包括痴呆、残疾、残损、残障、糖尿病、高血压、脑卒中、结核病和肿瘤的疾病医疗数据。
较佳地，所述的步骤(2.2.3)中的计算无病伤残期望寿命，具体为：
根据以下公式计算无病伤残期望寿命：
nhx＝nLx.·1-nRx)；
其中，nRx为年龄别病伤残率，lx为(x，x+n)年龄组人群的尚存人数，nLx为(x，x+n)年龄组人群的生存人年数，nhx为年龄别去病伤残人年，Hx为年龄别去病伤残累计生存人年，为年龄别去病伤残期望寿命。
较佳地，所述的步骤(2.3)包括以下步骤：
(2.3.1)所述的数据资源管理模块按疾病种类对慢性疾病抽取患病人数数据以及对急性疾病抽取发病人次数据；
(2.3.2)根据各类疾病的平均就诊次数为权重校正相应疾病的发病率；
(2.3.3)所述的大数据专题分析模块计算不同疾病分类层级下，不同性别、年龄人群各种疾病的患病率和发病率数据。
较佳地，所述的步骤(2.3)中还包括各类疾病死亡所导致的寿命损失年YLL和各类疾病和伤残所导致的寿命损失年YLD的计算步骤，所述的计算各类疾病所导致的健康损失YLL和YLD，具体为：
根据以下公式计算各类疾病所导致的健康损失YLL和YLD：
YLL＝N·Ce(ra)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
YLD＝I·DW·Ce(rα)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
其中，I为各疾病的发病例数，DW为各种疾病对应的伤残权重，L为病程，r为贴现率，C为年龄权重修正常数，β为年龄权重参数，a为发病年龄。
较佳地，所述的步骤(2.3)中还包括各类疾病所致负担DALY的计算步骤，所述的计算各类疾病所致负担DALY，具体为：
根据以下公式计算各类疾病所致负担DALY：
DALY＝YLL+YLD。
较佳地，所述的步骤(2.3)中还包括健康期望寿命HALE的计算步骤，所述的计算健康期望寿命HALE，具体为：
根据以下公式计算健康期望寿命HALE：
其中，lx表示简略寿命表中x岁时尚存的人数；Li表示x-x+5岁组存活的人年数；w表示最后一个的年龄组；YLDri表示第i年龄组的YLD率。
较佳地，所述的步骤(2.4)包括以下步骤：
(2.4.1)所述的大数据专题分析模块对人群健康抽样调查数据进行校正；
(2.4.2)所述的大数据专题分析模块根据不同健康维度的权重对总体健康状况进行综合评估；
(2.4.3)所述的大数据专题分析模块计算自评健康期望寿命。
较佳地，所述的步骤(2.4.1)中大数据专题分析模块通过混合等级有序概率模型对人群健康抽样调查数据进行校正。
较佳地，所述的步骤(2.4.3)中大数据专题分析模块根据Sullivan法计算自评健康期望寿命。
较佳地，所述的步骤(3)包括以下步骤：
(3.1)所述的大数据时空展现控制模块分析影响居民健康期望的主要疾病和危险因素；
(3.2)所述的大数据时空展现控制模块通过GIS系统展示不同人群的特征数据。
采用了该发明中的基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法，为上海市健康期望寿命测算提供统一、标准化的自动测算和智能分析系统，具体效果如下：
(1)健康期望寿命数据资源管理平台
知识型数据仓库的构建：通过文献检索、专家咨询和网络爬虫，汇聚健康期望寿命测算相关的知识数据，兼顾数据查询利用的便捷和信息分析维度的扩充，构建集疾病分类体系、健康权重、危险因素等信息的知识星型数据仓库，为健康期望寿命分析的可持续性奠定基础；
分析型数据仓库的构建：依托长效畅通的数据收集渠道，实现健康期望寿命所需的数据资源及历史数据的抽取、清洗、拆分、重构、整合，并按信息资源数据架构、数据标准规范等进行整理、集成，并根据统一的数据模型整合落地，形成统一标准、统一索引，从而对健康期望寿命相关的医疗、卫生信息资源进行有效的掌握和管理，为医疗卫生信息资源的深化利用奠定基础。
主要功能包括：源数据管理、信息资源目录管理、信息资源映射转换、数据智能整合、数据交换标准管理等。
(2)健康期望寿命数据应用服务平台
面向数据资源管理平台已整合的医疗卫生信息资源，按照健康期望寿命测算和分析需求对数据进行分类整理，并建立指标目录索引，以实现数据资源的共享及利用。除此之外，健康期望寿命数据应用服务平台结合上海市健康信息网已有的质量控制机制，针对大数据利用中指标的形成、应用过程进行数据质量监测、评估、清洗，提高指标应用可信度。主要功能包括：运行机制及规范管理、数据质量评估及核对、运营维护管理、主体管理。
(3)健康期望寿命大数据专题分析平台
基于数据资源管理平台汇集的各类业务数据以及抽样调查获取的人群健康评估数据，通过统计模型和大数据分析技术，完成一系列健康期望寿命指标体系，实现基于健康期望寿命主题对上海市医疗卫生大数据的有效应用。主要功能包括：数据管理及维护、抽样调查管理、健康期望寿命指标体系管理、健康期望寿命专题分析(期望寿命、无病期望寿命、无伤残期望寿命、自评健康期望寿命、病伤残调整期望寿命)、综合分析等。具体模块有：
数据关联及维护：根据数据质量评估结果对数据交换及资源映射中所涉及的关联关系进行定期维护；根据数据利用需求形成对既有数据关联关系进行增删改等的维护；
抽样调查管理：实现对抽样调查的抽样框管理、数据抽样、样本库管理、调查项目管理等功能。抽样框包含所有抽样对象的名单或名册，能够查看现有的所有抽样框的列表，可进行数据添加、删除、修改、批量导入/导出等。能够根据不同调查所要求的抽样范围、样本数量和抽样方法，取得样本数据。实现对各类样本的分类管理、明细维护、分析比对等功能。对调查项目进行统一存储和管理，记录历次调查的项目名称、责任部门、调查目的、等基本信息，实现数据添加、删除、修改、批量导入/导出、过滤查询等功能，主要是在抽样调查项目完成后，起到归档和管理作用。
