《管理世界》2022年第1 期摘要：知识服务是提升我国医疗健康服务机构管理决策水平和提高资源利用效率的重要手段，在促进医疗健康资源整合和实现分级诊疗过程中具有不可替代的重要作用，关乎14亿人民健康福祉。由于我国现阶段优质医疗资源总量不足、分布不平衡，导致医疗健康管理和服务水平难以满足不断增长的高质量医疗健康服务需求。针对该突出矛盾，本文在界定了基于“资源观”的新时代医疗健康大数据概念的基础上，提出了医疗健康大数据驱动的知识服务方法论，包括医疗健康案例知识的组织与动态更新方法，医疗健康推理知识的生成与发现方法，以及考虑综合效用和多样性的医疗知识服务推荐方法，并将所提方法论应用于某三甲医院医疗集团的案例实践，结果表明医疗健康大数据驱动的知识服务方法提高了优质医疗资源的利用效率、基层医院的接诊能力、医疗机构的管理决策有效性，提升了患者的满意度，有力促进了智慧医疗和分级诊疗政策落地。关键词：医疗健康大数据 分级诊疗 知识服务 智慧医院管理一、引言以习近平同志为核心的党中央始终“把保障人民健康放在优先发展的战略位置”。党的十九大报告提出实施“健康中国”战略，国家“十四五”规划为“全面推进健康中国建设”制订了详细的实施方案，最终目标是“为人民提供全方位全周期健康服务。”但我国由于高质量的医疗健康服务需求不断增长与优质医疗资源总量不足、分布不平衡、城乡差距较大间的矛盾尚未得到有效解决，依然普遍存在大医院“门庭若市”、基层医疗机构“门可罗雀”的现状，优质医疗资源难以下沉，分级诊疗制度落地面临着诸多挑战。大数据驱动医疗健康知识服务创新不仅是提升医院管理决策水平、推进分级诊疗和提高资源利用效率的重要途径，还将对我国现有割裂的医疗健康管理与服务体系产生前所未有的重要影响，关乎 14亿人民健康福祉。医疗健康大数据开发利用水平很大程度上决定了医疗健康知识服务的效率和质量。过去20年来，全球范围内的医疗健康数据呈爆炸式增长。不断推进的医疗信息化、数字化、智慧化以及在线健康社区的快速发展（Bhattacharyya et al.，2020）、可穿戴设备的广泛使用（Pan et al.，2019），使得医院、社区卫生服务中心、体检机构、医疗IT 企业等医疗健康相关的组织积累了大量的医疗健康数据，可用于分析的数据量惊人（Benkner etal. ，2010）。这些数据细化了医疗健康服务过程的感知粒度，为医疗健康知识组织与服务创新提供了契机。随着连接广度和深度的不断提升，数据规模和复杂度进一步提升，界定医疗健康大数据的边界成为分析利用医疗健康大数据的基础性任务。医疗健康大数据是由人、物、信息等泛在医疗健康资源整合与协同的数据集合体，包括生物医学传感器收集的生理指标数据、患者诊疗康复数据、基因组数据、诊疗支付及医疗保险数据、社交媒体数据等，从资源视角、开发视角、风险视角看，医疗健康大数据包含3 个层面不断递进的内涵：（1）它是一类能够提高医院诊疗水平和运作效率、促进医疗健康服务均等化的资源（杨善林、周开乐，2015；杜少甫等，2013）；（ 2）具有多源异构性、关联复杂性、潜在价值性、质量差异性等特征（徐宗本等，2014；Aminpour et al.，2020）；（ 3）极易造成医源性风险和隐私泄露（Kohli and Tan ，2016）。通过大数据治理和深度挖掘，能够发现服* 感谢国家自然科学基金“大数据驱动的管理与决策研究”重大研究计划重点支持项目“沉浸式交互购物环境下的个性化营销决策理论研究”（批准号91846201）和培育项目“智慧医疗情景下基于多模态跨界融合的全景式智能决策方法研究”（批准号91846107）的资助。顾东晓为本文通讯作者。医疗健康大数据驱动的知识发现与知识服务方法*杨善林 丁 帅 顾东晓 李霄剑 刘业政--219务个人、组织和社会的高价值知识（刘业政等，2020）。医疗健康事关人民生命健康安全，对经验和知识依赖性强，对服务的精准性（Warnat-Herresthal et al.，2021）要求高，单纯依靠数据获得的解决方案往往存在较高的风险，需要医疗健康领域知识的支撑。在医疗健康领域，常见有3 种不同类型的知识：一类是诸如医典、医学书籍、诊疗指南、临床路径等的通用医学知识，第二类是蕴含丰富专家知识的医疗健康案例知识，第三类是通过各种智能算法挖掘而获取的医疗健康推理知识。只有综合运用通用医学知识、医疗健康案例知识和医疗健康推理知识，才能较好地解决一些高风险的复杂医疗健康管理决策问题（Ben-Assuli and Padman，2020）。 如何开发利用医疗健康大数据驱动知识服务创新，提升我国医疗健康服务机构管理决策水平和提高资源利用效率，推动国家分级诊疗制度加速落地，还面临着许多难题。例如：如何面向全流程诊疗决策需求，对跨组织医疗健康大数据进行有效治理和融合？如何基于医疗健康大数据构建集辅助医疗、服务、管理为一体的医疗健康知识服务平台，为患者提供贯穿医疗健康全流程的智慧诊疗服务，为医护人员提供医疗决策、调度、评价、协作、质控精细化的智慧管理服务？上述问题的解决，还有待于医疗健康知识发现和服务方法创新。这不仅是我国实现全周期、全方位医疗健康服务的关键，也是新医改和分级诊疗背景下中国特色的智慧医疗健康管理理论创新的必由之路。学术界围绕着医疗健康大数据驱动的知识服务也开展了广泛的研究，在多模态大数据融合、知识图谱、医学知识推理、医疗知识推荐方法等方面取得了较为丰富的成果（Lin et al. ，2017；Liu et al. ，2020；马费成、周利琴，2018），为医疗健康知识服务创新奠定了坚实的基础，但在跨组织多模异构数据治理、案例知识组织、知识的动态更新、人机协作的知识生成与知识发现、推荐方案的情景约束与优化迭代等方面还存在许多空白，限制了医疗健康知识服务的准确性和能力。因此，本文针对分级诊疗背景下医疗健康管理决策对知识服务的现实要求，提出了医疗健康案例知识组织与知识动态更新方法、带有评价机制的医疗健康推理知识生成方法、基于优化型深度集成学习的医疗健康知识发现方法，在此基础上提出了考虑综合效用和多样性的医疗知识服务推荐方法，并通过某三甲医院医疗集团知识服务平台案例实践，验证了所提出的知识发现和知识服务方法的有效性。本研究的基本框架如图1 所示。二、医疗健康案例知识组织与动态更新基于案例的推理（Case-based Reasoning，CBR ）是人工智能领域的一个重要分支，也是知识组织的有效手段之一（Mülâyim and Arcos，2020）。 