摘要：隨著“三位一體”的智慧醫(yī)院建設的開展，醫(yī)院臨床數(shù)據(jù)中心在醫(yī)院信息化建設中扮演越來越重要的角色，當下很多臨床數(shù)據(jù)中心的整體架構設計的出發(fā)點多是面向評審評級，而忽略數(shù)據(jù)平臺本身的特性及平臺的可實施性。本文借鑒研發(fā)運維一體化DataOps理念，采用微服務架構、面向敏捷交付構建臨床數(shù)據(jù)中心，從而有效解決臨床數(shù)據(jù)中心的架構理想實施艱難的問題。

關鍵詞：DataOps;臨床數(shù)據(jù)中心;敏捷

中圖分類號：R107" " " " " " " " " " " " " " " " " " 文獻標識碼：B" " " " " " " " " " " " " " " " DOI：10.3969/j.issn.1006-1959.2024.19.007

文章編號：1006-1959（2024）19-0048-06

Hospital Clinical Data Centre Design for DataOps

YU Gao1，2，LIU Ranfeng3

（1.Data Centre Ramp;D Department，Ewell Technology Co.， Ltd.，Hangzhou 310051，Zhejiang，China;

2.MBA Center，School of Management，University of Science and Technology of China，Hefei 230000，Anhui，China;

3.Information Department，the First People's Hospital of Lianyungang，Lianyungang 222002，Jiangsu，China）

Abstract：With the construction of the trinity smart hospital， the hospital clinical data center plays an increasingly important role in the construction of hospital information technology. The starting point of the overall architecture design of many clinical data centers is mostly oriented to the evaluation of ratings， while ignoring the characteristics of the data platform itself and the implementability of the platform. In this paper， we propose to draw on the concept of integrated DataOps for Ramp;D， operations and maintenance， adopt microservice architecture， and guide the design of clinical data center products for agile delivery， so as to effectively solve the problem of difficult implementation of the architectural ideals of clinical data centers.

Key words：DataOps;Clinical data center;Agile

伴隨公立醫(yī)院高質量發(fā)展改革的推進，尤其是電子病歷應用水平功能測評和醫(yī)院互聯(lián)互通成熟度測評的普及，醫(yī)院臨床數(shù)據(jù)中心已經(jīng)成為了三級醫(yī)院信息系統(tǒng)的標配。由于診療數(shù)據(jù)涉及業(yè)務系統(tǒng)多、格式與質量參差不齊，難以有效地進行數(shù)據(jù)收集、應用，導致臨床數(shù)據(jù)的價值無法高效完成提升與轉化。醫(yī)院臨床數(shù)據(jù)中心主要用于匯聚、加工和分析臨床診療數(shù)據(jù)，實現(xiàn)診療數(shù)據(jù)在系統(tǒng)間的互通和共享，以支持醫(yī)療機構的管理和決策。不過，在醫(yī)院臨床數(shù)據(jù)中心實施過程中，既需要對接多個第三方廠商的若干信息系統(tǒng)，又需要滿足包括實時和非實時的各種數(shù)據(jù)服務需求，因此數(shù)據(jù)中心交付難的問題一直困擾項目甲乙雙方。當前建設臨床數(shù)據(jù)中心面臨的主要難題有：①數(shù)據(jù)整合困難：由于醫(yī)療機構信息建設通常缺乏長期整體規(guī)劃[1]，業(yè)務信息系統(tǒng)之間數(shù)據(jù)不相通、離散分布，使得在收集圍繞疾病事件/患者就診的全面數(shù)據(jù)時，遭遇不少困難。即使已從多個業(yè)務系統(tǒng)中獲得數(shù)據(jù)，如何將醫(yī)院數(shù)據(jù)進行關聯(lián)與整合，也是醫(yī)院數(shù)據(jù)應用面臨的難題之一。②數(shù)據(jù)清洗流程繁瑣：臨床業(yè)務系統(tǒng)中許多數(shù)據(jù)存在錄入不規(guī)范、不一致、缺失、重復、混亂、格式不規(guī)范、非結構化等情況[2]，因此在從各個業(yè)務系統(tǒng)中獲取海量臨床專病科研所需的數(shù)據(jù)時，對數(shù)據(jù)的清洗、轉化處理較為困難。要讓醫(yī)療數(shù)據(jù)生根發(fā)芽實現(xiàn)數(shù)據(jù)驅動，上述問題的解決則需要依靠數(shù)據(jù)治理來解決。③數(shù)據(jù)標準化程度低：醫(yī)療機構通常由多個系統(tǒng)供應商提供信息系統(tǒng)，各公司系統(tǒng)數(shù)據(jù)庫缺乏通用數(shù)據(jù)元素，系統(tǒng)術語缺乏臨床實用性[3]。各類醫(yī)學與醫(yī)技術語使用不規(guī)范、命名不一致，想將全部歷史病歷數(shù)據(jù)（非結構化和結構化數(shù)據(jù)）進行標準化、歸一化處理、存儲，從而獲得高質量數(shù)據(jù)，是一件費時費力的工作。④缺乏搜索臨床數(shù)據(jù)的入口：醫(yī)院存儲有大量可利用的臨床數(shù)據(jù)尤其是中文電子病歷數(shù)據(jù)，缺少準確地檢索到所需數(shù)據(jù)的中文相似電子病歷檢索工具[4]，形成“物不能盡其用”的現(xiàn)狀。

