国内外技术现状
医疗行业早就遇到了海量数据和非结构化数据的挑战，近年来很多国家都在积极推进医疗信息化发展，这使得很多医疗机构有资源来做大数据分析。因此，医疗行业已经和银行、电信、保险等行业一起首先迈入大数据时代。目前，为了提高人们的健康水平以及医疗水平，医疗行业在大数据环境下的各个领域异常活跃。在这些领域中，大数据的分析和应用都将发挥巨大的作用，提高医疗效率和医疗效果。
1.疾病预测与诊断
很多疾病，如果能提前预测病情的出现以及发展趋势，就能尽早地对患者进行预防或治疗，这将在很大程度上降低某些疾病的突发概率。在临床中，准确诊断疾病以及判断病情的严重程度是让患者得到有效治疗的基础。目前，依然有很多疾病很难进行准确预测，以至于很多患者在等到疾病突然发作或恶化以后才去就医，错过了最佳治疗阶段（如卒中、糖尿病和心脏病等），还有一些疾病仅用目前的医理知识还无法快速做出准确诊断或者诊断方法带有严重创伤性的检查（如癌症和阿尔茨海默症等）。因此，面对庞大而复杂的生理特征数据和与疾病相关的数据，采用数据分析技术辅助提高疾病预测与诊断的准确度是十分必要的。以下是对于一些具体疾病使用数据分析技术来辅助进行疾病预测与诊断的研究成果。
1）阿尔茨海默病
阿尔茨海默病（Alzheimer disease，AD）是一种常见的痴呆类疾病，开发能够减缓或阻止阿尔茨海默症发展的新治疗方法，需要有能够跟踪和预测疾病病情发展的方法。目前阿尔茨海默症的确诊只能通过脑活检或者尸检，在医学上，已建立了临床/认知功能度量表（clinical/cognitive measures）用于评估患者的认知状态，并参照这些量表作为临床诊断可能患有阿尔茨海默症的重要标准，比如简明精神状态检查量表（mini mental stateexamination，MMSE）和阿尔茨海默症评估量表认知量表（Alzheimer’S disease assessmentscale－cognitive subscale.ADAS－Cog）。Duchesne等人研究了磁共振图像（magneticresonance image，MRI）与认知功能变化之间的关系，利用主成分分析方法（componentsanalysis，PCA）对所得到的磁共振图像MRI图像进行了维度约简之后，使用线性回归模型对于阿尔茨海默症患者一年的MMSE变化趋势进行了预测。然而使用PCA维度约简技术的缺点是对所建立模型的可解释性较差，Stonnington等人使用关联向量回归（relevance vector regression，RVR）方法对阿尔茨海默症患者的MRI扫描图与相关临床评分之间的关系做了研究，对两个独立医疗数据集（Mayo Clinic和Alzheimer’DiseaseNeuroimaging Initiative）中的数据进行分析之后，建立了根据阿尔茨海默症患者单个的MRI扫描图来预测患者临床评分的连续线性模型。以上这些方法都是根据在一个时间点上的临床数据预测与阿尔茨海默病的病情有关的临床评分，为了提高预测性能，Zhou等人提出了一个能够同时使用多个时间点的临床数据预测阿尔茨海默病临床评分的多任务回归预测方法。该方法在预测临床评分时，使用按时间顺序排列的多组临床数据，把根据某一个时间点临床数据的认知评分预测作为一个任务，提出的时间组Lasso正规化方法（temporal group Lasso regularizer）可以捕捉不同任务间的内在关联。随着数据收集技术的提高以及复杂度的增加，在很多应用中都需要处理异构数据源。对于阿尔茨海默症的预测也不例外，需要从多个异构的数据源中采集不同度量类型的数据进行分析，如磁共振成像（MRI）、正电子发射断层扫描（PET）、基因/蛋白表达数据、基因资料等。另外，在采集的过程中，经常会遇到有些条目块缺失的情况，导致不完整的患者记录。为解决这些问题，Xiang等人提出了一个基于完整多源数据的统一双层高效优化模式。在异构数据的融合中，对于出现的可能含有冗余信息以及噪声的高维度的数据的处理是具有挑战性的，为了建立一个稳定的且可理解的学习模型，选择好的特征筛选方法是至关重要的。