医疗大数据处理层
在医疗大数据分析层，将着重解决两个层面的分析工作。一是面向医疗大数据分析的分析挖掘，将传统的通用数据挖掘工具进行优化改造及并行化实现，在医疗领域本体的支持下，为医疗大数据应用服务提供专用的分析模型库。二是对医疗大数据挖掘利用的基础上，辅以领域知识构建技术，建立生物医学本体知识库模型。
1）面向医疗大数据的分析挖掘
（1）探索采用特异群组挖掘、热点识别模型、多标记分类、直推式分类、效用序列模式挖掘、相关性分析、时序演变分析、比例失调分析、诊疗方案聚类分析、疾病相似度匹配、面向气候变化疾病负担评估、文本挖掘和通用医学统计分析算法分析医疗大数据，在不牺牲挖掘效率和挖掘质量的情况下通过分布式计算（Hadoop Mapreduce）等技术手段，从算法并行优化的角度提高计算效率。
（2）研究布隆过滤器（Bloom filter）、哈希（Hashing）等技术解决算法优化同时可能出现的数据维度灾难问题，实现数据的快速查找和比对，降低计算内存消耗。
（3）由于医学辅助诊断不是普通的数据分析，而是关系到患者安危的重要诊断，需要考虑误诊的代价，挖掘结果评估是重要的，但也是困难的。因此需要研究采用最小描述长度（minimum description length.MDI，）原则，主动学习（active learning）等策略在内的自适应挖掘结果评估算法，建立结果评估的算法。
（4）针对重大疾病“疾病症候群”和“药物治疗反应群”人群样本的基因组数据分析方法开展流程整合和联合分布式数据计算技术的研究，发展和优化多层次全基因组关联分析（genome—wide association study，Gw AS）、e—QTL技术、分子作用网络的随机游走模型、电流回路模型等分析方法，通过算法整合，并行优化和分布式计算优化数据分析能力。建立识别疾病易感基因、筛选原因性基因、重构和模拟基因调控途径、疾病分型的关键技术，揭示疾病发生发展过程和决定药物临床实效的关键分子生物学事件。
（5）研究大数据挖掘和分析方法的集成创新，实现大数据分析理论框架和技术体系的技术突破，形成基于Galaxy、Garuda等高并发计算技术和基于数据可视化技术，建立面向健康、医疗和生物医学的可线性扩展、高可用的数据离线批处理、在线实时分析计算、流数据计算分析处理平台，并针对实际临床业务和健康需求的工作流应用示范。
2）生物医学本体知识库模型(https://www.daowen.com)
（1）研究构建生物学和临床医学融合的生物医学本体知识库，使之成为能与临床电子病历应用集成的多本体融合模型。这一本体知识库不仅包括来自临床医学病种、疾病治疗、药物的知识本体模型，同时还将通过（GO，SNOMED，UMLS，PO，SO）的映射技术，与公共生物学知识本体建立关联规则，支撑临床数据挖掘和主题知识库的建立。
（2）以疾病为中心，依据单病种国际疾病防治指南、国家疾病防治指南、国家疾病标准的疾病模型建立疾病治疗疗效评估和健康风险评估规则，以医疗大数据中的诊疗信息和健康信息为基础针对临床常见疾病，获取门诊及住院患者疾病诊断、人口学资料、临床检验指标、靶器官损伤、并存的临床疾患、疾病转归情况等数据，通过应用基于知识共享的工程化管理方法对临床指南、临床路径、疾病、药品等本体模型的内容、结构与功能进行研究，对医疗健康相关语义知识进行抽取，构成单元属性元素，建立元素之间的关联关系，并进行规范化的表达，形成临床本体知识库模型。
（3）采集并整合公共的生物学本体，形成相应的本体模型，研究本体匹配、集成和关联规则技术，形成整合生物学和临床医学的本体知识规则库架构和服务系统，探索建立知识支持应用系统的接口规范，构建面向诊疗和医疗管理服务的生物医学本体体系，通过融合临床诊疗数据、生物组学数据、基础文献数据为医疗大数据服务提供支持。医疗大数据应用支撑管理层包括了以下几部分功能支撑。
（1）医疗大数据服务总线 为大数据分析服务提供服务查询、服务注册、服务调用、回调服务监听支撑。
（2）医疗大数据数据安全服务为分析服务提供动态数据多敏、数据加密、数据访问审核审批、业务日志审计等服务支撑。
（3）医疗大数据数据管理服务 为通用分析服务提供数据的访问控制、数据资源目录管理、元数据管理、大数据分析任务的托管运行服务以及托管运行任务的查看和访问服务支撑。
（4）运营管理服务系统对大数据应用支撑平台上运行的分析服务提供公共服务资源发现、查找、调用、回调的支撑，并提供对分析服务运行状态的监管监控功能。