健康期望寿命专题分析：在信息资源平台的基础上，实现简略寿命表和完整寿命表计算步骤，完成期望寿命的综合分析，结合健康期望寿命数据资源管理平台的知识数据库，实现病伤残及危险因子测算，构建病伤残调整期望寿命专题分析模型工具，完成病伤残调整期望寿命专题分析。基于人群健康抽样调查数据，运用Chopit模型对不同地区和不同年龄组人群的总体健康水平及疼痛、运动功能、情绪焦虑等8个维度的健康水平分别进行校正，实现基于自评数据的健康评估，并依此结果运用Sullivan法，测算居民自评健康期望寿命。
(4)健康期望寿命大数据时空展现平台
通过从时间和空间维度整理、分析展现各区域健康期望寿命相关指标，并通过时空交叉关联等分析方法，透视数据潜在价值信息、发现潜藏规律与异常特征，分析影响上海市居民健康期望的主要疾病和危险因素，为决策提供依据。主要功能包括：基于时间空间的多维数据分析、健康期望寿命报告管理等。
附图说明
图1为本发明的基于卫生医疗大数据的健康期望寿命应用支撑信息系统的总体架构图。
图2为本发明的基于卫生医疗大数据的健康期望寿命应用支撑信息方法的业务流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
本发明的具体实施方式中，该基于卫生医疗大数据的实现健康期望寿命运算分析功能的系统，包括：
(1)基础设施层子系统，用于安装系统所需的硬件和软件设备；
(2)数据资源层子系统，与所述的基础设施层子系统相连接，且用于采集储存数据并构建健康期望寿命主体数据仓库；
(3)应用层子系统，与所述的基础设施层子系统和所述的数据资源层子系统均相连接，且用于对数据进行计算、分析和展示。
所述的系统还包括：
管理保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于建立系统的管理体制和规范；
安全保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于保障系统安全。
其中，所述的基础设施层子系统包括机房环境设备、网络安全设备、服务器、存储设备和系统软件，所述的机房环境设备、网络安全设备、服务器、存储设备和系统软件彼此之间均相互连接。
所述的数据资源层子系统中的数据包括人口数据、死因登记数据、电子病历及健康档案和卫生调查数据。
所述的应用层子系统包括：
数据资源管理模块，用于管理数据来源，并对数据进行采集和标准化处理；
数据应用服务管理模块，与所述的数据资源管理模块相连接，且用于对数据质量进行维护管理；
大数据专题分析模块，与所述的数据应用服务模块相连接，且用于对数据进行计算分析，并对健康期望寿命状况进行评估；
大数据时空展现控制模块，与所述的大数据专题分析模块相连接，且用于丰富数据的展示方式和层次，并分析数据。
所述的管理保障体系子系统包括管理机制体制控制模块和法规标准规范管理模块，所述的管理机制体制控制模块和法规标准规范管理模块相连接。
所述的安全保障体系子系统包括安全技术防护措施管理模块和安全保障基础设施管理模块，所述的安全技术防护措施管理模块和安全保障基础设施管理模块相连接。
在本发明的具体实施方式中，该利用上述系统基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其中包括以下步骤：
(1)所述的数据资源层子系统对数据资源进行管理；
(1.1)所述的数据资源层子系统建立知识型数据仓库；
(1.2)所述的数据资源层子系统汇聚卫生医疗大数据；
(1.3)所述的数据资源层子系统对所述的卫生医疗大数据进行核查和评估；
(1.3.1)所述的数据资源层子系统分析卫生医疗大数据的特征，并建立数据变量和其取值的逻辑关系；
(1.3.2)所述的数据资源层子系统核查数据的缺失值、逻辑关系和极端值，并生成数据核查报告；
(1.3.3)所述的数据资源层子系统通过普元中间件将数据传给接入方，所述的接入方对数据进行修订并返还给所述的数据资源层子系统；
(1.3.4)所述的数据资源层子系统填补缺失数据并建立分析型数据仓库；
(1.4)所述的数据资源层子系统对数据进行整合并建立分析型数据仓库；
(2)所述的应用层对所述的数据资源层子系统中的数据进行计算分析；
(2.1)所述的应用层对期望寿命进行计算分析；
(2.1.1)所述的数据资源管理模块抽取出生和死因数据开发寿命表；
(2.1.2)所述的大数据专题分析模块根据所述的寿命表测算人群主要慢性疾病的早死概率；
(2.1.2.1)所述的大数据专题分析模块根据寿命表计算各年龄组各种疾病的死亡率；
(2.1.2.2)所述的大数据专题分析模块根据死亡率与死亡概率的条件概率关系计算相应的死亡概率；
(2.1.2.3)所述的大数据专题分析模块计算30～70岁人群的早死概率；
(2.2)所述的应用层对无病伤残期望寿命进行计算分析；
(2.2.1)所述的数据资源管理模块抽取无病伤残的医疗数据；
(2.2.2)所述的大数据专题分析模块根据所述的无病伤残的医疗数据计算不同性别、年龄人群的现患率；
(2.2.3)所述的大数据专题分析模块根据期望寿命计算无病伤残期望寿命；
(2.3)所述的应用层对病伤残调整期望寿命进行计算分析；
(2.3.1)所述的数据资源管理模块按疾病种类对慢性疾病抽取患病人数数据以及对急性疾病抽取发病人次数据；
(2.3.2)根据各类疾病的平均就诊次数为权重校正相应疾病的发病率；
(2.3.3)所述的大数据专题分析模块计算不同疾病分类层级下，不同性别、年龄人群各种疾病的患病率和发病率数据；
(2.4)所述的应用层对自评健康期望寿命进行计算分析；
(2.4.1)所述的大数据专题分析模块对人群健康抽样调查数据进行校正；
(2.4.2)所述的大数据专题分析模块根据不同健康维度的权重对总体健康状况进行综合评估；