CBR 基于大数据进行案例组织，并通过匹配最相似的历史案例，利用专家凝聚在历史案例中的经验知识来解决新的管理决策问题。医疗健康案例本身蕴含着丰富的专家知识，可以为医疗健康过程提供正确的决策信息支持。因此，为了实现精细化管理与精准服务，需要对医疗健康案例知识进行有效的组织和管理（Yang et al.，2018），并通过在入库和使用过程中对案例质量和可用性的评价，实现案例的“优胜劣汰”，为医院、社区卫生服务中心等机构实现智慧诊疗决策、智慧管理、智慧服务提供知识支撑。（一）医疗健康案例知识组织方法CBR 的知识推理过程极为接近人类决策的真实过程（Gu et al. ，2019）。 医生在解决新问题时，时常会回忆过去所积累的处理类似情况的经验，通过对过去经验适当调整和修改，进而形成解决当前问题的方案。CBR 的知识推理包括4个核心过程，即4 R ：检索（Retrieve）、重用（Re⁃use）、修正（Revise）和保存（Retain）。 医疗健康案 图1 研究基本框架医疗健康大数据驱动的知识发现与知识服务方法管理科学与工程- -220《管理世界》2022年第1 期例推理具有4 个方面的显著特征：一是医疗案例库的构建过程和案例本身均汇聚了众多专家的群体智慧，包含丰富的知识；二是医疗案例推理通过获取历史知识进行重用，无需从头进行问题推导，使问题求解效率大幅度提高（Gu et al. ，2010）；三是医疗案例推理可以推荐较为完整的初始解决方案，可解释性较强；四是它是一种柔性知识推理技术，可以根据不同的管理决策任务变化和采集的实时时序信息，灵活地进行案例库构建和提供知识服务（Gu et al. ，2020）。融合基于专家经验的关键信息和基于机器学习算法抽取的关键信息，构建不同应用场景下的医疗健康案例知识库，可以实现对案例知识的有效组织（Song et al.，2021）。 针对医疗健康管理决策情景，提出了人机协同的医疗健康案例知识组织方法，其过程如图2 所示，核心是案例关键信息的抽取。（1）基于专家经验的关键信息确定。由专家小组面向诊疗决策、成本控制、资源调度（Feldman et al.，2014）、预测等不同管理决策问题的实际需要，根据权威的疾病知识（包括临床路径、诊断指南、疾病共识等）确定医疗健康大数据中的主要特征属性以及结论、方案等关键信息；（2）基于机器的关键信息抽取。融合基于专家经验的关键信息，面向多源医疗健康大数据，构建基于自然语言处理技术的案例知识自动化生成算法，抽取案例关键信息，形成案例知识。案例知识不仅包括关键特征信息，也包括凝结了各类专家经验与智慧的结论、方案等信息。案例知识经过领域专家审核后即可成为正式案例，大量智能化生成并通过审核的案例知识组成了案例知识库，为面向不同管理决策场景的医疗健康推理知识的生成与发现奠定了基础。基于机器的关键信息抽取流程如下。基于skip-gram 训练好的医学领域字向量词典（Li et al.，2020），得到非结构化文本数据的字向量矩阵；将字向量矩阵输入多个预先构建的分词器，得到分词后的句子序列；将分词后的句子序列输入多个预先构建好的词性标记器，得到词性标记结果，据此获取基于非结构化文本数据的关键信息，将其与基于专家经验的关键信息融合匹配，即可得到案例关键信息，形成案例知识。分词器训练过程中的损失函数为：（1）其中， 为正确字符标签对应概率值， ；P 表示字符总数，p 表示第p 个字符。词性标记器训练过程中的损失函数为：（2）其中， 为正确词性标签对应的概率值， ；Q 表示句子分词后词的个数，q 表示分词后的第q个词。总体损失函数的计算为：（3）最小化总体损失函数可更新多个分词器、多个标记器的权重。（二）医疗健康案例知识动态更新机制为了适应医疗健康管理决策需求，提高知识获取的效率、准确性和实时性，需要动态更新案例知识库。为此，本文提出了“入库—使用”+“质量—可用性”的两阶段双重评价机制，适度控制案例规模，使高质量案例不断注入、低质量案例逐步淘汰，不断提高案例质量，避免无限“膨胀”，实现案例知识动态更新，如图3所示。（1）案例入库阶段评价。所有新案例都会自动保存到案例全库，但只有部分评价良好的高质量案例才能进入典型案例知识库。在案例质量和可用性评价内容上，既包括案例的自身属性，如信息完 图2 医疗健康案例知识组织流程Lo s s 1 =1P∑i = 1P(1 - h(c( p))t r u e)h(c( p))t r u eh(c( p))t r u e∈ [0, 1]Lo s s 2 =1Q∑i = 1Q(1 - e( w(q))t r u e)e( w(q))t r u ee( w(q))t r u e∈ [0, 1]Lo s s = Lo s s 1 + Lo s s 2- -221整性、典型性等，又包括案例的外部特征（Gu et al. ，2021），如主治医生、案例来源医院和科室等。在案例质量和可用性评价方法上，采用人机融合的入库评价审核机制，由专业人员对部分案例进行评价，形成评价案例知识库作为机器评价模型的训练集，再根据机器评价模型完成全部案例的评价，再由资深医生对机器评价结果进行抽样评价，不断迭代，完成高质量案例的不断注入。（2）案例使用阶段评价。在案例知识服务过程中，医务人员和管理者可对匹配的案例进行质量与可用性评价，评价指标包括有用性、易用性和总体质量。系统通过计算案例使用频率和评分均值、方差，将评价差、使用率低的低质量案例逐步淘汰。三、医疗健康推理知识的生成与发现方法医疗健康推理知识的生成与发现是医疗健康智慧管理决策的关键环节，是知识服务的重要基础。对各级医疗健康服务组织而言，基于医疗健康大数据、案例知识、通用医学知识的推理知识生成与发现不仅可以为医院辅助决策、运营、考核、绩效管理、预判预警提供精细化管理手段，同时还可以为贯穿事前、事中、事后的全流程医疗质量管理和风险控制提供重要依据。本节主要介绍带有评价机制的医疗健康推理知识生成方法与基于优化型深度集成学习的医疗健康推理知识发现方法。（一）带有评价机制的医疗健康推理知识生成方法带有评价机制的医疗健康推理知识生成方法如图4 所示，它通过对历史案例匹配、重用、修正、质量评价、审核等过程，实现对新决策问题解决方案的知识生成（Gu et al. ，2017）。 由于领域专家的参与，生成的推理知识质量有了明显提高。在该方法中，一个医疗健康决策案例被描述为一组（x ，y）向量，其中x=（x 1 ，x 2 ，……，x n）是特征属性向量，y ∈ Y ，Y 是对应类的离散变量，案例知识库中历史案例的类值（结论或方案类知识）是已知的。