DataOps方法在各個行業(yè)的應用研究也取得了一定的進展。在制造業(yè)和公共事業(yè)行業(yè)，公共事業(yè)組織考慮采用DataOps來建立數(shù)據(jù)驅動的文化并在市場上獲得競爭優(yōu)勢[5]。在醫(yī)療健康領域，Bahaa S等[6]為數(shù)據(jù)科學和分析項目提出了一種新的DataOps生命周期，并應用于使用加州大學歐文分校的心臟病數(shù)據(jù)集的醫(yī)療保健案例研究。提倡協(xié)作、質量控制和更快地交付的DataOps，在汲取了軟開發(fā)中的DevOps方法并與敏捷和精益生產(chǎn)等相結合之后，可以有效的促進臨床數(shù)據(jù)中心的建設。因此，本文試圖利用DataOps理念構建一套科學、標準、規(guī)范的面向醫(yī)院的臨床數(shù)據(jù)中心，解決臨床數(shù)據(jù)中心建設過程中遇到的數(shù)據(jù)整合難、清洗流程繁瑣等問題，從而提升醫(yī)院臨床數(shù)據(jù)中心項目的交付質量和效率。

1 DataOps簡述

1.1 DataOps定義" DataOps由Lenny Liebmann[7]在2014年首次提出，Ereth J[8]、Atwal H[9]、Vargas-Rueda L[10]、Mainali K[11]等學者在其研究中都提到了自己對DataOps概念的理解，表1為各個學者對DataOps的理解?？傮w來說，DataOps是一種面向流程的方法，它由人驅動，而不是技術驅動。對于專注于數(shù)據(jù)的數(shù)據(jù)科學家和開發(fā)人員來說，它允許其在不放棄數(shù)據(jù)治理要求的情況下開展敏捷的數(shù)據(jù)處理流程。DataOps為數(shù)據(jù)編排、自動化和協(xié)作提供了最佳實踐，旨在提高工作效率。作為新興的概念，DataOps正成為熱點。

1.2 DataOps的實施準則" 綜合上述專家的論述，可以看出DataOps與敏捷軟件工程、DevOps實踐、精益生產(chǎn)等概念相近。如圖1 所示，DataOps將敏捷、DevOps、精益生成等技術用于數(shù)據(jù)科學或數(shù)據(jù)分析項目中，來提升數(shù)據(jù)處理質量獲取更大收益。相比傳統(tǒng)的數(shù)據(jù)處理方式，DataOps更強調(diào)數(shù)據(jù)過程的自動化和協(xié)同化。