一种简单的方法是将所有数据源的数据都放在一起形成一个数据矩阵，然后直接应用传统的特征选择方法进行筛选。这种方法的缺点是将所有数据源中的数据均等对待，而忽略了源数据内部以及源数据间的联系。另一种方法是采用多核学习（multiple kernel learning，MKI。）方法。进行数据融合，这种方法的缺点是只对源数据层进行了分析，并没有考虑特征层，当单个数据源是高维数据时产生的是次最优解。Xiang等人提出的方法把特征层和数据源层的分析统一到了一起，并将该模式扩展到更具有挑战意义的块缺失数据（block－wisemissing data）。通过和现有数据融合方法的比较，比如Lasso回归、Group Lasso、不完备多数据源融合算法（incomplete multi－source fusion，i MSF）、支持向量机（support vectormachine.SVM）、K最近邻算法（K nearest neighbor，KNN）、期望最大化算法（expectationmaximization，EM）等，可以证实该模式可有效应用于阿尔茨海默症的预测。
2）卒中
卒中是导致死亡的三大疾病之一，也是导致严重长期瘫痪的基本原因。准确预测卒中在对患者尽早进行预防、干预和治疗方面有很大帮助。早期的卒中预测模型所采用的特征或风险因子都是经过临床试验或医学专家手工选取的，这些模型中较著名的是Lumley等基于心血管健康研究（cardiovascular health study.CHS）的Generatingsur ViValtimes to simulate Cox proportional hazards models数据库，针对老年群体（大于65岁）。利用从1000多个特征中手工选取的16种特征建立的5年期卒中预测模型。在这个预测模型中，采用了在医疗研究中常用的统计模型Cox比例风险模型。然而，最初的Cox模型的性能极大地依赖于预先确定特征的质量。Goeman等人提出了一种基于梯度上升优化和牛顿迭代方法，能在高维回归模型中有效计算1.1范数洛索（Losso）估计参数。并应用此算法改进了Cox模型。尽管在人工选择5个特征的基础上，Kattan等人。将Cox比例风险模型与神经网络、基于树方法等机器学习模型进行比较的结果显示，Cox比例风险模型有着更好的病情预测能力。但Khosla等人认为在这个比较中，只选取了一些相对简单的机器学习方法，而且机器学习方法在处理具有更多特征的情况时更有优势。考虑到医疗数据集中数据重建、特征选取以及预测等常见问题，他们提出了一种集成机器学习的方法，用来解决卒中疾病的预测问题。首先，作者们提出了一个依据启发式保守均值自动选取健壮特征的算法，然后将此特征选取算法与支持向量机以及基于边界的删失回归（margin basedcensored regression，MCR）算法组合进行预测。实验结果表明该算法对于卒中病情的预测性能不但明显优于Cox比例风险模型，而且还识别了一些其他传统方法没有发现的潜在卒中风险因素。例如，任何心电图异常、MMSE评分、最大肺活量百分比预测等特征都是该算法发现的卒中风险分值较高的几个因素，对这些特征做进一步医学研究会提高卒中的预测水平。
3）红斑鳞状皮肤病
对红斑鳞状皮肤病的鉴别诊断在皮肤病学中是一个难题，这类皮肤病包含有6种类型：牛皮癣、脂溢性皮肤炎、扁平苔藓、玫瑰糠疹、慢性或反复性皮肤病以及毛囊性红色糠疹，这些类型都有红斑和鳞片的临床特征。一般来讲，诊断这些不同的皮肤病需要做活检，鉴别的难点是它们之间有着很多共同的组织病理特征。诊断的另一困难在于在开始阶段这类皮肤病表现出的是另一类的特征，在后面的阶段才会出现自己特有的病症。红斑鳞状皮肤病有34种相关特征，其中有12个临床特征、22个组织病理特征。