王岗 周玉民 冉丕鑫

摘要：根据我国城乡居民的呼吸疾病发病实际情况，结合数据分析，通过采集社区医疗机构和医学中心的呼吸疾病相关信息，建立呼吸疾病临床信息数据库，并通过呼吸系统疾病患者产生的综合性数据进行分析决策。从总量分析、病情症状、疾病数量、患者负担、医疗质量等方面进行统计分析，以帮助管理者获取所需要的科研信息，提高呼吸疾病科研水平。

关键词：临床信息数据库；Struts框架；数据分析决策

DOIDOI：10.11907/rjdk.161450

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2016）005-0134-03

0 引言

随着我国经济的高速发展，不可避免地对环境带来了污染，近年来空气污染的指数之一——PM 2.5更是引起了全国人民的高度关注。目前我国城乡居民的呼吸疾病发病率高，发病后的医疗成本负担较重，这与我国社区基层医疗机构基础设施不完善、设备落后、防治人才缺乏、居民卫生水平低、防治意识落后等因素有关。为了解决上述问题，有必要将社区作为防治呼吸系统疾病的主要场所，构建适合国情的呼吸系统疾病社区早期综合防治平台。与此同时，如何整合现有社区医疗机构采集的病人基础信息数据以及医学中心的病人诊疗相关数据，并对其进行充分分析和利用，以便更好地分工合作，合理分配医疗资源，充分发挥社区医疗机构人员和医学中心的技术优势，成为一个亟待解决的问题。

1 呼吸系统临床信息数据库架构

建立呼吸疾病临床信息数据库，目的是通过呼吸系统疾病患者产生的综合性数据来进行分析决策。从总量分析、病情症状、疾病数量、患者负担、医疗质量等多方面进行统计分析，以帮助管理者获取所需要的科研信息，提高呼吸疾病科研水平。

本数据库按J2EE （Java 2 Enterprise Edition） 规格，采用Java编程语言进行开发，后台数据库采用Oracle 11g。

著名的软件大师Ralph Johnson 对框架（Framework）进行了如下定义：框架是整个系统或系统一部分的可重用设计，由一组抽象的类及其实例间的相互作用方式组成[3]。EJB架构是J2EE的经典架构，然而其过于复杂、扩展性不强也是众所周知的缺点。目前已经有一些开源框架，相对经典的EJB架构更加灵活，扩展性更强。其中主流的框架技术是：基于MVC模式的Struts框架、基于IoC模式的Spring框架以及对象/关系映射框架Hibernate[4]。本数据库即基于上述框架开发。

2 呼吸系统临床信息数据库需求分析

临床信息数据库，也称为临床信息存储库（Clinical Data Repository，CDR）。根据HIMMS（美国健康信息和管理系统协会）对CDR的描述，CDR是一个面向主题的、集成的数据集合，用于支持医院对于即时性、操作性、集成的全体诊疗信息的需求。该描述揭示了CDR的5个特征：CENTRALIZED（集中式数据存储）、CLINICAL（诊疗数据）、REAL-TIME（实时数据）、LIFE-LONG（数据的长期保存）、PATIENT-CENTRIC（以病人为中心）[1]。本文论述的临床信息数据库所依托的课题，主要是以广东省内呼吸疾病较多发的翁源县为社区医疗机构试点，以广州医科大学附属第一医院呼吸病学国家重点学科为基础建立呼吸疾病诊治医学中心，开展呼吸疾病的规范化诊疗与防治研究工作，建立呼吸疾病综合防治研究基地，形成高效便捷的具有我国特色的医学中心与社区医疗机构协同工作机制。

通过建立本数据库，可实现呼吸疾病诊治医学中心患者的临床信息以及社区居民呼吸疾病电子档案库等基础数据库的无缝对接，实现信息数据的采集、分析、管理和资源共享，并面向公众服务，向居民提供健康档案信息的查阅功能。

数据库的系统架构如图1所示。

临床信息采集库需要采集的主要内容有：呼吸系统疾病患者的检验检查报告、住院病案首页、就诊患者基本信息、就诊患者就诊日志信息等。本数据库的数据采集源主要包括：广州医科大学附属第一医院“居民呼吸疾病健康档案系统”、“电子病历系统”以及广州医科大学附属第一医院和翁源县人民医院的“双向转诊系统”。

统计分析方面，有以下4方面需求：

（1）总量分析：按分中心或医院统计已有的与本周新产生的临床信息总数、随访总人次、双向转诊人次、生物标本量。

（2）病情症状：主要根据咳嗽、咳痰、喘息、呼吸困难、咯血、睡眠状况、胸痛等症状进行统计。疾病数量主要根据呼吸疾病的各个病种进行统计，包括慢性阻塞性肺疾病、支气管哮喘、支气管扩张、慢支炎、肺气肿、肺结核、呼吸睡眠暂停综合征、肺动脉高压、肺心病、肺癌、肺炎、肺不张、气胸、过敏性鼻炎、鼻炎鼻窦炎、肺栓塞、肺间质纤维化、现存合并疾病等。

（3）患者负担：有效降低患者医疗负担是医改的大方向，也是衡量医院管理水平的重要因素之一。因此，掌握院内患者的负担情况对医院的管理至关重要，需要统计包括人均门诊费用、人均住院费用等。

（4）医疗质量：全过程医疗质量管理的基石是准确的医疗质控基础数据的获取[2]。如何确保医疗质量是医院工作的根本，因此需要全面了解医院各项医疗质量指标（包括基本质量指标、合理用药指标等）。

3 数据库功能设计

本数据库的信息采集功能主要分为手工录入数据以及自动采集数据。通过建立数据库，使每一个患者都可通过一个唯一的号码（临床档案号）来识别，通过临床档案号可以检索到该患者的所有信息。临床信息在手工录入或通过数据共享对接获取后，生成临床信息数据库唯一主索引（EMPI），实现一个病人在整个系统内使用一个唯一的信息编码，即可完成门诊、住院、随访等所有相关医疗服务的操作和检索查询。社区医疗机构或医学中心的普通医生手工录入临床信息后，分中心负责人对其进行审核，审核通过后的数据才能存入临床信息正式数据库中。

由于医院的电子病历数据属于结构化数据，在采集数据时，需要对相关数据进行必要的清洗。与此同时，部分电子病例数据还存在关键信息如症状体征、诊断、中药处方等关键指标缺失的情况，因此需要从结构化病历数据库中抽取适合本项目的与呼吸疾病有关的患者数据，去除关键指标缺失的电子病例数据，隐去患者的个人隐私信息。设定抽取和代码转换规则，实现对来源患者数据的筛选，并自动转换到临床信息数据库数据，并支持病历数据到临床信息数据库的自动批量导入与汇总处理。

本数据库用户角色分为3类：医生、分中心管理员和系统管理员。三者的主要功能如表1所示。

由于本数据库涉及到呼吸系统疾病患者的临床信息，又是基于互联网运行的，因此对于数据安全性也需要格外注意。在大数据时代，数据的泄漏会造成难以预期的严重后果。目前针对Struts框架的漏洞分析非常多，随之而来的是难以防范的数据泄漏风险。因此，需要及时跟踪Struts框架的版本升级情况，尽量避免由于版本升级不及时造成的数据泄漏。此外，还需要细化各个级别操作帐号的权限，加强帐号密码复杂度的管理，对密码采用高强度加密方式进行存储，尽可能减少弱密码带来的数据泄漏的可能性。

4 结语

呼吸系统临床信息数据库是呼吸系统疾病临床转化研究的核心，利用各个系统采集的数据进行大数据分析和挖掘，提供多角度与多维度的统计分析，进而形成对呼吸系统疾病科研人员有用的科研信息，有助于提高呼吸疾病科研水平。目前，该数据库已经在承担本课题的广州分中心正常运行，并发挥了较好的作用。

参考文献：

[1]YOUNG A S，SULLIVAN G，BURNAM M A，et al. Measuring the quality of outpatient treatment for schizophrenia[J].Arch Gen Psychiatry，2008，55（7）：611-617.

[2]陈斌，罗五金.医疗服务过程性与医院质量管理体系构建[J].中国医院管理，2011，31（1）：33-35.

[3]GAMMA E，HELM R，JOHNSON R，et al.Design patterns：elements of reusable object-oriented software[M].Addison Wesley，1994.

[4]王美琴.基于J2EE的轻量级SSH架构整合研究[J].电脑知识与技术，2009，21（5）：5718-5720.

（责任编辑：黄 健）

Abstract：According to the actual situation of China's urban and rural residents of respiratory disease，through the acquisition community medical institutions and medical center of respiratory disease related information，combined with data analysis，respiratory disease clinical information database is established.From the analysis of the number of patients，the disease symptoms，the number of diseases，the burden of patients，medical quality and other aspects of statistical analysis，to help managers analyze the scientific research information needed to improve the level of respiratory diseases.

Key Words：CDR for Respiratory System Diseases；Struts Framework；Data Analysis and Decision Support