數(shù)據(jù)類項目具有區(qū)別其他項目的特異性，數(shù)據(jù)分析的需求往往變化很快。以前處理的一些數(shù)據(jù)管道對于新的業(yè)務很容易過時而不適用，因此，往往需要從頭開始一個新的數(shù)據(jù)任務來處理新需求。為了應對不斷變化的需求和數(shù)據(jù)，敏捷和DevOps等被引入數(shù)據(jù)分析項目中，形成DataOps方法。其落地過程還需要結合人、技巧、技術、流程、文化等。總體來說，DataOps的實施準則主要涉及以下幾點：①DataOps文化：首先，通過確定組織中的人員和文化來啟動DataOps;其次，針對DataOps建立與組織內(nèi)部的流程和工具一致的管理機制。②自動化：通過各種工具和技術將數(shù)據(jù)處理分析過程進行集成，從使數(shù)據(jù)分析流程自動化運行。③版本控制：版本控制對于數(shù)據(jù)、文檔和代碼的跟蹤是必不可少的。通過版本控制，不同的團隊成員可以方便溝通數(shù)據(jù)分析工作，避免由于版本原因導致的問題。④容器化和復用：有復用的可能性，就不必要浪費時間重做同樣的事情。通過將程序容器化提升數(shù)據(jù)分析過程的復用有助于減少因外部環(huán)境而導致的失敗風險。⑤設置多個環(huán)境：為生產(chǎn)環(huán)境和開發(fā)環(huán)境設置一個獨立的環(huán)境，頻繁的需求更新在開發(fā)環(huán)境進行，這不會對正在生產(chǎn)環(huán)境產(chǎn)生影響。在開發(fā)環(huán)境中，每個團隊成員有自己的工作環(huán)境，這樣每個人都可以獨立工作而不影響其他環(huán)節(jié)。⑥測試和試驗：在將開發(fā)環(huán)境發(fā)布到生產(chǎn)環(huán)境之前，需要做一個充分的測試。沒有測試，就無法保證數(shù)據(jù)處理過程的質量。⑦持續(xù)集成和部署：在測試環(huán)境就將各數(shù)據(jù)流程的工作集成起來，在通過測試后，使用持續(xù)部署，將其發(fā)布到生產(chǎn)環(huán)境中。⑧持續(xù)監(jiān)控：定期監(jiān)控開發(fā)環(huán)境和生產(chǎn)環(huán)境，以跟蹤追溯各個數(shù)據(jù)處理流程的性能、輸入和輸出質量。通過統(tǒng)計分析持續(xù)監(jiān)測的數(shù)據(jù)，進一步改進各個數(shù)據(jù)處理流程。⑨溝通與合作：不斷地與客戶、團隊成員及利益相關者溝通，使信息能夠更快地傳遞。在工具、作業(yè)任務和人之間建立協(xié)作工作平臺，保障得到更好的結果。

總之，DataOps提倡協(xié)作、質量控制和更快地交付項目。在汲取了軟開發(fā)中的DevOps方法，并與敏捷和精益生產(chǎn)等相結合之后，再加上落地實施過程中需要遵守的原則和指南，DataOps的推廣落地已經(jīng)是有章可循。

2基于DataOps的臨床數(shù)據(jù)中心設計

2.1建設思路" 面向數(shù)據(jù)全生命周期的DataOps是一種以價值最大化為目標的最佳實踐，該方法聚焦于協(xié)同從數(shù)據(jù)需求輸入到交付物輸出的全鏈路過程，包含了敏捷化、標準化、自動化、智能化的特征?；贒ataOps的系統(tǒng)開發(fā)遵循迭代和增量的方法，允許管理者和利益相關者在軟件的開發(fā)期間優(yōu)先考慮用戶價值的特性，并跟蹤用戶的反饋。根據(jù)客戶的持續(xù)反饋進行的小迭代，確保項目保持令人滿意的進展。

DataOps 倡導協(xié)同式、敏捷式的數(shù)據(jù)資產(chǎn)管理[12]（圖2）。它需要通過建立數(shù)據(jù)管道，明確數(shù)據(jù)流轉過程及環(huán)節(jié)，并且該過程能夠自動化進行，從而可以縮短數(shù)據(jù)項目的周期，并持續(xù)改進數(shù)據(jù)質量，降低管理成本，加速數(shù)據(jù)價值釋放。具體到醫(yī)療機構，業(yè)務部門對應了醫(yī)務科、質控科及臨床業(yè)務科室等提出數(shù)據(jù)需求的業(yè)務部門;IT部門則對應信息部門或者醫(yī)院IT供應廠商;如今越來越多的醫(yī)療機構開始成立專門的數(shù)據(jù)管理部門，部分醫(yī)療機構成立“醫(yī)學大數(shù)據(jù)或人工智能中心”“運營部”等承擔對應的數(shù)據(jù)管理工作。

