基于海量医疗数据的症状自查服务云框架设计

随着当前社会"亚健康"人群的增加,症状自查服务显得愈发重要。各地基于居民健康档案的区域卫生信息平台的建立,为症状自查服务实现提供了数据基础,但是人们仍面临着海量电子病历的获取、存储、搜索以及数据分析计算等诸多挑战。鉴于上述问题,提出了一种基于云框架的症状自查服务模型。首先建立了Hadoop集群,用来存储海量医疗数据以及建立索引,提高电子病历的搜索响应时间。其次设计了基于Lucene的分布式搜索节点集群,用来对海量的电子病历进行实时检索、数据分析和隐私过滤。此外,对症状自查服务的实现进行了讨论,包括搜索节点的选择、病历索引文件的建立、病历相似度的计算及排序方法。最后,通过实验证实了症状自查服务的云框架模型具有可扩展性和有效性。

一种面向海量医疗数据范围查询的并行索引框架

目的:随着近些年医院信息系统迅速推广使用,以及区域医疗、社保的兴起,大量数据中心、社保中心数据库建立,医疗数据量正以每日成千上万条记录的速度快速增长。同时,这些数据涉及大量与范围相关的查询操作,如地域、时间区段、生化指标区间等,如何有效满足对这类海量医疗信息的范围查询,成为各医疗机构及数据中心管理部门面临的亟待解决的问题。方法:提出一种基于数据分组的并行索引框架和算法。结果及结论:通过模拟实验发现该框架可以有效提高索引的批量更新性能及范围查询性能处理,为各种海量医疗信息范围查询应用场景的实现奠定了技术基础。

医疗数据范围检索框架设计

目的医疗信息化的快速发展,以及各种数据中心的兴起,造成医疗数据量的快速增长,而医疗数据经常会涉及到大量与范围查询相关的信息需求,对医疗海量数据进行快速有效的范围查询,成为各数据分析机构所面临的急需解决的技术难题。方法文中提出一种基于分组的并行检索框架及其实现算法。结果通过模拟实验发现,该框架可以有效提高海量数据的范围查询性能。结论将该算法运用于医疗信息化平台,可为各种海量医疗信息范围检索的应用场景提供技术基础。

人工智能诊疗新发展

人工智能(AI)的应用场景正变得越来越广阔。世界各国的工程师、医学家和研究人员正在利用AI挖掘、分析海量医疗数据,以得出更准确的诊断、开发新疗法并提供新型医疗服务。据英国《新科学家》杂志报道,医生学习理论知识并接受足够的医疗培训后,即能从事医疗工作。