(2.4.3)所述的大数据专题分析模块计算自评健康期望寿命；
(3)所述的应用层中的大数据时空展现控制模块将数据进行展示并分析；
(3.1)所述的大数据时空展现控制模块分析影响居民健康期望的主要疾病和危险因素；
(3.2)所述的大数据时空展现控制模块通过GIS系统展示不同人群的特征数据。
所述的寿命表包括完整寿命表和简略寿命表。
所述的步骤(2.1.2.2)中的计算相应的死亡概率，具体为：
根据以下公式计算相应的死亡概率：
其中，nmx为x岁到x+n岁组人群的死亡率，nqx即为x岁到x+n岁组人群的死亡概率nmx。
所述的步骤(2.1.2.3)中的计算30～70岁人群的早死概率，具体为：
根据以下公式计算30～70岁人群的早死概率：
所述的无病伤残的医疗数据包括痴呆、残疾、残损、残障、糖尿病、高血压、脑卒中、结核病和肿瘤的疾病医疗数据。
所述的步骤(2.2.3)中的计算无病伤残期望寿命，具体为：
根据以下公式计算无病伤残期望寿命：
nhx＝nLx·(1-nRx)；
其中，nRx为年龄别病伤残率，lx为(x，x+n)年龄组人群的尚存人数，nLx为(x，x+n)年龄组人群的生存人年数，nhx为年龄别去病伤残人年，Hx为年龄别去病伤残累计生存人年，为年龄别去病伤残期望寿命。
所述的步骤(2.3)中还包括各类疾病死亡所导致的寿命损失年YLL和各类疾病和伤残所导致的寿命损失年YLD的计算步骤，所述的计算各类疾病所导致的健康损失YLL和YLD，具体为：
根据以下公式计算各类疾病所导致的健康损失YLL和YLD：
YLL＝N·Ce(ra)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
YLD＝I·DW·Ce(rα)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
其中，I为各疾病的发病例数，DW为各种疾病对应的伤残权重，L为病程，r为贴现率，C为年龄权重修正常数，β为年龄权重参数，a为发病年龄。
所述的步骤(2.3)中还包括各类疾病所致负担DALY的计算步骤，所述的计算各类疾病所致负担DALY，具体为：
根据以下公式计算各类疾病所致负担DALY：
DALY＝YLL+YLD。
所述的步骤(2.3)中还包括健康期望寿命HALE的计算步骤，所述的计算健康期望寿命HALE，具体为：
根据以下公式计算健康期望寿命HALE：
其中，lx表示简略寿命表中x岁时尚存的人数；Li表示x-x+5岁组存活的人年数；w表示最后一个的年龄组；YLDri表示第i年龄组的YLD率。
所述的步骤(2.4.1)中大数据专题分析模块通过混合等级有序概率模型对人群健康抽样调查数据进行校正。
所述的步骤(2.4.3)中大数据专题分析模块根据Sullivan法计算自评健康期望寿命。
在实际使用当中，本发明涉及跨平台智能整合医疗、卫生和人群健康测量大数据，结合健康期望寿命模型构建要求，通过对海量异构数据的逻辑核查、缺失核实、数据降噪、数据编码标准化等程序建立数据智能分析平台，形成连续、完整、可信的人群多维健康信息数据，并对数据的完整性、准确性、唯一性和逻辑关系进行综合评价，以及时发现平台对接数据中所存在的问题并反馈给源系统，促进数据质量的共同提升。在此基础上，应用高并发处理、高可用处理、集群、实时性计算等大数据技术，结合多重填补、多阶有序潜变量模型和Sullivan法等统计分析模型，建立健康期望寿命测算及其影响因素的分析模型，实现基于大数据的健康期望寿命应用支撑信息系统。
本发明是公共卫生、临床诊疗和人群健康大数据跨平台综合利用的一次创新，填补了全国基于全人群真实卫生、健康和诊疗数据测算健康期望寿命的空白，所形成的对数据的自动化、智能化管理方式，和固化的模型分析方式为长期开展居民健康的监测和评估，及时有效分析威胁人群健康的主要疾病或危险因素，为寻找合理的干预措施，提高人群健康水平提供有力的信息和依据，为卫生政策的制定提供了连续、完整和科学的循证依据。
本发明重点针对在现有信息化条件下，通过信息化途径，跨平台整合海量人群健康数据，构建健康期望寿命所需数据的长效收集更新渠道，形成连续、完整、可信的数据体系；建立健康期望寿命所需数据资源目录，在此基础上对收集的出生死亡数据、临床诊疗数据、疾病、伤害和危险因素监测数据进行分类、清洗、标化、拆分、重构，形成多类别的数据专题仓库群；基于健康期望寿命模型，通过数据专题仓库群和以及专项调查数据的海量信息，通过海量数据专题分析计算，实现多维度的时空分析与展现；分析主要疾病及其危险因素对人群健康的影响，预警危险因素和疾病，为卫生政策的制定和预防措施的实施提供依据，提搞卫生医疗数据的综合利用效率，提生卫生循证决策的效率。
为实现基于卫生医疗大数据的健康期望寿命的自动测算和智能分析，本发明采用了“三层两体系”的总体架构，分别为基础设施层、数据资源层、应用层，以及管理保障体系、安全保障体系。
数据资源层是本项目的核心，其基于现有疾病预防控制中心内部及外部的信息资源，构建完整的健康期望寿命主体数据仓库，以此支撑健康期望寿命应用层的相关应用。
应用层主要包括数据资源管理平台、数据应用服务平台、大数据专题分析平台、大数据时空展现平台4部分。数据资源管理平台侧重于对数据来源的管理，以及对数据采集和标准化处理；数据应用服务平台侧重于提升数据质量，并从应用角度把数据包装成服务面向不同的应用场景进行开放；大数据专题分析平台则通过不同维度的形式对既有数据进行全面展示、分析，从而对本市当前的健康期望寿命状况进行合理评估；大数据时空展现平台则利用GIS等工具丰富数据的展示方式和层次，便于对数据所反映的问题进行挖掘。
主要技术方案和实现流程：
1、数据资源管理和应用设计
(1)建立知识型数据仓库：通过文献检索、专家咨询和网络爬虫，汇聚健康期望寿命测算相关的知识数据，兼顾数据查询利用的便捷和信息分析维度的扩充，构建集疾病分类体系、健康权重、危险因素等信息的星型知识数据仓库；
