Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

郝雪阳作者

下一代医院信息平台要解决什么痛点?三甲医院、阿里云、医惠科技的专家PANEL这么看

拥有20年行业经验的创业软件首席架构师邹悦,曾针对国内医疗信息化的现状做过一个形象的比喻。

他认为,现在的医疗信息化系统好比是一座桥,桥上走的和跑的是患者,桥上的石狮子、花纹等装饰是大数据人工智能物联网

院长们和领导们喜欢看的,往往是桥上的华丽产物,却忽视了桥下的基础。桥下是信息科和软件开发商的人在苦苦支撑,东修西补来维持桥梁的运作,其实早已经不堪重负,所以信息科的人对软件开发商怨声载道,而开发商也是苦不堪言,陷入恶性循环。创建一套拥有强大扩展能力的公式级信息化系统,将成为解决问题的关键。

近日,在动脉网主办的“2018年医疗科技世界论坛”上,几位重量级嘉宾也给出了和邹悦类似的观点。

无锡市人民医院副院长沈崇德、阿里云医疗架构师陈列、思创医惠董事长章笠中,分别作为医院、互联网企业和医疗IT企业方的代表判断,下一代医院信息平台或将具备如下几个特征:

1、以电子病历为核心,基于知识库实现多维的临床决策支持,实现由浅到深的人工智能应用,满足医疗以人财物运营为主体的管理决策支持,以及区域信息平台的互联互通 ;

2、利用云在底层去构建平台,对医院业务进行刻划和勾勒,把基础的能力抽取出来,从数据层面实现统一化。 

3、可以通过各种传感器,比如温湿度传感器、体温传感器,或者体征检测床垫等,为医务人员提供多维度的管控,让医生护士形成全闭环的管理。

以下内容,便是动脉网整理的三位专家的核心观点:

沈院长:新一代的信息平台应该以电子病历为核心,基于知识库实现多维的临床决策支持

大数据人工智能,一定要有一个地方进行数据的采集、清洗、标化以及系统之间的交互,并在此基础上实现丰富的应用。这时,医院就需要建立新一代的信息平台。

现如今,有不少公司都把自己的产品称之为平台。但事实上,医院方根本不了解什么叫信息平台,所以对这些产品很难甄别。有时,他们甚至把一个电子病历浏览器,也称之为信息平台。

所以我想探讨的是,医院为什么做信息平台?信息平台有什么?我们应该怎么做?

数字化医院的定义是什么?应该是无纸化、无线化、无照片化,实现应用对业务流程的全覆盖,是能够对医院业务流程进行数字化整体模拟和流转。到了智慧医院的发展阶段,在三无的基础上,我们还应当关注闭环管理、流程优化和智能导航等。

这一阶段,医院需要新型的信息平台,需要物联网、互联网+,当然,还有人工智能。智慧医院,应该是物联网+互联网+信息平台的产物。

那么,医院为什么要做信息平台?

以无锡市人民医院为例,信息系统共有250个应用模块。当发展到如此多模块,或者医院又面对多院区时,医院应该如何管理?

如果能有一个核心的检验中心、病理中心和影像化诊断中心,便可以实现临床和运营的多院区共享。检验有快递公司送标本,影像信息和检验报告可以实现线上流转、虚拟化诊断,从而大大节省了医院的人力、物力,降低了成本。并且,这也实现了医院的多院区同质化,人财物包括患者的统一管理。这就需要建设信息平台来提供支撑。

现如今,医院做信息平台往往基于两个原因,一个是卫健委的要求,二是系统升级换代的需求。

在医院信息化升级调整的过程中,医院碰到了太多的流氓软件公司。医院为了实现互联互通,往往需要开放系统间的接口,但软件公司通常会对此进行漫天要价。

当医院的系统越来越多,接口也会越来越丰富,这时,就需要一个统一的信息平台来实现接口和服务的标准化,来松开耦合,基于平台来实现互联互通。

医院在做大数据时,发现所有的数据采集过来都杂乱无章,难以使用。原因在于每套系统遵循的码表、字典表、术语表不同,并且各个科室的标准也不尽相同。医院需要有一个信息平台,能够提供标准化的码表、字典,术语表,通过平台进行转换,从而实现数据的标准化利用。

新一代的信息平台的建设目标,应该以电子病历为核心推动医院数据中心建设。同时,它还基于知识库实现多维的临床决策支持,实现由浅到深的人工智能应用,满足医疗以人财物运营为主体的管理决策支持,以及满足区域信息平台的互联互通。

信息平台是产品化的产物,它应当包括多方面的应用,如主数据管理、交互引擎等。

对于信息平台,有的公司会把它拆成多款产品,有的公司则是一款产品。但无论如何呈现,它一定是由一组工具构成,核心是基于ESB,面向SOA,具有业务流程管理功能,可支持医院自动化业务流程编排,以及人工智能参与工作流。此外,它还能够基于事件驱动,实现丰富的数据管理和利用。