2.2系統(tǒng)架構" 為了實現(xiàn)圖2的DataOps敏捷協(xié)同一體化管理機制，需要特定的臨床數(shù)據(jù)中心平臺來支撐，它需要包括工作流業(yè)務流程工具、測試和監(jiān)控工具、部署自動化工具，也會涉及代碼和數(shù)據(jù)版本控制工具、數(shù)據(jù)分析和可視化工具、數(shù)據(jù)治理工具等。為了滿足DataOps產(chǎn)品架構方面采用基于微小化的整體建設架構理念，以支撐自動化運維管理、靈活、動態(tài)、安全的基礎架構，將數(shù)據(jù)中心管理平臺和數(shù)據(jù)應用分解成為模塊化應用，見圖3。通過這種模式的建設，能夠隨著整體系統(tǒng)運營時間的增長，從而使得醫(yī)院有效分析和利用醫(yī)療大數(shù)據(jù)的能力不斷提升[13]。

平臺采用Spring Cloud微服務框架，在該框架基礎之上開發(fā)了數(shù)據(jù)服務配置功能。Spring Cloud提供了微服務的配置管理、服務發(fā)現(xiàn)、斷路器、智能路由、微代理、控制總線、全局鎖、分布式會話和集群狀態(tài)管理等，基于Spring Cloud微服務框架的數(shù)據(jù)平臺滿足了各類院內(nèi)、互聯(lián)網(wǎng)、醫(yī)聯(lián)體等服務的高并發(fā)、穩(wěn)定性等需求。微服務基礎底座依托Kubernetes資源配額管理、容器編排、應用部署、集群管理等能力，采用了國內(nèi)外先進、多源豐富的云原生開源社區(qū)與企業(yè)服務技術棧兼容融合，構建微服務基礎底座，實現(xiàn)對整體系統(tǒng)的徹底塊間解耦，提供靈活的軟件復用和服務重構能力。

2.3核心模塊" 能夠支撐DataOps落地的臨床數(shù)據(jù)中心平臺需要具備敏捷開發(fā)、快速迭代的要求。為了滿足上述要求，本臨床數(shù)據(jù)中心設計了數(shù)據(jù)集成引擎、數(shù)據(jù)可視化引擎、自然語言處理引擎和數(shù)據(jù)治理引擎4個模塊，它們以低代碼、易操作的優(yōu)勢被公司實施人員和醫(yī)療機構技術人員所接納。

2.3.1 集成引擎模塊" 面向DataOps的數(shù)據(jù)研發(fā)環(huán)節(jié)，需要通過串聯(lián)數(shù)據(jù)模型設計、數(shù)據(jù)標準設計、數(shù)據(jù)質量設計、數(shù)據(jù)集成、數(shù)據(jù)存儲、數(shù)據(jù)加工等流程[14]，建成數(shù)據(jù)研發(fā)一體化能力，為此需要一個集成上述功能的數(shù)據(jù)集成引擎工具。如圖4所示，數(shù)據(jù)集成引擎模塊是結合數(shù)據(jù)倉庫建模、采集和實施的方法論，滿足Oracle、SqlServer等各種主流數(shù)據(jù)源數(shù)據(jù)的整合要求，提供了更加便捷、更智能的服務。數(shù)據(jù)集成的核心任務是要將互相關聯(lián)的分布式異構數(shù)據(jù)源集成到一起，使用戶能夠以透明的方式訪問這些數(shù)據(jù)源。有別于其他行業(yè)的數(shù)據(jù)集成工具，該工具通過內(nèi)置醫(yī)療行業(yè)臨床、運營和科研倉庫數(shù)據(jù)采集模板，降低了數(shù)據(jù)采集的運維門檻，使得復雜的工作簡單化，雜亂的流程統(tǒng)一化。

2.3.2 數(shù)據(jù)可視化引擎" 商業(yè)智能可視化技術在對醫(yī)院抗菌藥物應用、公立醫(yī)院績效考核管理等醫(yī)院數(shù)據(jù)分析領域有廣泛的應用[15，16]，但指標的統(tǒng)計分析往往會根據(jù)需求的變化而變化，DataOps倡導的持續(xù)集成和部署正是解決該問題的有效方式，因此便于用戶自助分析的可視化引擎必不可少。