(2)卫生医疗大数据汇聚：依据健康期望寿命所需数据类型及特征，建立健康期望寿命专题分析数据交换标准体系，明确数据源、字段名、字段类型、字段长度、字段含义等信息，通过系统对接和数据导入的方式汇聚卫生医疗大数据；
(3)海量数据的清洗和评估：分析多来源异构数据特征，建立各变量及取值之间的逻辑关系，对所有数据进行缺失值、逻辑关系和极端值的核查，生成数据核查报告，并通过普元中间件推向接入系统，接入方可根据实际情况进行数据修订，以提高相关业务系统数据质量；对于缺失比例较高的关键数据，采用缺失值多重填补法，分析现有数据特征，并依此填补缺失数据，形成完整数据集；
(4)数据智能整合：利用现有的疾病分类(ICD-10)、行政区划代码、职业分类与代码(GB/T 6565-2015)，和自建的代码体系，如性别、学历、医院类别、诊断等，对海量异构数据，进行标准化整合，形成有效分析数据库。
2、数据分析平台开发
(1)期望寿命专题分析
从数据资源管理平台抽取出生和死因数据，基于蒋氏寿命表法，开发完整寿命表和简略寿命表，完成上海市人群期望寿命的测算和分析。并基于寿命表，完成人群主要慢性疾病(循环系统疾病、恶性肿瘤、糖尿病、慢性呼吸系统疾病等)的早死概率测算，测算方法如下：
a)依据寿命表算出各年龄组各种疾病的“死亡率(nmx)”；
b)依据死亡率与死亡概率的条件概率关系计算相应的“死亡概率”；
c)计算30-70岁人群的早死概率：
(2)无病伤残期望寿命专题分析
从数据资源管理平台抽取痴呆、残疾、残损、残障、糖尿病、高血压、脑卒中、结核病、肿瘤等数据，计算不同性别、年龄人群的现患率，应用Sullivan法在期望寿命的基础上将人的生理存活状态分为健康和非健康两种状态，计算无病伤残期望寿命，计算步骤如下：
nhx＝nLx·(1-nRx)
nRx-年龄别病伤残率
nhx-年龄别去病伤残人年
Hx-年龄别去病伤残累积生存人年
ex *-年龄别去病伤残期望寿命
(3)病伤残调整期望寿命专题分析
链接智能整合后的卫生医疗大数据和知识数据仓库的疾病分类表单，从数据资源管理平台按疾病种类，对慢性疾病抽取患病人数数据，对急性疾病抽取发病人次数据；对于某些疾病存在单次发病多次就诊的问题，本系统采用捕获一再捕获的抽样方法，估计各类疾病的平均就诊次数，并以此为权重，校正相应疾病的发病率；最后计算获得不同疾病分类层级下，不同性别、年龄人群各种疾病的患病率和发病率数据，并在系统中以树形图的方式直观展现。
将各类疾病患/发病数据，链接知识数据仓库的病程和权重数据表单，测算各类疾病所导致的健康损失YLL和YLD，计算各类疾病所致负担DALY，并进一步计算健康期望寿命HALE。
YLL＝N·Ce(ra)/(β+r)2[e-(β+r)(L+a)[-(β+r)(L+a)-1]-e-(β+r)a[-(β+r)a-1]]
YLD＝I·DW·Ce(ra)/(β+r)2[e-(β+r)(L+a)[-(β+r)(L+a)-1]-e-(β+r)a[-(β+r)a-1]]
I：各疾病的发病例数；
DW：各种疾病对应的伤残权重；
L：病程；
r：贴现率；
C：年龄权重修正常数；
β：年龄权重参数；
a：发病年龄。
DALY＝YLL+YLD
其中，lx表示简略寿命表中x岁时尚存的人数；Li表示x-x+5岁组存活的人年数；w表示最后一个的年龄组；YLDri表示第i年龄组的YLD率。
(4)自评健康期望寿命专题分析
通过本发明建立的具有抽样设计、实施、质控和量表分析的抽样管理平台，获取人群自评健康数据。对自评健康数据存在的自报偏倚采用混合等级有序概率模型(Chopit，compound hierarchical ordered probit model)校正，获得具有人群间具有可比性的各维度的健康数据；创建熵值法，并应用主成分析，测算不同健康维度的权重，用于对总体健康状况的综合评估，并在此基础上应用Sullivan法计算自评健康期望寿命。
3、大数据时空展现平台开发
本系统充分利用开源数据，采用百度地图作为对接的GIS系统，将不同人群的特征数据在上海地理图层上进行时空展示，并通过时空交叉关联等分析方法，透视数据潜在价值信息、发现潜藏规律与异常特征。
采用了该发明中的基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法，为上海市健康期望寿命测算提供统一、标准化的自动测算和智能分析系统，具体效果如下：
(1)健康期望寿命数据资源管理平台
知识型数据仓库的构建：通过文献检索、专家咨询和网络爬虫，汇聚健康期望寿命测算相关的知识数据，兼顾数据查询利用的便捷和信息分析维度的扩充，构建集疾病分类体系、健康权重、危险因素等信息的知识星型数据仓库，为健康期望寿命分析的可持续性奠定基础；
分析型数据仓库的构建：依托长效畅通的数据收集渠道，实现健康期望寿命所需的数据资源及历史数据的抽取、清洗、拆分、重构、整合，并按信息资源数据架构、数据标准规范等进行整理、集成，并根据统一的数据模型整合落地，形成统一标准、统一索引，从而对健康期望寿命相关的医疗、卫生信息资源进行有效的掌握和管理，为医疗卫生信息资源的深化利用奠定基础。
主要功能包括：源数据管理、信息资源目录管理、信息资源映射转换、数据智能整合、数据交换标准管理等。
(2)健康期望寿命数据应用服务平台
面向数据资源管理平台已整合的医疗卫生信息资源，按照健康期望寿命测算和分析需求对数据进行分类整理，并建立指标目录索引，以实现数据资源的共享及利用。除此之外，健康期望寿命数据应用服务平台结合上海市健康信息网已有的质量控制机制，针对大数据利用中指标的形成、应用过程进行数据质量监测、评估、清洗，提高指标应用可信度。主要功能包括：运行机制及规范管理、数据质量评估及核对、运营维护管理、主体管理。
(3)健康期望寿命大数据专题分析平台