给定一个新问题，该问题可以被转化为尚未解决的目标案例，其中类值未知。通过变权异质值差距离算法可以进行推理知识的生成，为决策者提供知识参考。具体地，WHVDM（t ，r）=（ w i d2i （t ，r））1 / 2，其中：（4）其中，vdm i （t ，r）是值差矩阵（VDM），其值按照公式（5）计算。（5）图3 知识更新的“入库—使用”+“质量—可用性”两阶段双重评价机制进一步修正填补知识后的案例选择案例新案例案例匹配满意？ 案例知识修正审核通过医疗健康案例库案例知识重用符合要求？NoYesYesNo保存但不进入案例知识库实际问题匹配的历史案例建议的知识方案完善知识方案审核后案例案例更新匹配医疗健康案例知识库案例知识质量评价图4 医疗健康推理知识的生成过程∑i = 1nd2i( ) t , r =■■v dmi( ) t , r , i f xii s di s c r e t edi f f2( ) xt , i, xr , i, i f xii s c o nt i nuo usv dmi( ) t , r =∑a  Y  ( p r ( ) y = a| xi= xt , i- p r ( y = a| xi= xr , i) )2∈医疗健康大数据驱动的知识发现与知识服务方法管理科学与工程- -222《管理世界》2022年第1 期其中，y 是结论类变量，Y 是变量y 的域。diff2（x t ，i ，x r ，i）是传统欧氏距离的一部分，是目标案例t 和历史案例r 之间在连续属性上距离的平方，即：（6）这个算法适用于案例中同时含有离散变量和连续变量的距离度量，突出了案例属性相对重要性的影响。这种影响反映在特征属性向量的权重上，w=（w 1 ，w 2 ，……，w n），其中0 ≤ w i ≤ 1（i = 1 ，2 ，……，n ， ），权重通过遗传算法（GA）获取。GA中的每个个体的染色体确定了对医疗健康案例属性权重向量的编码，每个个体的适应度是要最大化的目标。当选择使用GA来获取案例权重向量时，属性上的权重可以同时满足两个目的，即不仅反映了不同属性的相对重要性，还将度量的类型从连续型数值扩展到离散型数值。该方法避免了专家评价的主观性和属性权重难以动态变化的局限，可以根据具体医疗管理决策场景的要求和案例知识库的实时更新情况自动计算和动态调整权重，有利于知识生成精度和有效性的提升（顾东晓，2020）。 研究表明，在准确性和综合F 值性能评价指标上，该方法比传统基于欧式距离的CBR 算法在性能上提高9 . 0 % 以上；和RBF 神经网络、Naive Bayes、CART 等方法相比性能提高了3 . 2 % 以上（Gu et al. ，2017）。（二）基于优化型深度集成学习的医疗健康推理知识发现方法随着人工智能技术的发展，涌现了大量面向医疗健康决策的分类器算法，这些方法为医疗健康知识发现提供了重要工具手段。为了融合不同分类器算法的优点解决医疗健康复杂决策问题，深度集成学习方法应运而生。优化型深度集成学习算法模型（DEM-TPE）针对多源跨组织医疗健康大数据的复杂性和异质性，使用树状结构的Parzen 估计器（TPE ）来选择最佳数量的基分类器，可以根据不同数据集的需要自动改变其具体结构模式，使得在求解精度和效率上具有优势，可以较好地适应不同医疗健康决策场景的知识发现需求。基分类器的输出以级联森林的方式进行整合，如图5 所示。使用Random Forest（RF）、Extra Trees（ET）、AdaBoost 和GBDT 基础分类器，每个分类器m i 预测出一个估计的类别分布p i 。通过使用TPE 来最小化一个由所有分类器的平均输出给出的损失函数来优化基础分类器的数量。根据分类器的预测概率p 来预测类标签，并通过每个分类器的多数投票m i 来预测类标签 。对于一个二元分类任务，类标签k ∈ { 0 ，1 } 。分类器的数量m i 被表示为w i ，而w i ∈ N={0 ，1 ，2 ，3 ，……} 。当分类器的值w i 为0时，分类器m i 不被选择。（7）四、考虑综合效用和多样性的医疗知识服务推荐方法日本大阪大学心理学家三隅二不二提出的PM理论指出，在组织内的群体具有两种功能：一是实现组织绩效（performance ）目标；二是改善团队的正常运转（maintenance）。 基于群体有效性理论，医疗健康知识服务可以促进团队关系改善，提升组织绩效（Gu et al.，2019）。 传统知识服务未能充分考虑医生的个性化动态化需求和医疗活动的全周期健康服务演化特征（Feldman et al.，2014），难以发现新时代智慧医疗健康模式下医生的知识服务需要。医疗协作和数据共享汇聚了大规模数据，并通过知识发现、图谱建构di f f2( ) xt , i, xr , i= ( xt , r- xr , i)2∑i = 1nwi= 1图5 基于优化型深度集成学习的医疗健康推理知识发现医疗健康大数据分类器1分类器2分类器mpm-1损失函数TPE优化输入特征Random ForestGBDT医疗健康推理知识发现分类器数量pm-1pm-1pm-1w1w2wm-1wm分类器m-1级联结构级别1级别x级别n预处理Extra TreesAdaBoost集成分类器yຢyຢ = ar g m axk∑mi  θ∑j = 0wjpk i j∈- -223与知识服务，搭建了群体共创的知识服务场景，然而知识的有效性依赖于有效的知识节点关联，不完备的知识数据将降低知识服务的质量，导致服务主体难以及时有效的对知识做出筛选，系统更无法主动响应医生知识服务的多样性需求。因此需要针对知识服务需求的个性化特征，利用心理学、行为学等理论，使用与诊疗活动相关的诊疗病案信息与行为数据，基于诊疗经验和规范共识，对医生的需求和行为特征进行建模，构建面向智慧医疗健康管理主体的主动知识服务，实时响应疾病演化状态（Rush et al.，2019）、精准评估医疗效果、动态调整医疗决策方案，辅助医生提高诊疗效率，为医生提供所需的个性化诊疗知识的推荐服务，减少线下医院就诊负载。为了解决医疗资源供需失衡问题，我国积极推行医疗知识服务，鼓励医生主动获取诊疗服务知识，以提高诊疗水平和综合服务能力。然而，医生缺乏足够的信息来获取可靠的知识，同时现有系统中也缺少对医生偏好的考虑，无法满足知识服务的个性化需求。