李憶昕 張穎 王鈺瑩 葛笑 翁蘇湘

摘要：電子病歷歷史數(shù)據(jù)結(jié)構(gòu)化程度較差，管理上“重藏輕用”的現(xiàn)象比較明顯，致使大量的病歷數(shù)據(jù)處于沉睡狀態(tài)中。本文通過Python爬蟲技術(shù)對電子病歷歷史數(shù)據(jù)進行爬取，再對數(shù)據(jù)進行抽取、篩選和結(jié)構(gòu)化存儲。電子病歷數(shù)據(jù)最后以.xml標準化格式保存，并結(jié)合虛擬教學平臺進行醫(yī)學臨床教學應用。將電子病歷數(shù)據(jù)中有價值的潛在信息發(fā)掘出來，豐富臨床醫(yī)學專業(yè)教學資源，并為科學研究提供基礎(chǔ)。

關(guān)鍵詞：電子病歷;Python爬蟲;醫(yī)學臨床教學

前言

電子病歷（Electronic MedicalRecord，EMR）是基于特定系統(tǒng)，提供完整準確的醫(yī)療過程中的數(shù)據(jù)，它是用以替代紙張病歷的基于計算機的病人記錄。電子病歷采用電子設(shè)備（如診療卡、計算機等）對病人的醫(yī)療記錄進行存儲、傳輸、管理，對病人信息及醫(yī)療過程進行數(shù)字化。我國EMR檔案的研究與應用起步較晚，但發(fā)展十分迅速。衛(wèi)生部頒發(fā)了《電子病歷系統(tǒng)功能規(guī)范》《電子病歷基本規(guī)范》等規(guī)范法規(guī)。這些重要法規(guī)，規(guī)范了電子病歷的建設(shè)、存儲和使用等活動，為電子病歷的發(fā)展奠定了基礎(chǔ)。

標準化電子病歷的建設(shè)現(xiàn)在已經(jīng)成為業(yè)內(nèi)共識，但結(jié)構(gòu)化EMR系統(tǒng)仍處于發(fā)展階段，尚未有成熟的建設(shè)標準和規(guī)范?，F(xiàn)行的EMR系統(tǒng)大多數(shù)為了適應醫(yī)院HIS系統(tǒng)應用和檔案電子化管理，電子病歷數(shù)據(jù)現(xiàn)多采用非結(jié)構(gòu)化或半結(jié)構(gòu)化形式存儲。EMR內(nèi)容以自由文檔為主，一定程度上滿足了病歷內(nèi)容自由描述的需求，但是EMR管理上“重藏輕用”的現(xiàn)象比較明顯，致使大量的病歷數(shù)據(jù)處于沉睡狀態(tài)中。醫(yī)學是十分重視實踐的學科，醫(yī)學生的成長離不開大量的臨床實踐，激活“沉睡”中的電子病歷并使之服務于醫(yī)學生的培養(yǎng)具有十分重要的意義。本研究針對糖尿病這一典型慢性病EMR數(shù)據(jù)進行提取挖掘，將其運用于臨床教學實踐，以期為今后進行更廣泛的EMR歷史數(shù)據(jù)研究打下堅實的基礎(chǔ)。

基于Python爬蟲技術(shù)的EMR數(shù)據(jù)獲取

作為檔案的一種形式，各醫(yī)療機構(gòu)對EMR的管理都有嚴格規(guī)定，因此EMR數(shù)據(jù)的獲取不可能用常規(guī)的數(shù)據(jù)接口或數(shù)據(jù)移植方法來實現(xiàn)。EMR數(shù)據(jù)的展現(xiàn)形式一般都是文檔或超文本，如果要激活這些數(shù)據(jù)就必須研究一種靈活高效的數(shù)據(jù)抽取技術(shù)并將這些數(shù)據(jù)以結(jié)構(gòu)化的方式進行存儲。