基于数据资源管理平台汇集的各类业务数据以及抽样调查获取的人群健康评估数据，通过统计模型和大数据分析技术，完成一系列健康期望寿命指标体系，实现基于健康期望寿命主题对上海市医疗卫生大数据的有效应用。主要功能包括：数据管理及维护、抽样调查管理、健康期望寿命指标体系管理、健康期望寿命专题分析(期望寿命、无病期望寿命、无伤残期望寿命、自评健康期望寿命、病伤残调整期望寿命)、综合分析等。具体模块有：
数据关联及维护：根据数据质量评估结果对数据交换及资源映射中所涉及的关联关系进行定期维护；根据数据利用需求形成对既有数据关联关系进行增删改等的维护；
抽样调查管理：实现对抽样调查的抽样框管理、数据抽样、样本库管理、调查项目管理等功能。抽样框包含所有抽样对象的名单或名册，能够查看现有的所有抽样框的列表，可进行数据添加、删除、修改、批量导入/导出等。能够根据不同调查所要求的抽样范围、样本数量和抽样方法，取得样本数据。实现对各类样本的分类管理、明细维护、分析比对等功能。对调查项目进行统一存储和管理，记录历次调查的项目名称、责任部门、调查目的、等基本信息，实现数据添加、删除、修改、批量导入/导出、过滤查询等功能，主要是在抽样调查项目完成后，起到归档和管理作用。
健康期望寿命专题分析：在信息资源平台的基础上，实现简略寿命表和完整寿命表计算步骤，完成期望寿命的综合分析，结合健康期望寿命数据资源管理平台的知识数据库，实现病伤残及危险因子测算，构建病伤残调整期望寿命专题分析模型工具，完成病伤残调整期望寿命专题分析。基于人群健康抽样调查数据，运用Chopit模型对不同地区和不同年龄组人群的总体健康水平及疼痛、运动功能、情绪焦虑等8个维度的健康水平分别进行校正，实现基于自评数据的健康评估，并依此结果运用Sullivan法，测算居民自评健康期望寿命。
(4)健康期望寿命大数据时空展现平台
通过从时间和空间维度整理、分析展现各区域健康期望寿命相关指标，并通过时空交叉关联等分析方法，透视数据潜在价值信息、发现潜藏规律与异常特征，分析影响上海市居民健康期望的主要疾病和危险因素，为决策提供依据。主要功能包括：基于时间空间的多维数据分析、健康期望寿命报告管理等。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (27)
1.一种基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的系统包括：
基础设施层子系统，用于安装系统所需的硬件和软件设备；
数据资源层子系统，与所述的基础设施层子系统相连接，且用于采集储存数据并构建健康期望寿命主体数据仓库；
应用层子系统，与所述的基础设施层子系统和所述的数据资源层子系统均相连接，且用于对数据进行计算、分析和展示。
2.根据权利要求1所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的系统还包括：
管理保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于建立系统的管理体制和规范；
安全保障体系子系统，与所述的基础设施层子系统、数据资源层子系统和应用层子系统均相连接，用于保障系统安全。
3.根据权利要求1所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的基础设施层子系统包括机房环境设备、网络安全设备、服务器、存储设备和系统软件，所述的机房环境设备、网络安全设备、服务器、存储设备和系统软件彼此之间均相互连接。
4.根据权利要求1所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的数据资源层子系统中的数据包括人口数据、死因登记数据、电子病历及健康档案和卫生调查数据。
5.根据权利要求1所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的应用层子系统包括：
数据资源管理模块，用于管理数据来源，并对数据进行采集和标准化处理；
数据应用服务管理模块，与所述的数据资源管理模块相连接，且用于对数据质量进行维护管理；
大数据专题分析模块，与所述的数据应用服务模块相连接，且用于对数据进行计算分析，并对健康期望寿命状况进行评估；
大数据时空展现控制模块，与所述的大数据专题分析模块相连接，且用于丰富数据的展示方式和层次，并分析数据。
6.根据权利要求2所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的管理保障体系子系统包括管理机制体制控制模块和法规标准规范管理模块，所述的管理机制体制控制模块和法规标准规范管理模块相连接。
7.根据权利要求2所述的基于卫生医疗大数据的健康期望寿命应用支撑信息系统，其特征在于，所述的安全保障体系子系统包括安全技术防护措施管理模块和安全保障基础设施管理模块，所述的安全技术防护措施管理模块和安全保障基础设施管理模块相连接。
8.一种利用权利要求1所述的系统基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的方法包括以下步骤：
(1)所述的数据资源层子系统对数据资源进行管理；
(2)所述的应用层对所述的数据资源层子系统中的数据进行计算分析；
(3)所述的应用层中的大数据时空展现控制模块将数据进行展示并分析。
9.根据权利要求8所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(1)包括以下步骤：
(1.1)所述的数据资源层子系统建立知识型数据仓库；
(1.2)所述的数据资源层子系统汇聚卫生医疗大数据；
(1.3)所述的数据资源层子系统对所述的卫生医疗大数据进行核查和评估；