可視化集成引擎采用asp.net、bootstrap等技術，汲取Echart、FineRepor等第三方可視化庫開發(fā)而成。其核心功能主要包括對柱形圖、折線圖等圖例的封裝，根據(jù)不同需求自由定義展示模塊，然后用不同模塊自由設計數(shù)據(jù)分析報表。此外，引擎基于運營數(shù)據(jù)倉庫實現(xiàn)可視化報表的自助設計，可以可快速生成、方便操作，可根據(jù)醫(yī)院、個人喜好生成各種儀表盤，見圖5?；诳梢暬瘮?shù)據(jù)分析平臺，可以開發(fā)出適配電腦端和移動端的各種應用產(chǎn)品，這樣就可以大大節(jié)約數(shù)據(jù)產(chǎn)品應用開發(fā)工作。

2.3.3自然語言處理引擎" 精準醫(yī)學的核心是廣泛收集患者個體相關的數(shù)據(jù)，其中電子病歷數(shù)據(jù)是最重要的數(shù)據(jù)之一[17]。以電子病歷為主體的醫(yī)療大數(shù)據(jù)被廣泛應用于醫(yī)藥研發(fā)、臨床決策支持、個性化醫(yī)療、流行病監(jiān)測和預警等[18]，上述數(shù)據(jù)應用的前提都需要經(jīng)歷非機構化的病歷數(shù)據(jù)進行結構化的過程，因此自然語言處理不可或缺。自然語言處理引擎由算法標注平臺、機器學習平臺、自然語言處理平臺、結構化抽取平臺以及可視化展示5大板塊構成，實現(xiàn)對電子病歷非結構化數(shù)據(jù)的文檔分類、段落分類、醫(yī)學術語和實體屬性關系識別，將臨床數(shù)據(jù)中的文本段落信息轉化成可以被醫(yī)院數(shù)據(jù)分析項目有效利用的結構化標準數(shù)據(jù)。

2.3.4 數(shù)據(jù)治理引擎" 數(shù)據(jù)治理可以有效地提高數(shù)據(jù)質量、共享信息和保護敏感數(shù)據(jù)，而且數(shù)據(jù)治理是貫穿數(shù)據(jù)整個生命周期。在DataOps概念中，數(shù)據(jù)治理可以作為開發(fā)、部署、操作和監(jiān)控工作流的一部分，它是DataOps最重要的組成部分之一[19]。數(shù)據(jù)治理引擎模塊通過數(shù)據(jù)標準管理、元數(shù)據(jù)管理、數(shù)據(jù)質量管理、數(shù)據(jù)資產(chǎn)管理等功能實現(xiàn)數(shù)據(jù)標準規(guī)范化、數(shù)據(jù)關系脈絡化、數(shù)據(jù)質量度量化的目標，最終實現(xiàn)醫(yī)院數(shù)據(jù)資產(chǎn)規(guī)范化管理，使得醫(yī)院數(shù)據(jù)資產(chǎn)更加穩(wěn)定，更可靠，可管理，更易懂，提高醫(yī)院的信息化管理水平。

通過上述4個模塊實現(xiàn)代碼線上流轉，構建了CI/CT/CD能力，支持自動化集成、部署和測試，支持對數(shù)據(jù)全鏈路的監(jiān)測和預警，建立全鏈路數(shù)據(jù)安全管控，實現(xiàn)面向DataOps的全周期的數(shù)據(jù)管理。

3總結

當前，DataOps實施是研究者重點關注的領域。Vargas-Rueda L等[3]分析了DataOps概念及其在數(shù)據(jù)管道中的實現(xiàn)，為了解和實施DataOps提供了指導。Demchenko Y[20]采用敏捷服務和應用程序開發(fā)模式來快速響應市場需求和技術變化的情況，并提供了用于DevOps和DataOps的基于云服務的平臺和工具的示例，介紹了通過云服務開發(fā)及基于云原生微服務的自動化配置加速DevOps軟件開發(fā)實踐。可以說，DataOps的實踐和推廣已經(jīng)沒有了技術壁壘。

