医学数据科研——数据自定义导出

编辑导语：数据统计分析是各行业的常见业务，此时如果能提升数据分析的效率，将可以为业务人员降低操作成本，比如在数据导出时，我们是否能实现自定义导出，快速整理目标字段？本篇文章里，作者结合医疗场景，对数据自定义导出一事做了解读，一起来看一下。

一、背景

医学科研是医学进步的动力。通过科学的方法对医学数据进行整理分析，进而得出医学中的诊疗规律，并应用于相同病症的患者，进而提高患者的治愈率。

患者的诊疗数据存储于医院的信息系统中。由于医院信息系统并未提供医学科研相关的分析工具，所以需要使用专业的分析软件对数据进行统计分析。

首先，通过搜索功能找到符合要求的患者记录。然后，设法将科研相关的字段导出。

如果人工将数据导出，那么操作过程将会变成如下过程：从患者列表逐个进入患者详情，从患者详情中找到目标数据。

如果科研的数据涉及到多种业务，那么在同一条患者记录内部，就需要跨多张表单查找目标数据。并手动复制粘贴到系统外的Excel表格中。

整个数据导出过程中涉及多次打开系统、关闭系统，打开表单、关闭表单，在表单内查找目标字段，耗费了大量的时间成本，还存在数据粘贴在错误位置的可能。

如何能够快速将目标字段整理出来？就是我们今天讨论的主题——数据自定义导出。

二、数据自定义导出

数据自定义导出，指的是从变量池中根据需求选中符合要求的目标变量，以某种格式的文件一次性从系统中全部导出。

例如，系统提供600 个变量可用于数据导出。在做胃部分切除术相关的研究时，从中选择了30个字段导出为CSV文件。

其中， “600 个变量”就是“变量池”，指的是系统中允许被导出的所有字段。

• “30 个字段”就是“目标变量”，指的是本次需要导出的变量。
• “CSV 文件”就是“某种格式的文件”，指的是以数据导出后的使用目的为导向，生成相应格式的文件。
• “从 600 个变量里根据需求选择了 30 个变量”，即“自定义”，指的是用户可以根据需要从变量池中选择任何变量，并且变量数量不受限制。

首先，将不同业务内、不同表单内的导出频率高的字段组合在一起形成变量池。省去查找目标字段时的，表单切换和表单阅读的时间。

然后，将在数据导出时，对数据格式进行处理，使其满足目标软件的要求，然后将导出后的数据直接导入到目标软件中。缩短了数据格式进一步加工的时间。

通过这两步，大大提高数据导出的效率。

1. 变量池

医疗业务复杂，一个人无法处理所有的业务，所以需要将业务拆分成不同的部分，由不同的专业人员负责不同的业务范围，只有这样才能让系统正常运行。

例如，张技师和王技师分别负责实验室检验部分和影像检查部分的业务。如果张技师去负责影像检查部分的业务，由于对影像业务的完全不熟悉，该段时间内的影像检查部分的业务将停滞。与之相关的业务都将收到影响。

医院信息系统中与患者诊疗相关的系统包括门急诊电子病历系统、住院电子病历系统、实验室检验系统、影像学检查系统、手术麻醉系统等系统。

住院电子病历系统中包括住院医生工作站、住院护士工作站、病案管理工作站等，存储了患者的长临医嘱、用药信息、日常病程记录、既往病史、家族史等信息。

不同的模块、不同的表单存放不同的患者信息。查找需要导出的字段时，需要翻阅不同的系统，在系统内部切换不同的表单，在表单中找到需要导出的字段。整个过程耗费大量时间，严重影响字段查找效率。

例如，导出患者胃部分切除术手术及手术前后的相关信息，则需要前往手麻系统、电子病历系统、检查系统、检验系统等。在某个子系统中，仍然需要找到患者，并且进入患者详情找到对应表单内容。整个过程耗费大量时间。

有没有一种可能将可能用于导出的字段放在一起，不需要切换系统、表单逐个查找。

变量池就是将不同业务系统、不同表单中可能会用于导出的字段名称放在一起。

变量池具备字段数量多、字段多值性的特点。

1）字段数量多

字段数量多，指的是可以用于导出的字段数量比较大。

出现这种情况的原因是，不同科室在做数据分析时关注的重点不同，需要导出的字段不完全一致。为了满足这么多的导出需求，就需要把可能涉及到的字段全部放在变量池中。

一个分析方向可能会导出二三十个变量，需要支持几十个可能的分析方向。对字段进行去重以后，变量池内的字段数量同样也会达到几百个。

变量池内字段较多时，通过人眼从中找到某一个字段，耗时较长。

可以按照字段所属业务系统、所在业务表单对字段进行分组。直接选中目标字段所在表单，缩小字段查找范围，提高字段查找效率。

也可以通过搜索功能，通过输入目标变量的字段名，直接定位到目标变量所在位置，提高字段查找的效率。

例如，为了支持肝脏介入科的数据分析工作，将可能用到的字段进行整理，共计整理出 300 个字段（下图字段仅做示例）。

将字段按照所在表单进行划分人口学、现病史、检验、手术，可以通过点击左侧的表单列表，将字段的范围缩小到几十个变量。也可以在搜索框内输入字段名，直接定位到该字段的位置。