已经有一些定量的模型，包括多层感知神经网络（multilayer perceptron neural networks，MLPNN）、递归神经网络（recurrent neural networks，RNN）、支持向量机被应用到医疗诊断支持系统，用来辅助人们诊断疾病不幸的是，对于复杂的诊断任务还没有一个可用的理论来指导模型选择，对于大多数模型，设计者们经过模型间的性能比较之后只是简单选择了能得到满意结果的单个方法，或者在测试集上使用交叉验证来评估模型组合。很多的研究结果表明使用人工神经网络（artificial neural networks，ANNs）建模会有更大的灵活性以及能够得到合理准确的预测结果。神经网络的目标是尽可能利用神经网络工具开发一个综合诊断系统。Ubeyli等人选择了人工神经网络对红斑鳞状皮肤病的诊断问题进行了建模，提出了一种基于纠错编码（error correct output codes，ECOC）的多类SVM方法，并将其性能与多层感知器神经网络（multilayer perceptron neural networks，MLPNN）和递归神经网络（recurrent neural network，RNN）方法做了比较。实验表明由于SVM通过使用非线性核函数可以将低维的输入空问映射到较高的空间，能有效处理非线性分类，因此多类SVM有较高性能，并且比另外两种方法显著健壮。另外，他们还指出在解决此问题时，径向基函数比多项式和线性核函数更有效。
在医理中，与红斑鳞状皮肤病的诊断问题相关的特征有34个。已证明对于一个特定的任务并不是所有的特征都重要，有一些是冗余的，有一些是相关的，去除某些特征或许会得到更好的性能。因此，Xie等提出了一种基于SVM的混合特征抽取方法模型来提高诊断红斑鳞状皮肤病的准确性。他们提出的这个新的特征抽取方法称为改进的F—score和页序向前搜索（improved F—score and sequential forward search，IFSFS）方法，结合了过滤法和打包法可以在原始特征集上选择最佳子集的优点。IFSFS方法将F—score只能度量两个实数集之间的差异改进为可以度量多于两个实数集之间的差异，改进后的F—score是过滤法的评估标准，顺序向前搜索是打包法的评估标准。实验结果表明该方法利用选取的21个特征进行分类，得到了98.61%的精度。
另外，Abdi等也使用了特征抽取的方法对红斑鳞状皮肤病诊断问题建立了模型。他们开发了一个基于离子群优化（particle swarm optimization，PSO）、支持向量机和关联规则（association rules，AR）的一个诊断模型AR—PSO－SVM。这个模型分为两个步骤，首先，利用关联规则从原始特征集中选取最佳特征子集，然后采用粒子群优化方法来确定SVM的参数以找到最佳的核函数参数。实验结果表明，AR—PSO－SVM模型获得了98.91%的分类精度。
4）心脏病
在心脏病的诊断与分析之中，Avci L提出了一个智能系统，用来对多普勒心脏瓣膜的信号进行分类。开发了一个基于SAS（statistics analysis system）的心脏病诊断系统。Palaniappan等人开发了一个计算机辅助诊断（computer aided diagnostics，CAD）原型，称为智能心脏病预测系统（intelligent heart disease prediction system，IHDPS），在这个系统中使用了很多数据挖掘工具，如决策树、朴素贝叶斯、神经网络等。Eberhart等人使用自适应神经网络对多道心电图模式进行了分类。
但开发一个心脏病诊断系统是耗时、昂贵的，并且很容易出错。由于心脏病的死亡率很高，有必要更好地了解有关心脏病的致病因素和预防措施，这和提高诊断的准确性一样很重要。因此，Nahar等人调查了导致不同性别的人患病和不患病的因素，使用关联规则挖掘确定这些因素，所用的具体规则生成方法有：Apriori、Predictive Apriori和Tertius。通过分析得到的个人患病和健康的信息，发现女性患冠心病的概率要小于男性，并且能够识别出导致患病与否的特征。
2.患者监控及预警