因此，依据医生的偏好和知识的有效性，根据多样性指导医生的选择，向医生推荐合适的知识来提供可靠的知识服务是知识服务系统能够主动服务医生需要亟待解决的关键问题之一。我们提出了一种考虑综合效用和多样性的分级医疗知识推荐方法，如图6 所示。（一）推荐模型的综合效用可靠的知识服务推荐需要精确的知识有效性数据，在获得现有知识后，首先利用非负矩阵分解算法进行知识有效性判定。用C ij 表示知识k i 在疾病d j 上的有效性，同时将初始的知识—疾病矩阵KDI×J 分解为知识特征矩阵K ∈ KDI×F 和疾病特征矩阵D ∈ PDI×F 。缺失的知识有效性C^ij 可以根据如下公式计算并且得到填充后的知识—疾病矩阵KD*I×J ：（8）非负矩阵分解方法可以减小预测与真实值的误差，使得判定的知识有效性数据不断逼近真实值，因此构建损失函数如下：（9）在实际生活中，很多因素影响着医生对医疗知识的采纳，例如知识与疾病的相关度、主体接受水平、知识的多样性等。因此建立综合多主体偏好和多样性的知识推荐模型，根据不同主体在知识选择时对知识属性的不同要求，考虑知识综合效用，具体计算方法如下：（10）其中，G（i）代表知识k i 的综合效用，|cij| 代表标准化后的知识有效性数据。G（i）越高，表示知识k i 的综合效用越高。w z 和wisim 分别表示主体接受能力和知识相关度对知识综合效用的影响。在主体接受能力对知识选择的影响中，将知识按照理解所需专业程度划分为多个层次等级，Z 表示知识候选集中的层次等级数，num z 是指z等级的知识出现的次数，num z/ Z 则表示知识重复率对主体进行知识选择的影响；用1 /| r z -r | 表示知识等级与主体接受等级之间的差距对知识选择的影响。在知识相关度对知识综合效用的影响中，使用-ln（1 - sim i）度量知识相似度的影响，sim i 表示知识k i 与病症的相似度，随着sim i 的增大，wisim 的变化越大，符合医生科室与知识相关性的变 图6 多样性增强的智能推荐方法Ci j= Ki× DjL =12∑i = 1I∑j = 1JRi j( ) Ci j- Ki× DTj2+λ12‖ ‖ K2F+λ22‖ ‖ D2F( ) K  0, D  0 ≥ ≥■■■||G ( )i = | | ci j× wz× wis i ms . t . wz=numzZ 1| | rz- rwis i m= - l n ( ) 1 - s i mi, 0  s i mi< 1 ≤医疗健康大数据驱动的知识发现与知识服务方法管理科学与工程- -224《管理世界》2022年第1 期化特点。（二）推荐模型的多样性考虑推荐列表内的知识内容多样性和知识来源多样性，构建了一个多样性函数Div用以引导系统为医生推荐多样性的医疗知识。Div的具体计算方式如下：（11）其中，Div（Lk ）和Div（Ls ）分别代表知识内容多样性和知识来源多样性。Div（Lk ）调用表内多样性（ILS）计算，ILS 表示推荐列表内任意两个项目的平均相似性，通过对ILS 的转换，以保证更大的Div（Lk ）代表更大的多样性；Div（Ls ）利用覆盖率计算，T（L）和T 分别表示知识推荐列表和整个推荐系统中的来源个数，因此Div（Ls ）越大，推荐列表中的知识来源多样性越大。使用算数平均法来融合两类多样性，随着Div（L）的增大，推荐列表涵盖差异性更大的知识和更多的来源。为了求解该医疗知识推荐模型，我们使用了贪心算法以生成融合知识综合效用和知识多样性的推荐列表，并验证了模型的有效性（Wang et al.，2020）。 贪心算法的核心思想则是指从推荐系统中依次选取满足目标的元素直到整个推荐列表被填满。值得注意的是，在每次知识选取的过程中，首先选取具有最大综合效用的知识，在调整多样性的情况下尽可能的最大化知识效用，满足医生的知识需求。五、案例实践我们将前述医疗健康知识的组织、更新、生成、发现等方法集成到医疗健康大数据驱动的城市医疗集团知识服务平台—Medicas，并成功应用于华东地区某医科大学附属医院城市医疗集团。该医疗集团包括1 所三甲综合医院（中心医院）、59家医联体成员单位和5 家社区卫生服务中心，拟通过共享三甲综合医院的优质医疗资源，延伸服务能力，提升医联体成员单位和社区卫生服务中心的医疗服务质量和水平，但在运营过程中，由于中心医院的优质医疗资源有限，面对“人满为患”的诊疗服务需求，本来就“自顾不暇”，更难以将知名专家大量派出满足医联体各中小医院的需求；同时，由于缺少医疗健康知识管理工具，医生占用大量诊疗时间整理案例知识，知识的利用主要停留在医典、临床指南、药典等静态医学知识上，丰富的临床动态知识难以得到有效利用，优质医疗资源的价值不能得到充分发挥。医疗健康大数据驱动的知识服务系统的应用显著改善了该医疗集团的医疗健康服务质量。（一）知识服务系统总体架构基于该医疗集团提出的按照区域医疗健康一体化理念，医疗健康大数据驱动的知识服务系统旨在重构该医疗集团的医疗健康业务处理与管理决策模式，构建数据驱动、知识精准服务的智能化医疗健康服务体系，促进优质资源下沉，实现医疗健康一体化的智慧管理与智慧服务。为此，我们采取“跨域数据分析、知识动态服务、健康服务创新、流程贯穿再造、全域管理优化”的工作路径，建设“城市医疗集团知识服务平台—Medicas”，助力医联体各医疗卫生服务机构为居民提供“公平可及、系统连续、安全可控、成本合理”的优质医疗健康服务。Medicas的总体架构如图7 所示。（二）医疗健康数据治理由于集团成立之前，各医疗机构建有各自的信息系统，导致“数据烟囱”问题普遍存在，且数据结构也存在较大差异，难以共享开发利用。为了实现医疗健康大数据的有效治理，该医疗集团面向医联体各单位构建了全感知、全连接、全智能的智能互联基础设施，打通了现有医疗机构的协同服务通路，并构建了基于医疗健康大数据融合与标准化的数据融通体系和数据流耦合机制（Yaraghi et al. ，2015），通过标准化规范体系和数据安全体系保障数据互联互通和共享，为医联体不同医院、院区间的数据聚合、知识发现、全局流程贯穿再造和医■■■||||D i v ( ) L = D i v ( ) Lk × D i v ( ) Lss . t . D i v ( ) Lk = 1 -2K ( ) K - 1∑i , m  L &i  mSi mi , mD i v ( ) Ls =T ( ) LT≠ ∈- -225疗健康服务资源整合奠定了基础。同时，为了对源头数据问题及时发现和治理，从数据、业务和应用3 个维度建立了一套数据质量治理的规则，具体包括围绕数据质量评价维度中数据完整性、数据一致性、数据规范性和数据准确性，形成了数据域、业务域和应用域三层的数据质控规则知识集，及时识别到业务源头数据质量问题，及时预警和推送，再结合质量评分和绩效考核等方案建立案例使用评价的激励机制（Sasaki and Biro ，2017），推动数据质量提升和优化，以降低潜在的医疗风险（Bean et al.，2017）。（三）医疗健康知识建模与图谱构建面向医疗健康决策、医院管理、临床教学、科研等业务，构建了以医学典籍、医学图书、专业文献、医学指南、学术专著为核心的通用医学知识图谱（Malik et al. ，2019）以及基于临床诊疗路径的动态知识视图，并通过自学习机制，实现知识更新，可对决策方案进行合理性分析。建立了症状、药品、疾病、手术、检验等12类医学实体，覆盖儿科、呼吸内科、消化内科、心血管内科等十余个主要科室的常见疾病。与人民卫生出版社合作，通过医学专业团队进行多维术语提取、抽象知识本体，输出标准化知识术语，包括症状、查体体征、解剖部位、检验指标、检查、药品、病种、诊断、手术操作、学科等共计超过10000 条；梳理了7 项类别约70000 条知识补充到知识库，包括疾病知识、药品知识、检验、检查知识、法律法规知识、医疗损害防范案例知识及医患沟通知识。建设了符合中医药和中医基础理论规范的中医文本知识库，整理有关名医医案、方剂、古籍、中药、中成药、穴位、中医病证、针灸处方等8 大类共计约10250 条知识集。在重要事项提醒方面，构建业务规则知识库，形成了检验规则、检查规则、手术规则等约6000多类（条），在开立药品医嘱、护理、手术、用血、检验申请单、检查申请单、书写病历等行为中调用规则知识进行合理性审核和预警，提示等级分为提示、警告、禁止类，提示信息包含提示结论、建议、依据等。（四）医疗健康知识推理与可视化服务系统提供了案例全库、疑难杂症案例库和典型案例库（Gu et al. ，2017），面向不同管理决策情境选择合适的算法模型实现知识推理、生成与发现，通过可视化引擎和个性化推荐引擎提供知识自动匹配、知识检索、知识推荐、知识视图等服务，为医联体内各医院和社区卫生服务中心的管理决策过程提供知识支撑，全面支撑医疗健康服务组织的临床决策、教学和科研工作。特别是基于临床诊疗路径构建的可视化知识视图，极大方便了对患者健康过程的监测和预测预警。医务人员通过知识视图系统可以快速掌握案例详情，如核心检验指标、关键用药的集中预览、历史趋势的对比以及多个相似影像在特定时间段的同屏比对，同时可以参与到知识的生成过程，通过特征属性权重调整和交互反馈等方式获取更准确的案例知识。专科知识视图不仅帮助了解患者全过程病情变化情况、趋势和诊疗决策过程，还可以基于历史案例知识推荐医疗方案，或 图7 医疗健康知识服务系统整体架构医疗健康大数据驱动的知识发现与知识服务方法管理科学与工程- -226《管理世界》2022年第1 期者基于通用医学知识或者药学知识对医生制定的诊疗方案和用药方案进行合理性分析，及时预警和提醒。（五）实践成效大数据驱动的医疗健康知识服务系统通过知识服务为精细化的医疗决策、调度、评价、协作和质控全过程管理提供了有力支持，推动了线上—线下融合、院内—院外协同的全周期主动健康管理模式变革。目前系统日均调用超过万次，有效知识服务超过2000次，全面优化了该医疗集团的一体化协同管理，为实现医疗同质化、教学数字化、科研一体化、服务网络化和管理精细化奠定了坚实的基础，有力推动了国家分级诊疗政策落地，总体实践成效显著。具体体现在：（1）医疗机构方面：中心医院优质资源得到充分利用，三级甲等综合医院诊疗决策的知识服务活跃率达到70% 左右；社区基层医院常见病知识服务覆盖率达95% ，知识服务辅助决策的活跃率达到90% ，社区和基层医院接诊能力显著提升。（2）医生方面：各种知识服务引擎有效提高医生工作效率 15% 左右，医生的诊疗能力得到提升，救治效率得到提高。基于知识视图应用，自动生成疑难病例研究报告，有效降低临床医护工作量投入5 个工作日/ 人/月，非诊疗时间占用明显减少。（3）患者方面：患者获得了更高质量的服务，满意度显著提升。通过患者满意度调查，患者对服务质量、就医便捷性、就医成本降低3 个方面的满意度均提升30% 以上。六、结束语医疗健康大数据和知识作为一类战略性人造资源和生产要素，正在驱动着新时代卫生健康领域生产方式、生活方式和治理方式的变革，政府和产业界都已认识到医疗健康知识服务在推动医疗健康资源整合和协同服务过程中的潜在巨大价值。国务院在《关于促进和规范健康医疗大数据应用发展的指导意见》中明确提出：“要坚持以人为本、创新驱动，规范有序、安全可控，开放融合、共建共享的原则，以保障全体人民健康为出发点，大力推动政府健康医疗信息系统和公众健康医疗数据互联融合、开放共享，积极营造促进健康医疗大数据安全规范、创新应用的发展环境”。通过融合大数据驱动的医疗健康知识服务研究与实践，促进了数据治理、融通、聚合和知识管理、共享、服务、价值呈现，支撑横向和纵向医疗健康资源的全面整合和协同服务。有效开发、利用和转化医疗健康知识的内在价值，通过分散在不同医疗机构、社区等空间的智能互联网络合理、安全共享知识，极大促进了优质医疗资源下沉以及医学知识和智慧辐射到基层，推动我国医疗健康服务和分级诊疗实现新业态。本文基于研究团队多年来在智慧医疗健康管理领域的理论研究和应用实践，针对我国新医改下分级诊疗和智慧医疗健康管理的重大需求，基于“资源观”界定了新时代医疗健康领域大数据的概念，在此基础上提出了医疗健康大数据驱动的知识服务方法论，最后介绍了在华东地区某三甲医院医疗集团的案例，实践表明本文介绍的知识服务方法不仅带来了显著的管理效益，还加速了优质医疗资源下沉，有力推动了医疗健康管理变革和分级诊疗政策落地。本文所采纳“概念界定、特性分析、方法提出、案例实践”的大数据驱动的管理决策研究方法论，经团队多年来的研究与实践表明其具有普适性且行之有效。虽然本文介绍的方法基于医疗健康大数据，主要面向卫生健康领域的医院和紧密型医联体，但这些方法模型具有较好的普适性，对金融、保险、交通、商业等知识丰富领域的集团化企业同样具有重要的借鉴意义。（作者单位：合肥工业大学管理学院）参考文献（1）杜少甫、谢金贵、刘作仪：《医疗运作管理：新兴研究热点及其进展》，《 管理科学学报》，2013年第8 期。（2）顾东晓：《医疗健康案例知识发现与智能决策方法》，科学出版社，2020年。（3）刘业政、孙见山、姜元春、陈夏雨、刘春丽：《大数据的价值发现：4 C 模型》，《 管理世界》，2020年第2 期。（4）马费成、周利琴：《面向智慧健康的知识管理与服务》，《 中国图书馆学报》，2018年第5 期。- -227（5）徐宗本、冯芷艳、郭迅华、曾大军、陈国青：《大数据驱动的管理与决策前沿课题》，《 管理世界》，2014年第11期。（6）杨善林、周开乐：《大数据中的管理问题：基于大数据的资源观》，《 管理科学学报》，2015年第5 期。（7）Aminpour，P. ，Gray ，S. A.，Jetter，A. J. ，Introne ，J. E. ，and Arlinghaus，R. ，2020，“Wisdom of Stakeholder Crowds in Complex Social–ecological Systems ”，Nature Sustainability ，3（3），pp.191 ~ 199 .（8）Bean，D. M.，Wu，H. ，Iqbal，E. ，Dzahini，O. ，Ibrahim，Z. M.，Broadbent，M.，Stewart ，R. and Dobson，R. J. B.，2017，“KnowledgeGraph Prediction of Unknown Adverse Drug Reactions and Validation in Electronic Health Records ”，Scientific Reports ，7（1），pp.1 ~ 11.（9）Ben-Assuli ，O. and Padman，R. ，2020，“Trajectories of Repeated Readmissions of Chronic Disease Patients：Risk Stratification，Profiling，and Prediction”，MIS Quarterly ，44（1），pp.201 ~ 226 .（10）Benkner，S. ，Arbona ，A. and Berti，G. ，2010，“@neurIST：Infrastructure for Advanced Disease Management Through Integration ofHeterogeneous Data，Computing，and Complex Processing Services ”，IEEE Transactions on Information Technology in Biomedicine ，14（6），pp.1365~ 1377.（11）Bhattacharyya ，S. ，Banerjee，S. ，Bose ，I. and Kankanhalli ，A. ，2020，“Temporal Effects of Repeated Recognition and Lack of Rec⁃ognition on Online Community Contributions ”，Journal of Management Information Systems，37（2），pp.536 ~ 562 .（12）Feldman，J. ，Liu，N. ，Topaloglu ，H. and Kankanhalli，A. ，2014，“Appointment Scheduling under Patient Preference and No-showBehavior”，Operations Research，62，pp.794 ~ 811 .（13）Gu，D. ，Deng，S. ，Zheng，Q. ，Liang，C. and Wu ，J. ，2019，“Impacts of Case-based Health Knowledge System in Hospital Manage ⁃ment ：The Mediating Role of Group Effectiveness ”，Information & Management ，56（8），pp.103162.（14）Gu，D. ，Liang，C. ，Li ，X. ，Yang，S. and Zhang ，P. ，2010，“Intelligent Technique for Knowledge Reuse of Dental Medical RecordsBased on Case-based Reasoning”，Journal of Medical Systems，34（2），pp.213 ~ 222 .（15）Gu，D. ，Liang，C. and Zhao，H. ，2017，“A Case-based Reasoning System Based on Weighted Heterogeneous Value Distance Met⁃ric for Breast Cancer Diagnosis”，Artificial Intelligence in Medicine ，77，pp.31~ 47.（16）Gu，D. ，Su，K. and Zhao，H. ，2020，“A Case-based Ensemble Learning System for Explainable Breast Cancer Recurrence Predic ⁃tion ”，Artificial Intelligence in Medicine ，107 ，pp.101858.（17）Gu，D. ，Zhao ，W.，Xie，Y. ，Wang，X. ，Su，K. and Zolotarev，O. ，2021，“A Personalized Medical Decision Support System Based onExplainable Machine Learning Algorithms and ECC Features：Data from the Real World ”，Diagnostics，11（9），pp.1677.（18）Kohli，R. and Tan ，S. L.，2016，“Electronic Health Records：How Can is Researchers Contribute to Transforming Healthcare”，MIS Quarterly ，40（3），pp.553 ~ 574 .（19）Li ，Y. ，Bowen ，Y. ，Xue，M. and Liu，T. ，2020，“Enhancing Pre-trained Chinese Character Representation with Word-aligned Atten ⁃tion ”，ACL 2020，pp.3442~ 3448.（20）Lin，Y. K.，Chen，H. ，Brown，R. A.，Li ，S. H. and Yang ，H. J.，2017，“Healthcare Predictive Analytics for Risk Profiling in Chron ⁃ic Care ：A Bayesian Multitask Learning Approach”，MIS Quarterly ，41（2），pp.473 ~ 495 .（21）Liu，Q. B.，Liu，X. and Guo ，X. ，2020，“The Effects of Participating in a Physician-Driven Online Health Community in ManagingChronic Disease ：Evidence from Two Natural Experiments ”，MIS Quarterly ，44（1），pp.391 ~ 419 .（22）Malik，K. M.，Krishnamurthy，M.，Alobaidi，M.，Hussain，M. and Malik，G. ，2019，“Automated Domain-Specific Healthcare Knowl⁃edge Graph Curation Framework ：Subarachnoid Hemorrhage as Phenotype ”，Expert Systems with Applications，145 ，pp.113120.（23）Mülâyim，M. O. and Arcos，J. L. ，2020，“Fast Anytime Retrieval with Confidence in Large-scale Temporal Case Bases ”，Knowl⁃edge-Based Systems，206 ，pp.106374.（24）Pan，J. ，Ding ，S. ，Wu，D. ，Yang，S. and Yang，J. ，2019，“Exploring Behavioural Intentions toward Smart Healthcare Services amongMedical Practitioners ：A Technology Transfer Perspective”，International Journal of Production Research ，57（18），pp.5801~ 5820.（25）Rush，B. ，Celi ，L. A. and Stone ，D. J. ，2019，“Applying Machine Learning to Continuously Monitored Physiological Data ”，Journalof Clinical Monitoring and Computing ，33（5），pp.887 ~ 893 .（26）Sasaki ，T. and Biro ，D. ，2017，“Cumulative Culture Can Emerge from Collective Intelligence in Animal Groups”，Nature Communi ⁃cations ，8（1），pp.1 ~ 6 .（27）Song ，K. ，Zeng ，X. ，Zhang，Y. ，Jonckheere ，J. D. and Koehl ，L. ，2021，“An Interpretable Knowledge-based Decision Support Sys⁃tem and its Applications in Pregnancy Diagnosis ”，Knowledge-Based Systems ，221 ，pp.106835.（28）Wang，H. ，Ding ，S. ，Li ，Y. ，Li ，X. and Zhang ，Y. ，2020，“Hierarchical Physician Recommendation via Diversity Enhanced MatrixFactorization”，ACM Transactions on Knowledge Discovery from Data，15（1），pp.1 ~ 17.（29）Warnat-Herresthal，S. ，Schultze，H. ，Shastry ，K. L.，Manamohan ，S. and Thirumalaisamy ，V. P.，2021，“Swarm Learning for Decen⁃tralized and Confidential Clinical Machine Learning ”，Nature ，594（7862），pp.265 ~ 270 .（30）Yang，Z. ，Huang，Y. ，Jiang，Y. ，Sun ，Y. ，Zhang，Y. J. and Luo ，P. ，2018，“Clinical Assistant Diagnosis for Electronic Medical Re⁃cord Based on Convolutional Neural Network ”，Scientific Reports ，8 ，pp.6329.（31）Yaraghi，N. ，Du，A. Y.，Sharman ，R. ，Gopal，R. D. and Ramesh，R. ，2015，“Health Information Exchange as a Multisided Plat⁃form ：Adoption ，Usage，and Practice Involvement in Service Co-production”，Information Systems Research，26（1），pp.1 ~ 18.医疗健康大数据驱动的知识发现与知识服务方法管理科学与工程- -228Healthcare Big Data Driven Knowledge Discoveryand Knowledge Service ApproachYang Shanlin, Ding Shuai, Gu Dongxiao, Li Xiaojian and Liu Yezheng（The School of Management, Hefei University of Technology）Summary: Due to unbalanced allocation of medical and healthcare resources and the underutilization of prima⁃ry care facilities, the new healthcare reforms in China are being restricted. To cope with the pressure of medical ser⁃vice demand of 1.4 billion Chinese people and encourage people to go to primary care facilities, China implementedthe Hierarchical Medical System (HMS) in 2015.The purpose of HMS is to improve efficiency, differentiate healthcare services and promote labor division in med⁃ical institutions, and make most common diseases treated in small and medium-sized hospitals, and complex or majordiseases treated in large hospitals. However, generally medical personnel in a primary care center are not as experi⁃enced as those in a big hospital. Hence, most people lack trust in primary hospitals and prefer big hospitals for allmedical problems, which hinders the effective implementation of HMS. This paper proposes a big data-driven knowl⁃edge management approach to reduce the knowledge gap between primary care facilities and big hospitals from theperspective of knowledge service. Based on the conceptual definition of healthcare big data following the "resourceview", this paper proposes the methodology of big data- driven healthcare knowledge service. Firstly, a knowledgebase construction method for medical cases is presented. It is composed of two modules: medical case knowledge or⁃ganization and dynamic update of case knowledge. Then a healthcare inference knowledge generation method withevaluation mechanism and healthcare inference knowledge discovery method based on optimization-based deep inte⁃gration learning are proposed. Further a medical knowledge service recommendation method considering comprehen⁃sive utility and diversity of knowledge needs and doctors' preferences.Finally, we apply the methodology to the practice in a medical group and construct a healthcare knowledge ser⁃vice system based on the proposed methodology from three levels of functions: healthcare data governance, healthcareknowledge modeling and graph construction, and healthcare knowledge reasoning and visualization services. The prac⁃tice results show that our approach improves the utilization efficiency of medical facilities and the treatment ability ofprimary hospitals, the effectiveness of decisions in medical institutions, and the satisfaction of patients. It has stronglypromoted the implementation of HMS.Keywords: healthcare big data, hierarchical diagnosis and treatment, knowledge service, smart hospital manage⁃mentJEL Classification: I 18