2）字段的多值性

字段的多值性，指的是同一个患者的同一个字段会有多个结果。

例如，张三的血常规中的白细胞计数字段有 11 个结果。

产生字段多值的原因是，患者症状在变化。为了让记录不断变化的病情，需要做多次检验检查，并据此调整治疗方案，最终产生了多个值。

例如，患者张三随着放疗的进行，身体状况在不断变化。通过检验检查等手段来测量身体的各项指标。放疗 2 个月，共做了 7 次检验。使得检验部分的字段产生了 多次结果。

而研究时往往关注患者在某个状态下的指标情况，即从众多结果中找到某一个特定的结果。

例如，研究胃部分切除术的情况时，需要了解术后第一次白细胞计数的结果。此时就需要精准的找到患者的该次白细胞计数的值。

所以就需要给具有多值性的字段增加一个限定条件。

常见的限定条件有：

1. 针对数值型字段有全部、最大值、最小值、最早一次、最近一次、平均值。
2. 针对文本型、选项型日期型字段有全部、最早一次、最晚一次。

上述说的限定条件都有一个默认前提，“在所有的时间范围内”，即在患者的整个就医时间范围内，但是实际研究中，我们可能需要的是患者在某个特定时间内某个状态的结果。

例如，需要患者在“最近一次胃部分切除术后的第一次白细胞计数结果”。其中，特定时间值得是“最近一次胃部分切除术后的所有时间”。

此时需要先找到该患者的最近一次，胃部分切除术的时间点，最后以该时间为基准时间点。然后去所有的血常规检查中查找白细胞计数。根据血常规的检查时间，定位到具体的某一次结果。

这种限定类型称之为“事件-时间”型，即先通过某一个具体的事件，以该事件发生的时间点作为基准，在该基准前 / 后某段时间范围内，目标字段的特定值。常见的事件有“放疗、化疗、手术、用药、临床诊断、病理诊断等”。

2. 特定的数据格式

科研的需求一直存在，为了满足科研需求，专业统计分析软件应运而生，并逐步发展。常用的软件有spss、SAS、R等。其中SPSS从1984年开始发展，到2009年已经将数据管理、数据分析做到非常完善的地步。

而2009年，中国首次将医疗卫生信息化定性为支撑改革的支柱，在国家级层面提出发展信息化的要求。此后医院信息化软件迅速发展，前期以业务信息化为主。2014年才开始重点转移到健康数据上。

如果此时医院信息系统再集成或者开发统计分析软件，需要投入大量的金钱和精力，而且医生的接受度如何都是未知数。医院自行开发或采购的意义都变得不大。

造成了现在的情况，医院现有的软件系统中医学统计分析部分缺失，统计分析工作需要在专业统计分析软件中完成的。所以当医生想要做医学统计分析时，就需要将数据从在医院信息系统中导出。

数据导出后，需要手动对数据格式处理，才可以满足目标软件的需要，浪费医生的时间。

怎么才能让数据导出后，不需要额外的数据处理，直接被目标软件所使用，从而减少医生时间的浪费。

在数据导出时，由系统完成数据格式处理的工作，数据被导出后可以直接导入分析软件，从而节约数据处理的时间。

在数据导出时，根据目标软件的需要，生成特定数据格式的文件。数据文件被导出后可以直接导入分析软件，从而节约数据处理的时间。

特定的数据格式，指的是医疗信息系统往统计分析软件传输数据时，按照统计分析软件对数据格式的要求生成数据。

以将数据导入spss分析为例。

spss对导入数据有以下要求：

1. 文件格式为Excel或csv。
2. 同一个案的数据要单独占一行。
3. 每一个测量指标只占一列。
4. 测量指标的结果为数值型。

如果导入的数据不符合要求，则数据导入失败，需要手动对数据进行调整，然后再重新导入。

为了保证数据能够直接导入spss中。导出的数据需要满足：

1. 文件格式为Excel或csv。
2. Excel中同一个案的数据要在一行，每一个测量指标占一列。
3. 确保数值型字段的数据类型为数字，而不是文本。
4. 将枚举型的值替换成数字。

系统将处理好格式的数据，以Excel文件的形式传递给前端页面。用户将文件下载下来以后，直接导入spss做分析工作。

三、总结

由于医疗信息化和专业统计软件的发展速度不均衡，造成了医院信息系统与统计分析软件互不相通。所以医学数据统计分析时，需要先数据导出，再导入分析软件。

2014年，中国提出“46312”计划，开展“健康中国云服务计划”，国内的医疗大数据产品迅速崛起。临床大数据公司纷纷成立，医院开始建设临床数据中心。医院信息化从业务信息化发展到临床数据精细化。

各大数据平台不仅开始增加传统的统计分析工具，也增加了基于深度学习、机器学习的的新的分析方法。这使得我们可以在大数据平台中完成统计分析工作。不过易用性、使用习惯仍需要不断打磨。

相信不远的将来，再做医学数据统计分析时，可以在院内大数据平台中，无缝完成数据分析工作，不再需要将数据导出。

PS：与之前完成的 数据的高级搜索 刚好组成一体，通过高级检索搜索到目标患者，然后将需要的字段导出。

 

本文由 @山南 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Pexels，基于 CC0 协议