作为医院方而言,我们希望能够基于信息平台实现统一注册、统一索引、统一门户、统一交互、统一通讯、统一数据管理和利用。实现数据集成、主数据管理,实现注册服务、相关的码表、字典、术语的标准化,同时实现数据资源管理和CDR建设。例如从临床医生视角,能够全面展示患者全息示图,如生命体征、检查报告、历次就诊的病历资料等。

基于统一注册、统一索引和相关工具实现门户集成。实现只输入一次工号密码,就能登录到所有系统的界面,并且是个性化的界面。

在应用集成方面,我们希望实现面向SOA基于ESB,它支持主流数据和多种适配器、支持智能路由可编排、消息及时可追踪。

医院闭环管理的可视化,在于基于平台数据和系统的深度利用,包括知识库的构建以及基于知识库人工智能大数据利用。

例如临床预警提示、临床辅助诊断导航、治疗方案导航等。这涉及到信息平台对电子病历或其他异构临床系统的信息提取。这需要信息平台建立后台数据库和标准化医学术语库,能够采用映射的方式实现数据标准化,最终实现临床诊疗决策支持。

我们希望通过信息平台实现松耦合,通过标准化接口处理,实现院内院外互联互通,实现数据的沉淀和再利用,实现医院的跨系统管控,以及将大数据应用于科研或教学。

无锡市人民医院也在此进行了一系列尝试,还专门成立了一个人工智能研究院,进行影像学、语音识别和电子病历医疗智能导航方面的人工智能研究,在大数据应用方面的初步目标是建立一个肺移植全国大数据中心。

信息平台建设,我们认为是一个系统工程,需要统筹规划、分步实施。对大部分医院而言,四级乙等的互联互通水平是比较适合的选择,一定是“平台+系统”混合的方式来实现。而四级甲等、五级乙等,需要将医院大量应用集成到平台中,改造量会很大。一个平台要成熟至少需要三年时间,要先易后难,标准先行。从数据标准化做起,从临床数据中心的构建做起,逐步推进。

阿里云陈列:未来医院建设的整体目标——用云平台支撑整个医院信息系统的扩展

云真正的价值并不在于将线下业务搬到互联网上,而在于一个灵活可变的架构,即便这朵云在医院里是作为专有云的存在。

当数据采集到足够多的量,如何进行更有价值的合理利用,这便是医院智慧化的发展阶段。阿里基于对医院发展阶段的判断,以及对院内信息化的构想,提出了未来医院建设的整体目标——用云架构支撑整个医院信息系统的扩展和创新。

云最大的价值在于可变和可用,基于云架构做院内信息化平台建设,可以提升效率、辅助科研,实现临床管理和应用,实现医院数据价值的提取。

第二是实现院内协同,人与人之间的协同,物联网+、人与物之间的协同,以及院内院外的协同。

云架构的解决方案和传统架构的显著区别是把平台搭在底层,医院所有的业务变化需要的支撑都在底部实现。但现阶段,医院信息化业务的变化往往发生在上端。

过去的平台,是从各个系统中抽取数据,然后通过在上端架设平台使数据汇集和贯通,通过消息来对数据进行传递。这虽然是一种方式,但阿里认为如果在底层去构建这个平台,很多业务都可以进行刻划和勾勒的,把基础的能力抽取出来,从数据层面实现统一化。

云的物理架构带来弹性、可变、可用和安全性。上面有中间件层,再上一层是IT的基础构建,例如数据库、应用服务、分布式服务等。

这是一种咨询服务的模式,阿里旗下的天猫超市、盒马生鲜等,都是基于中间件、数据中台的架构实现支持。

云HIS的解决方案,针对大医院(三级医院),阿里采用的是专有云。专有云不一定是在互联网上,也可以部署在医院本地。另外针对广大二级医院,以及信息化投入相对有限的医疗机构,阿里可以提供一个基于公共云的专有网络,为医院提供整套架构服务。

电子病历是整个医院信息的中枢,其服务的主体是患者。患者所有的信息都会汇集到电子病历上,因此这一部分数据,也是最有价值的数据。

过去,医院的电子病历管理是通过人工进行抽查,即便有一些自动化的部分,也更多是针对完整性、纪实性的检查。现在,阿里云的病历质检可以实现对电子病历的内涵质控,可以从源头对数据质量进行保证。

通过智能化,除了减轻医院病历质控的负担,还可以减轻相关科室的负担。有了基础的数据质量,AI也能在一些数据方面为医生提供帮助,比如影像诊断等。这方面,阿里的肺结核包括关节、肝等医学影像分析的诊断已相对成熟。