(1.4)所述的数据资源层子系统对数据进行整合并建立分析型数据仓库。
10.根据权利要求8所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(1.3)包括以下步骤：
(1.3.1)所述的数据资源层子系统分析卫生医疗大数据的特征，并建立数据变量和其取值的逻辑关系；
(1.3.2)所述的数据资源层子系统核查数据的缺失值、逻辑关系和极端值，并生成数据核查报告；
(1.3.3)所述的数据资源层子系统通过普元中间件将数据传给接入方，所述的接入方对数据进行修订并返还给所述的数据资源层子系统；
(1.3.4)所述的数据资源层子系统填补缺失数据并建立分析型数据仓库。
11.根据权利要求8所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2)包括以下步骤：
(2.1)所述的应用层对期望寿命进行计算分析；
(2.2)所述的应用层对无病伤残期望寿命进行计算分析；
(2.3)所述的应用层对病伤残调整期望寿命进行计算分析；
(2.4)所述的应用层对自评健康期望寿命进行计算分析。
12.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.1)包括以下步骤：
(2.1.1)所述的数据资源管理模块抽取出生和死因数据开发寿命表；
(2.1.2)所述的大数据专题分析模块根据所述的寿命表测算人群主要慢性疾病的早死概率。
13.根据权利要求12所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的寿命表包括完整寿命表和简略寿命表。
14.根据权利要求12所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.1.2)包括以下步骤：
(2.1.2.1)所述的大数据专题分析模块根据寿命表计算各年龄组各种疾病的死亡率；
(2.1.2.2)所述的大数据专题分析模块根据死亡率与死亡概率的条件概率关系计算相应的死亡概率；
(2.1.2.3)所述的大数据专题分析模块计算30～70岁人群的早死概率。
15.根据权利要求12所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.1.2.2)中的计算相应的死亡概率，具体为：
根据以下公式计算相应的死亡概率：
其中，nmx为x岁到x+n岁组人群的死亡率，nqx即为x岁到x+n岁组人群的死亡概率nmx。
16.根据权利要求12所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.1.2.3)中的计算30～70岁人群的早死概率，具体为：
根据以下公式计算30～70岁人群的早死概率：
17.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.2)包括以下步骤：
(2.2.1)所述的数据资源管理模块抽取无病伤残的医疗数据；
(2.2.2)所述的大数据专题分析模块根据所述的无病伤残的医疗数据计算不同性别、年龄人群的现患率；
(2.2.3)所述的大数据专题分析模块根据期望寿命计算无病伤残期望寿命。
18.根据权利要求17所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的无病伤残的医疗数据包括痴呆、残疾、残损、残障、糖尿病、高血压、脑卒中、结核病和肿瘤的疾病医疗数据。
19.根据权利要求18所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.2.3)中的计算无病伤残期望寿命，具体为：
根据以下公式计算无病伤残期望寿命：
nhx＝nLx·(1-nRx)；
其中，nRx为年龄别病伤残率，lx为(x，x+n)年龄组人群的尚存人数，nLx为(x，x+n)年龄组人群的生存人年数，nhx为年龄别去病伤残人年，Hx为年龄别去病伤残累计生存人年，为年龄别去病伤残期望寿命。
20.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.3)包括以下步骤：
(2.3.1)所述的数据资源管理模块按疾病种类对慢性疾病抽取患病人数数据以及对急性疾病抽取发病人次数据；
(2.3.2)根据各类疾病的平均就诊次数为权重校正相应疾病的发病率；
(2.3.3)所述的大数据专题分析模块计算不同疾病分类层级下，不同性别、年龄人群各种疾病的患病率和发病率数据。
21.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.3)中还包括各类疾病死亡所导致的寿命损失年YLL和各类疾病和伤残所导致的寿命损失年YLD的计算步骤，所述的计算各类疾病所导致的健康损失YLL和YLD，具体为：
根据以下公式计算各类疾病所导致的健康损失YLL和YLD：
YLL＝N·Ce(ra)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
YLD＝I·DW·Ce(rα)/(β+r)2[e-(β+r)(L+α)[-(β+r)(L+α)-1]-e-(β+r)α[-(β+r)α-1]]；
其中，I为各疾病的发病例数，DW为各种疾病对应的伤残权重，L为病程，r为贴现率，C为年龄权重修正常数，β为年龄权重参数，a为发病年龄。
22.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.3)中还包括各类疾病所致负担DALY的计算步骤，所述的计算各类疾病所致负担DALY，具体为：
根据以下公式计算各类疾病所致负担DALY：
DALY＝YLL+YLD。