每年，在医院中有4%～17%的患者因为心肺或呼吸中止而死亡。临床研究发现，如果能够早一些，即在严重临床事件出现之前而不是在发生的时候提供预警，患者的生命是可以挽回的。在许多医疗机构中，采取对患者的临床监控数据进行早期检测、预警和干预的方法来预防这种严重的、常常危及患者生命的临床事件的发生是十分必要的。目前，利用医理知识以及数据挖掘技术已经建立了一些能够进行健康或病情评估的评分系统，对于一些具体的疾病，也提出了很多评估方法。例如，Knaus等人于1981年提出了一个关于急性生理学与慢性健康的评分分类系统APACHE，随时间的推移和科学的发展，先后产生了APACHE和APACHE，APACHE和APACHEⅢ都可用于病情评估，APACHEⅢ的设计更为合理和严密，APACHE较简单易用；Yandiola等人对于住院患者在社区获得性肺炎不良结果的预测中，比较了肺炎严重指数（pneumonia severity index，PSI）以及英国胸科学会的CURB－65评分系统，特殊社区获得性肺炎（serious communityacquired pneumonia，SCAP）评分系统会更准确；McOuatt等人使用决策树技术对头部受伤患者可能出现的结果进行了预测，在临床上，预测一个病情严重患者的结果是具有挑战性的，该办法分析患者现有的数据并预测出若干个可能的结果来建议治疗方案。
在医院里，对于疾病恶化的预测与检测需要更一般化的自动监管方法与算法，用来更方便有效地为所有患者服务，提高医院接纳患者的能力和护理能力，也使医院有更好的能力来应对紧急疫情或突发事件的发生。改良的早期预警评分（modified early warningscore，MEWS）。利用手工收集到的一些可简单度量的生理参数（如收缩压、心率、体温、年龄、呼吸率等）进行计算，用来辨别急诊患者是否有病情恶化的风险，是否需要在加护病房（high dependency units.HDU）或特护病房（intensive care units，ICU）接受特别护理。MEWS只是依据医理对所得到的参数恶化风险程度进行分段打分，分值越高，表示恶化风险越大，然后将这些分值简单相加而得到。为了对所得到的数据做进一步的分析，得到更准确的预测，Mao等面对具有多尺度数据差、测量误差、异常值和数据偏斜等特征的高维监控医疗流数据，使用数据挖掘方法设计了一个能够识别临床恶化信号并对患者是否应该转移到特护病房给出预测的早期预警系统（early warning system.EMS）。在该系统中，使用了逻辑回归、SVM等常用的分类算法，然后采用引导聚合的方案来提高模型的精度以及避免过度拟合。EMS虽然对临床数据进行了分析，得到了精度较高的结果，但所用的数据依然是通过护士手工采集的临床数据。Ko等人设计的MEDiSN虽然使用了无线的设备可以自动地采集临床数据，但只是关注与原始信号的采集、传输、存储和网络系统的架构，并没有对所得到的各种临床数据做进一步的详细分析。在大部分医院中只有在特护病房装配有实时监控传感器可以实时采集患者临床数据。而在普通病房的临床数据是由护士手工获取的。临床研究发现，不管是对于特护病房还是普通病房，通过对实时数据传感（real—time data sensing，RDS）的检测和干预来预防临床患者病情的恶化都是十分必要的，Mao等又将自己的工作做了改进，开发了一个可以根据无线实时数据传感器采集的实时监控信息，对患者病情的恶化给出预警的集成数据挖掘系统。该方法合成了一个包含第一阶和第二阶时间序列特性、去趋势波动分析（detrended fluctuation analysis，DFA）、频谱分析、近似熵以及交叉信号特征的大特征集，并系统评估了一系列已有的数据挖掘方法，包括特征选择、线性与非线性分类算法，还考察了由于类分布不平衡而产生的欠采样问题。结果表明组合特征很好地提升了效果，一些分类算法，比如核SVM、逻辑回归，要比以前使用的线性分类算法健壮。还有一些数据挖掘方法，比如特征选取、勘探欠采样等，都很好地提升了性能。
3.药物警戒
世界卫生组织把药物警戒定义为“与检测、评估、理解和阻止药物不良反应或其他与药物问题有关的科学与活动”。在美国，食品药品监督管理局负责新药的审批，并对上市后的药品进行监督管理以及再评价，新药的临床试验分为三期，三期的试验评估完成之后，就可以证明药品是有效和安全的。但是，在经历新药申请审评程序并被批准上市后，为了保证药品在临床之外以及商业环境中表现得跟预期中的一样好，食品药品监督管理局通过药物警戒的方式会进行大量的监管工作，药品制造商必须审查并向食品药品监督管理局报告他所掌握的每一起药物不良反应事件。美国食品药品监督管理局直接通过他的安全信息及不良反应通报程序（Med Watch program）获得药物不良反应报告，由于这些报告是由用户或医疗专业人士主动上报，所以被称为“自发性报告”。(https://www.daowen.com)
药物治疗会给患者带来很多潜在的危害，如剂量错误、药物反应以及过敏都可导致药品不良反应事件（adverse drug events，ADEs）的发生。不幸的是，目前ADEs仍然在普遍发生，这对医疗护理的质量和效率都带来了消极影响。Bate等人发现在一个医疗集中事件平均会使住院患者的治疗费用增加3 244美元，使住院时间平均增加2.2 d。
ADEs分为两种，事实ADEs和潜在ADEs（potential adverse drug events.PADEs）。事实ADEs是指任何由于药物治疗管理而对患者引起的不良反应或危害，不管是由于药物治疗错误引起的，还是由能够合理避免的ADEs而导致的。PADEs是指药物治疗管理错误没有使患者受到伤害的情况，不管是因为它被终止了，还是没有观察到不良反应。
Wright等人在对曼彻斯特6个社区的药物不良反应案例进行分析后，发现多种药品的不良反应分别由以下4种情况引起。
（1）药品一药品反应（drug—drug interaction，DDI）一种药品的活性或疗效被另一种药品改变。
（2）治疗重复（therapeutic duplication，TD）开了有相同作用的两种药品，产生重复疗效。
（3）药品重复（drug duplication，DD）相同药品的错误管理，或不同药品的组合中含有相同的药物成分。
（4）副作用（additive effects，AE）两种药品不属于同类，也不相互作用，但组合在一起使用后会有潜在危害。
在这些类型中，大部分的事实ADEs是由药品一药品反应引起的，而75%的潜在ADEs是由治疗重复和药品重复引起的。有研究者在通过利用临床评估决策工具识别了29.4%的事实ADEs和89.7%的PADEs的基础上，得出的结论是，在社区医院中，通过使用公用临床决策工具知识库，可以防止一定数量的ADEs的发生。
在DDIs的研究中，在不良反应报告中可以见到一些常见的药物，比如降压药、消炎药和抗凝血药等。那么为什么这么多的DDIs这么长时间以来没有被发现呢？首先，在药品上市前临床试验的最后一个阶段（第三期），由于只对1 000～3 000人做了药品试用评估，因此很难发现一些潜在的DDIs。其次，DDIs的鉴定与很多因素有关。如多种药品同时服用时的剂量、药物的副作用、用药者的遗传基因特征以及人口结构的变化等。在早期的医学研究方法中，科学家们通过临床试验、体内药物动力模型等方法来研究和理解DDIs，但这些方法一次只能分析一种药品或几种药品的组合。随着医疗行业信息化的发展，产生并积累了大量的医疗数据，对于DDIs的研究也发生了一些改变。近几年，有很多新的数据源可使研究者用数据分析的方法更好地识别、预测以及解释DDIs。
（1）科技论文及摘要，MEDLINE是世界最大的医学领域的科技论文仓库，目前包含了超过2000万篇的引文，并以每天数千篇的数量递增。可使用文本挖掘的方法，通过了解在生物医疗研究的过程中最新的关于药品的信息，寻求对DDIs的理解。
（2）不良事件报告，很多国家使用自发的报告系统来维护与健康相关的不良事件数据库，并以此作为药品上市后监管的一种形式。