另外,临床诊疗规范化、标准化的问题。这一部分阿里通过知识图谱来解决,实现对大数据价值的挖掘。基于自然语言处理、语义的提取,到最后知识图谱的产生,阿里和瑞金医院宁光院士研究室进行了糖尿病诊疗方案的智能化研究。现在,系统已经可以在很大程度上减轻医生工作的负担。

在管理智能决策的支撑上,医院的成本如何,病人在医疗服务上的费用如何,医生收入如何,医院的开销和亏损环节,以及医院的战略目标分解和诊疗资源分配等问题,都可以通过数据驾驶舱做进一步考核。 

阿里开发的一站式大数据研发平台,可以满足医院在数据分析方面灵活多变的需要。包括指标数数据集成、实时监控运维、实时分析,基于一整套支撑,实现对数据的可视化呈现。 

医惠科技章笠中:打造共性开放平台,将所有的物联网设备数据都采集到一起

要触及医疗大数据,触及医疗信息化根本的改变,需要把医疗行为水的深度测到底,企业才能真正提供医疗全面融合的解决方案。

目前,人工智能的应用还停留在表象,特别是在影像方面的服务还处在比较浅的层次。人工智能的核心技术和基础是大数据,那么,究竟怎样的数据才是医疗大数据

现阶段,有80%-90%的人工智能公司的业务是影像阅片,基本的方法是通过机器学习把异常的片子找到,再与专家的经验进行对比。但从人工智能的核心价值来讲,最高明的医生也有可能将片子看错。

如果把病人的全程大数据与影像数据进行关联学习,由此产生的人工智能能力一定远远超过专家。做医疗大数据,是把看似不关联的信息集成到一个平台上,这便是医惠科技做的事。

除了数据集成以外,医惠科技也在做物联网集成,通过打造一款共性开放平台,将所有的物联网设备数据都采集到一起。

为了兼容WIFI、蓝牙、4G等网络,医惠科技做了一个融合各种传感网络的高度集成网络平台,以解决数据的融合问题。在此基础上,医惠科技构建了以医疗大数据为中心的物联网。集成之后,可以为医院提供智能化应用,以及各种维度的视图和物联网大数据服务。

共性开放平台的目的是为临床服务。在医院,整个方案可以遍布每一个医疗管理流程,无论是废弃物管理、被服还是高低值耗材管理,都可以整合在一起。

过去,医院经常把监护仪的数据张冠李戴到别的病人身上。如果通过物联网设备的定位信息到具体的床位,将这台设备的工作情况、温度环境,利用物联网的方法整合在一起,便不会再出现上述问题。这时,物联网数据的价值就能体现出来。

医惠科技的共性开放平台,可以通过各种传感器,比如温湿度传感器、体温传感器,或者体征检测床垫等,为医务人员提供多维度的管控,让医生护士形成全闭环的管理。

物联网人工智能大数据区块链等技术,是相辅相成的有机整体。只有当这些技术整合以后,医院才有可能真正的实现其应用。

物联网的加入,可以实现诊断治疗过程中的全闭环管理。医院可以把整个治疗环节甚至于院内院外的环节,通过物联网串联在一起。使得物联网数据可以通过机器学习,形成诊疗流程中的高级辅助决策。最终实现智能质控,通过质控数据判断治疗效果,提高医生的治疗精准度。

在这样的体系下,医院的信息系统向生态系统不断循环。医生的治疗越来越精准,越来越智能,医生对疾病的掌控程度越来越高,并且开始实现面向单病种科研、治疗、质控的一体化。

为了构建这样的生态系统,医惠科技希望与领域中有着核心技术的企业合作,一起在生态产业链中,发挥更大的作用和价值。

动脉网
动脉网

专注医疗产业服务平台

产业医院信息平台阿里云人工智能
2
相关数据
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

知识库技术

知识库是用于知识管理的一种特殊的数据库,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

映射技术

映射指的是具有某种特殊结构的函数,或泛指类函数思想的范畴论中的态射。 逻辑和图论中也有一些不太常规的用法。其数学定义为:两个非空集合A与B间存在着对应关系f,而且对于A中的每一个元素x,B中总有有唯一的一个元素y与它对应,就这种对应为从A到B的映射,记作f:A→B。其中,y称为元素x在映射f下的象,记作:y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域,记作f(A)。同样的,在机器学习中,映射就是输入与输出之间的对应关系。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

规范化技术

规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0 到1.0 或0.0 到1.0。 通过将属性数据按比例缩放,使之落入一个小的特定区间,如0.0到1.0,对属性规范化。对于距离度量分类算法,如涉及神经网络或诸如最临近分类和聚类的分类算法,规范化特别有用。如果使用神经网络后向传播算法进行分类挖掘,对于训练样本属性输入值规范化将有助于加快学习阶段的速度。对于基于距离的方法,规范化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属相相比,权重过大。有许多数据规范化的方法,包括最小-最大规范化、z-score规范化和按小数定标规范化。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~