23.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.3)中还包括健康期望寿命HALE的计算步骤，所述的计算健康期望寿命HALE，具体为：
根据以下公式计算健康期望寿命HALE：
其中，lx表示简略寿命表中x岁时尚存的人数；Li表示x-x+5岁组存活的人年数；w表示最后一个的年龄组；YLDri表示第i年龄组的YLD率。
24.根据权利要求11所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.4)包括以下步骤：
(2.4.1)所述的大数据专题分析模块对人群健康抽样调查数据进行校正；
(2.4.2)所述的大数据专题分析模块根据不同健康维度的权重对总体健康状况进行综合评估；
(2.4.3)所述的大数据专题分析模块计算自评健康期望寿命。
25.根据权利要求24所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.4.1)中大数据专题分析模块通过混合等级有序概率模型对人群健康抽样调查数据进行校正。
26.根据权利要求24所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(2.4.3)中大数据专题分析模块根据Sullivan法计算自评健康期望寿命。
27.根据权利要求8所述的基于卫生医疗大数据实现健康期望寿命应用支撑信息管理控制的方法，其特征在于，所述的步骤(3)包括以下步骤：
(3.1)所述的大数据时空展现控制模块分析影响居民健康期望的主要疾病和危险因素；
(3.2)所述的大数据时空展现控制模块通过GIS系统展示不同人群的特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811234500.6A CN109411094A (zh) | 2018-10-23 | 2018-10-23 | 基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811234500.6A CN109411094A (zh) | 2018-10-23 | 2018-10-23 | 基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109411094A true CN109411094A (zh) | 2019-03-01 |
Family
ID=65468836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811234500.6A Pending CN109411094A (zh) | 2018-10-23 | 2018-10-23 | 基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109411094A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110931135A (zh) * | 2019-12-05 | 2020-03-27 | 无锡市疾病预防控制中心 | 面向自评调查的健康期望寿命分析方法 |
| CN111105854A (zh) * | 2019-12-12 | 2020-05-05 | 和宇健康科技股份有限公司 | 健康信息系统知识库的搜索引擎系统 |
| CN111899855A (zh) * | 2020-07-16 | 2020-11-06 | 武汉大学 | 一种个体健康与公共卫生数据时空聚集可视化构建方法及平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318351A (zh) * | 2014-10-10 | 2015-01-28 | 中国中医科学院中医临床基础医学研究所 | 一种中医健康管理系统和方法 |
| CN107025274A (zh) * | 2017-03-21 | 2017-08-08 | 华中科技大学 | 基于Hadoop的设备健康状态智能感知系统及方法 |
| CN107153774A (zh) * | 2017-05-24 | 2017-09-12 | 山东大学 | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 |
| CN108062973A (zh) * | 2017-11-30 | 2018-05-22 | 江西洪都航空工业集团有限责任公司 | 一种医疗卫生数据分析方法 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN108597588A (zh) * | 2018-04-25 | 2018-09-28 | 山东大学 | 全人群全生命历程健康图谱创建方法、系统及存储介质 |
-
2018
- 2018-10-23 CN CN201811234500.6A patent/CN109411094A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318351A (zh) * | 2014-10-10 | 2015-01-28 | 中国中医科学院中医临床基础医学研究所 | 一种中医健康管理系统和方法 |
| CN108206058A (zh) * | 2016-12-19 | 2018-06-26 | 平安科技（深圳）有限公司 | 人体综合健康风险预测方法及系统 |
| CN107025274A (zh) * | 2017-03-21 | 2017-08-08 | 华中科技大学 | 基于Hadoop的设备健康状态智能感知系统及方法 |