Python是一種開源的面向?qū)ο蟮慕忉屝?、多范式腳本語言。Python兼容性高、優(yōu)雅簡約且功能強大，是當前非常受歡迎的一種編程語言。尤其是Python具有極其強大的數(shù)據(jù)處理、數(shù)據(jù)統(tǒng)計和處理能力，使得越來越多的人使用Python進行Web數(shù)據(jù)挖掘及統(tǒng)計分析。相較于C++、Java等語言，Python在網(wǎng)絡爬蟲應用中接口也更簡單。

醫(yī)院的各類信息系統(tǒng)中每天都會產(chǎn)生大量的電子病歷數(shù)據(jù)，而這些數(shù)據(jù)往往是靜態(tài)的，即只要獲取到HTML中的內(nèi)容就可以得到電子病歷的有用信息。Python提供了廣泛的標準函數(shù)庫，同時又有眾多支持Python的第三方庫，可以獲取到網(wǎng)絡上的數(shù)據(jù)。本研究通過某三甲醫(yī)院內(nèi)部網(wǎng)絡進行EMR數(shù)據(jù)的Python爬取及結(jié)構(gòu)化。

網(wǎng)絡數(shù)據(jù)獲取分為兩個階段：第一階段是抓取，第二階段是解析。抓取常采用urlib內(nèi)建模塊中的request功能、Request第三方庫或者使用Scrapy開源爬蟲框架等。對于大型爬蟲項目，往往采用Scrapy或者自開發(fā)爬蟲。Requests被稱作是唯一一個“非轉(zhuǎn)基因”的PythonHTTP客戶端庫，簡單實用而友好，支持get、put、post等7種請求方式，同時支持headers、cookms等的傳遞，SSL證書驗證，HTTP（S）代理等。引人Requests庫可以用簡易的代碼完成復雜網(wǎng)頁信息爬取。對于電子病歷數(shù)據(jù)，其獲取速度要求不高，本方法采用了Request第三方庫。

數(shù)據(jù)抓取的過程為：發(fā)送請求是客戶饑發(fā)送—個請求（Requcst）給服務器;②獲取口向應內(nèi)容，服務器返回一個響應（Response）。在得到了響應內(nèi)容后就需要對數(shù)據(jù)進行解析。當前流行的解析方式有BeautifulSoup庫和re（正則表達式）模塊。本文采用了兩者結(jié)合的方式進行網(wǎng)頁解析。HTML格式EMR文本抓取結(jié)果如圖1所示。

Beautifl Soup是網(wǎng)頁抓取數(shù)據(jù)的重要的Python的第三方庫，目前已經(jīng)被移植到bs4中，它簡單易用，具有處理不規(guī)范標記，處理導航、搜索、修改分析樹等功能，十分高效。選擇合適的解析器對文件進行分析，可提高網(wǎng)頁解析速度，本文采用LXML解析器進行解析，而后便可將超文本數(shù)據(jù)轉(zhuǎn)換成樹形結(jié)構(gòu)，節(jié)點為Python對象。使用get_text（）方法可以得到正文數(shù)據(jù)（如圖2）。

非結(jié)構(gòu)化病歷的數(shù)據(jù)抽取

數(shù)據(jù)經(jīng)過爬蟲抓取后的HTML數(shù)據(jù)文件，還不能作為有用的信息進行存儲和利用，需要進行進一步的篩選及數(shù)據(jù)抽取。

（1）數(shù)據(jù)文件預處理。本次實驗環(huán)境中，網(wǎng)絡爬取的數(shù)據(jù)無法根據(jù)HTML的title進行分類，因此網(wǎng)絡抓取的數(shù)據(jù)需要根據(jù)提取數(shù)據(jù)內(nèi)容進行分類。網(wǎng)絡抓取的數(shù)據(jù)主要為半結(jié)構(gòu)化文本，首先需要對主要數(shù)據(jù)進行篩選以取得所需主要信息。對獲取到的EMR數(shù)據(jù)，如入院記錄、檢查報告、檢測記錄、病程記錄、出院記錄等，采用截取關(guān)鍵信息的方法，查找文本標題關(guān)鍵字字符串作為分類的依據(jù)。對不符合關(guān)鍵信息的無采集價值文件，如《告知書》或空數(shù)據(jù)文件則直接丟棄，合棄無效數(shù)據(jù)。

（2）特征提取。正則表達式是一種特殊的字符串模式，可以靈活地處理文本工具，用于字符串匹配，是特征提取的一種有效方式。正則表達式可以用規(guī)定的字符規(guī)則組成“規(guī)則字符串”，進行字符匹配模式，通過字符匹配可以方便地匹配數(shù)字、字符串等需要的數(shù)據(jù)。本研究采用正則表達式來處理獲取到的合格數(shù)據(jù)文件，將爬取的數(shù)據(jù)快速分段，再使用關(guān)鍵詞匹配進行分類。EMR信息提取時會過濾掉病人隱私信息等敏感字段，僅以“住院ID號”為特征區(qū)分病人，提取“生日”“性別”“職業(yè)”等自然信息和“主述”“現(xiàn)病史”“既往病史”“家族病史”“體格檢查”“病程記錄”等相關(guān)診療信息。

病歷數(shù)據(jù)的XML格式化及教學應用

XML是一種元標記語言，由于它是純文本格式，因此它可以對挖掘數(shù)據(jù)進行描述并存儲。而且，XML需要交換的數(shù)據(jù)采用標準進行表示與組織，系統(tǒng)只需在數(shù)據(jù)的內(nèi)部格式與數(shù)據(jù)標準之間進行映射，極大地降低了數(shù)據(jù)集成的復雜度。HTML格式EMR文本內(nèi)容如圖3所示。經(jīng)轉(zhuǎn)換后的XML文本內(nèi)容如圖4所示。

本研究與筆者之前的“基于Flash+XML技術(shù)的臨床虛擬教學平臺”相結(jié)合，將EMR歷史真實數(shù)據(jù)轉(zhuǎn)化為平臺可用的標準XML文本，為虛擬教學平臺提供了大量真實病歷數(shù)據(jù)，使虛擬教學平臺的服務能力得到了極大的提升。經(jīng)過篩選，平臺新增合格教學標準糖尿病病歷12個，豐富了平臺的教學資源。新教學病歷擬經(jīng)專業(yè)指導教師進行流程設(shè)計及醫(yī)學術(shù)語規(guī)范后，更新至虛擬教學平臺，正式為臨床及護理專業(yè)學生提供教學服務。

總結(jié)與展望

本文研究的主要內(nèi)容有：Python爬蟲對EMR病歷數(shù)據(jù)的爬取技術(shù)與方法研究;EMR歷史數(shù)據(jù)結(jié)構(gòu)化存儲方法的研究。EMR歷史數(shù)據(jù)結(jié)合虛擬仿真實驗教學平臺為醫(yī)學臨床教學提供服務。

將EMR數(shù)據(jù)中潛在的有價值的信息發(fā)掘出來，既可以為醫(yī)學臨床教學提供更多更好的真實數(shù)據(jù)，也可以更好地服務住院患者，分析出院患者;以及跟蹤重復入院患者，為提高以患者為中心的醫(yī)療服務水平作出貢獻，為提高醫(yī)院的整體實力從技術(shù)上提供支撐。糖尿病作為一種常見的慢性疾病，其臨床癥狀及治療方法相對成型，EMR數(shù)據(jù)規(guī)律性相對較強，因此，將其作為研究對象可從中找到EMR歷史數(shù)據(jù)結(jié)構(gòu)化方法并加以利用。今后，筆者還將以此為研究基礎(chǔ)，對其他科室EMR歷史數(shù)據(jù)進行深入研究，喚醒沉睡的數(shù)據(jù)，為醫(yī)學教學及醫(yī)療服務提供參考。