（3）药品信息源，在美国，所有处方和非处方药品的药品标签全文都可以在国家医学图书馆网站Daily Med上获取。这些标签上包含了一些关于此药品的重要信息，如配方、副作用以及已知的药物互相作用说明等。
（4）电子医疗记录 电子医疗记录的出现在很大程度上促进了用数据化的方法研究DDIs的进程，电子医疗数据中的原始数据可以用于预测DDIs并验证预测结果。但使用这类数据源的主要障碍是数据的可访问性，因为要考虑到患者信息的隐私问题。
据统计，在全世界，可被阻止的药物不良反应数量在入院患者中占3.7%，这对医疗卫生系统来说是个很大的负担。然而，药物不良事件的诊断代码在电子病例（EPRs）中有时候是少报或缺失的。例如，临床中有时候会因为没有将一个新的医疗事件正确识别为药物不良反应事件，而导致在诊断代码中少填有关药物不良反应的信息。若出现最坏的情况。会影响患者的安危，而且也会减少让处方药品风险评估产生错误的ADEs报告数量。经多年积累而产生的电子病历库中有潜在的有价值的资源信息，可以利用这些信息来鉴别药品不良反应。Karlsson等人在斯德哥尔摩EPRs库中抽取了训练集，并使用随机森林和J—Rip规则学习两种机器学习算法对选定的药物不良反应诊断代码（该诊断代码表示由于药物和药剂引起的全身性皮疹）进行了预测建模与比较分析。在不同的特征组合集上，对这种指定药物不良反应的预测结果表明，根据曲线下面积（area under the curve.AUC）来评估，随机森林算法要优于J—Rip规则学习算法。
4.电子病历处理
电子健康纪录（electronic health record，HERs）整合了不同来源的病患健康资讯。包括病患所有的电子病历，理想的电子健康记录应该具有互动性、互用性、安全性、持续性和即时更新的特性。随着医疗领域信息化程度的加深，产生了大量的电子健康记录数据。整理、分析与处理电子健康记录有着广泛的用途。如疾病的诊断与预测、药物预警、个性化医疗、（医疗）资源管理以及公共健康等。对于电子健康记录的研究，除了为解决特定医疗问题而利用HERs提取潜在有价值信息的相关工作以外，还有一些研究是针对由于HERs数据的特殊性而产生的数据处理问题所做的一些通用的基础工作，如文本分析、检索性能的提高、非结构化数据处理及数据整合等。本小节的内容主要是关于后一种研究工作的。
临床记录是电子健康记录的一个完整部分，由于非结构化的特征对临床记录的分析提出了特殊的挑战。Sondhi等人提出了一个对临床记录中的病症关系进行建模和分析的集成挖掘构架Symp Graph，将症状作为节点、症状间的关系作为边的Symp Graph结构可以通过在大量患者的临床记录序列中抽取病症而自动创建，并提出了一个新的矩阵更新算法用来节省图动态更新的计算量。在临床应用中，SympGraph有一个重要的功能，即症状扩展，也就是说通过分析基本的Symp-Graph结构，可以将给定的症状集扩展到其他相关的症状上。实验结果表明扩展的症状对改善疾病预测的曲线下面积估量可提供有效的信息。
由于患者医疗记录数字化数据容量的增加，医疗信息检索系统的性能急需提高。通过查询扩展，关联规则方法可被用于提高信息检索的性能。关联规则挖掘的一个重要困难在于即使给出很合理的支持度和置信度也会生成巨大数量的规则。由于生成的很多规则是不重要的、冗余的或语义错误的，因此在信息检索中使用关联规则方法提高检索性能的主要问题是选择出与查询有关的规则。Babashzadeh等人在2011年文本信息检索会议（Text Retrieval Conference，TREC）的医疗记录评测框架下，提出了一种基于语义关联规则挖掘的医疗上下文查询建模方法。该方法的主要思想是使用统一建模语言（UMI。）系统本体中的概念对电子医疗记录建立语义索引。具体步骤是：首先由覆盖查询的规则得出上下文查询的概念；然后，根据这些概念与查询概念的语义相关性进行加权；最后。利用对患者记录的重新排序来提高临床检索效率。评估结果表明该方法的检索性能优于概率模型BM25（Best Match 25）。