| CN107153774A (zh) * | 2017-05-24 | 2017-09-12 | 山东大学 | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 |
| CN108062973A (zh) * | 2017-11-30 | 2018-05-22 | 江西洪都航空工业集团有限责任公司 | 一种医疗卫生数据分析方法 |
| CN108597588A (zh) * | 2018-04-25 | 2018-09-28 | 山东大学 | 全人群全生命历程健康图谱创建方法、系统及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| MURRAY CJ ET AL.: "Disability-adjusted life years", 《LANCET 2012》 * |
| 刘宝等: "上海市部分地区成年人伤残调整期望寿命的测算", 《中国卫生统计》 * |
| 周峰等: "上海市居民健康期望寿命的分析", 《中国卫生统计》 * |
| 杨雅平等: "杭州市成人居民健康期望寿命的测算", 《中华疾病控制杂志》 * |
| 毕秋灵等: "中国人口自评健康期望寿命研究", 《中国卫生统计》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110931135A (zh) * | 2019-12-05 | 2020-03-27 | 无锡市疾病预防控制中心 | 面向自评调查的健康期望寿命分析方法 |
| CN111105854A (zh) * | 2019-12-12 | 2020-05-05 | 和宇健康科技股份有限公司 | 健康信息系统知识库的搜索引擎系统 |
| CN111899855A (zh) * | 2020-07-16 | 2020-11-06 | 武汉大学 | 一种个体健康与公共卫生数据时空聚集可视化构建方法及平台 |
| CN111899855B (zh) * | 2020-07-16 | 2024-04-26 | 武汉大学 | 一种个体健康与公共卫生数据时空聚集可视化构建方法及平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105528529B (zh) | 基于大数据分析的中医临床技能评价体系的数据处理方法 | |
| Swanson et al. | Incidence of cluster headaches: A population‐based study in Olmsted County, Minnesota | |
| CN110875095A (zh) | 一种标准化临床大数据中心系统 | |
| CN113345583A (zh) | 一种构建全生命周期居民智慧健康档案的方法及系统 | |
| CN109411094A (zh) | 基于卫生医疗大数据的健康期望寿命应用支撑信息系统及方法 | |
| CN101986333A (zh) | 一种医院辅助决策支持系统 | |
| CN103093106A (zh) | 大型活动中多源数据的传染病症状监测与预警方法 | |
| CN112053040A (zh) | 一种基于疾病诊断相关分组的评价方法及系统 | |
| CN106372389A (zh) | 一种基于移动互联网的慢病主动管理方法 | |
| CN108257648B (zh) | 一种基于大数据的医疗健康数据管理系统 | |
| Shenas et al. | Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes | |
| CN111161820B (zh) | 一种口腔健康管理系统 | |
| CN111553478A (zh) | 基于大数据的社区老年人心血管疾病预测系统与方法 | |
| CN109346173A (zh) | 基于卫生医疗大数据的实现健康期望寿命运算分析功能的系统及方法 | |
| Vittozzi et al. | A model for the European platform for rare disease registries | |
| CN113239050A (zh) | 医疗与心理数据管理系统、方法、设备和存储介质 | |
| CN112992366A (zh) | 基于医保病种付费制icd编码人工智能审核质控模式与系统 | |
| CN112151134B (zh) | 一种基于大数据模型的临床研究数据管理平台及方法 | |
| US20060173716A1 (en) | System and method for real time regional feedback | |
| CN115798715B (zh) | 基于数据分析的慢性呼吸疾病防治信息管理系统 | |
| Completo et al. | Design and implementation of a data warehouse for benchmarking in clinical rehabilitation | |
| CN110189829A (zh) | 一种电力职业人群重大慢性病风险评估方法及系统 | |
| CN112732673A (zh) | 基于大数据实现慢性病质控数据分析处理的系统 | |
| CN113990479A (zh) | 一种医疗监控系统及方法 | |
| Al-Shanableh et al. | Predicting the number of multiple chronic conditions in arizona state using data mining algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |