通过用友iUAP的集成平台和大数据平台的支撑,邵逸夫医院CDR的建设走上正轨。现在邵逸夫医院每天通过集成平台交互的消息超过10万条,1000G的患者历史档案数据可实现秒级检索。通过闭环数据分析,为医院提供实时的服务质量评估,发掘改进机会。
“大数据”往往是与人联系在一起的,人越多的地方产生的数据越多。人多你会想到哪里?对,医院!
大型医院每年的数据增量在数十TB,仅医学影像每年可达20TB。这些不断增加的数据用好了可以提高管理和诊断效率及质量,并减少医院开支。用不好,则会成为医院的沉重负担,并需要为之增加更多投入。
浙江大学医学院附属邵逸夫医院(以下简称:邵逸夫医院)于2015年11月通过HIMSS EMRAM(美国医疗卫生信息与管理系统协会电子病历应用成熟度模型) 6级认证,由此成为浙江省第一家通过这一认证的医院。从信息技术来看,医院的集成平台、临床数据中心(CDR)的建设功不可没。邵逸夫医院首先通过与用友医疗合作,建立了统一的门户,起到数据共享连接器的作用,在统一门户上再进行CDR数据的抽取。
“之所以选择用友医疗,最为看重的是它基于用友iUAP平台的扎实基础,这是真正做大数据平台的公司。” 邵逸夫医院信息中心主任郑三伟表示。他坦言,医院要求把20年的数据放到CDR里面,1秒就能查询出病历信息,如果底层支撑平台达不到秒级,那么这个CDR就是不合格的。iUAP平台的技术能力完全达到了他们的要求,实现了数据的整合继承,决策支持系统的升级,体现了大数据的分析与挖掘,有效促进了管理水平提升;远程会诊、医联体建设延伸了医院的服务范围与服务能力。
要说CDR(临床数据中心)的建设,各大医院都在进行。即将患者的数据,包括患者症状、诊疗情况、医嘱情况、用药效果等,都集中到一起,统一到一个平台上。医生可以随时从中调取数据,并根据历史数据做出现在及未来的分析预测。
CDR目前并没有一个统一标准,各医院都是根据各自的现状、方向、思路去做。邵逸夫医院之所以要建CDR,出于以下几个原因:
第一,两个院区系统独立,无法统一管理;第二,各自和业务系统独立连接,医院间和业务系统间数据交换效率低;第三,病案、临床检验、病理检查等许多宝贵的数据资料的检索十分费事甚至难以实现;第四,医师护士和管理人员的大量时间都消耗在事务性工作上,致使"人不能尽其才";第五,门诊医疗流程管理无法形成闭环。
用友iUAP顾问发现,邵逸夫医院的数据量很大且杂。涉及到,诊断数据、检验结果、费用数据、设备产生的数据、基因数据等。其中有结构化数据,也有非结构化数据,如口述、手写、照片等。
因此,iUAP将邵逸夫医院的CDR建设分为三步曲完成,一是集成;二是数据平台;三是集约型平台。
邵逸夫医院大数据方案架构图
首先,通过用友iUAP的集成平台,将所有关联系统,包括两个院区的配制系统还有相关的所有系统之间,通过企业服务总线相连接。这些系统包括100多个业务模块涉及到10多家不同的厂商。
集成后,所有的临床人员都可以查询自己想要的数据,保证数据的共享性。同时为了保证数据相关的标准性、准确性,iUAP还为邵逸夫医院建设了主数据。为后面大数据分析、大数据应用,提供更加准确、更加高级的数据。在服务交互过程中数据会自动地积累到临床数据中心去,保证数据的实时性。
借助iUAP服务总线ESB各系统通过与流程引擎进行服务交互、数据传递从而驱动全局流程运转,为相关医疗人员提供全局的流程状态显示。
患者就诊路径形成闭环管理
其次,通过用友iUAP的大数据平台将这些数据进行处理和分析,为临床判断提供依据,同时减轻部分人工成本。
比如,一个患者在半年时间里去过30多次医院,每次就诊后都会产生一个归档数据,包括诊断历史、检查历史、用药历史等这些内容都会存储在大数据的数据库中。这些数据中包括很多非结构化数据,比如X光片,之前的系统很难将这些数据实现展现并同步存储的。而通过大数据平台,包括当前患者看病所产生的数据也会实时存储到CDR系统中。它可以支撑各类大数据的存储和展现,并和其它系统进行交互。这对医生来讲,可以更加有助于在临床的准确判断。
CDR系统中的患者历史数据
同时设备所产生的数据也可以为疾病预测带来价值。比如根据患者以往的临床就诊数据,监控设备所产生的数据,以及结合目前设备所监测到的患者数据,可以预测患者未来一年两年,或者未来一天两天可能出现的状况,以便及时作出治疗方案。
CDR系统中的患者历史报告
多视图展示——活动视图
通过用友iUAP的集成平台和大数据平台的支撑,邵逸夫医院CDR的建设走上正轨。现在邵逸夫医院每天通过集成平台交互的消息超过10万条,月增长的临床数据超过500万临床数据记录。各类历史报告、历史报告图片,存储在Hbase中,1000G的患者历史档案数据可实现秒级检索。
该CDR的建设实现了以患者为中心以及以疾病为中心的遵旨。系统中可详细罗列病人在治疗过程中诊断、药物医嘱、检查报告、病例文书等信息,并详细显示相同病患的患者信息,为医生的分析判断提供依据。
同时,实现了诊疗过程的闭环化管理,涵盖门急诊、住院及相关医嘱、医技等服务流程管理,并通过闭环数据分析,为医院提供实时的服务质量评估,发掘改进机会。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。