醫(yī)療行業(yè)內(nèi)構建基于DataOps的臨床數(shù)據(jù)中心平臺，在產(chǎn)品功能、交付流程等方面也可以取得一定效果。產(chǎn)品功能方面，更加貼近用戶需求，產(chǎn)品設計更加科學合理。如可視化的數(shù)據(jù)集成功能，提供了一體化的數(shù)據(jù)流水線作業(yè)平臺，降低了交付門檻;數(shù)據(jù)可視化分析工具為客戶自助分析提供了有效工具，增強了產(chǎn)品的可擴展性，也有利于拓展更多的數(shù)據(jù)應用。交付流程方面，構建數(shù)據(jù)開發(fā)運維一體化（DataOps）的數(shù)據(jù)開發(fā)交付運維范式，將敏捷、精益等理念融入數(shù)據(jù)開發(fā)交付過程，通過對數(shù)據(jù)相關人員、工具和流程的重塑，打破協(xié)作壁壘，構建新的數(shù)據(jù)開發(fā)、治理、運營、交付一體化的流水線，提高數(shù)據(jù)產(chǎn)品交付效率和質量。

此外，伴隨醫(yī)療云平臺的發(fā)展，醫(yī)療行業(yè)內(nèi)的DataOps發(fā)展更將提速。受限于醫(yī)療機構的內(nèi)外網(wǎng)分離的影響，當前臨床數(shù)據(jù)中心平臺在持續(xù)迭代、持續(xù)集成和持續(xù)發(fā)布交付的流程仍有很大提升空降?；卺t(yī)療云平臺的DataOps可以完全落實DevOps軟件開發(fā)實踐。

參考文獻：

[1]陸斌杰，孔憲明，翁子寒，等.上海仁濟醫(yī)院數(shù)據(jù)中心建設探索[J].中國數(shù)字醫(yī)學，2010，5（8）：71-73.

[2]王強，易應萍.臨床醫(yī)療大數(shù)據(jù)治理和應用[J].醫(yī)學信息學雜志，2018，39（8）：1-6.

[3]賴俊愷，廖茜雯，姚晨，等.臨床研究中真實世界數(shù)據(jù)標準化的障礙以及建議：一項定性研究[J].英國醫(yī)學雜志中文版，2022，25（11）：640-646.

[4]于家畦，康曉東，白程程，等.一種新的中文電子病歷文本檢索模型[J].計算機科學，2022，49（z1）：32-38.

[5]Sahoo PR，Premchand A.Dataops in manufacturing and utilities industries[J].International Journal of Applied Information Systems，2019，12（6）：1-6.

[6]Bahaa S，Ghalwash AZ，Harb H.DataOps Lifecycle with a Case Study in Healthcare[J].International Journal of Advanced Computer Science and Applications，2023，14（1）：136-144.

[7]Liebmann L.3 reasons why DataOps is essential for big data success[J].IBM Big Data amp; Analytics Hub，Retrieved October，2014，28：2020.

[8]Ereth J.DataOps-Towards a Definition[J].LWDA，2018，2191：104-112.

[9]Atwal H.Practical DataOps：Delivering agile data science at scale[M].Berkeley：Apress，2019.

[10]Vargas-Rueda L，Pongutá-Díaz S，González-Sanabria JS.DataOps，una alternativa para la gestión de Data Pipelines[J].Revista Ibérica de Sistemas e Tecnologias de Informa??o，2020（E38）：259-269.

[11]Mainali K.DataOps：Towards understanding and defining data analytics approach[D].Stockholm：KTH Royal Institute of Technology，2020.

[12]大數(shù)據(jù)技術標準推進委員會.數(shù)據(jù)資產(chǎn)管理實踐白皮書（6.0 版）[M].北京：現(xiàn)代出版社，2023.

[13]馬獻，陳麗，郝冀皖，等.利用kubernetes集群搭建基于容器技術的分布式架構數(shù)據(jù)中心研究[J].中國數(shù)字醫(yī)學，2021，16（12）：43-48.

[14]Tamburri DA，Heuvel WJVD，Garriga M.DataOps for Societal Intelligence： a Data Pipeline for Labor Market Skills Extraction and Matching[C]//2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science （IRI）.2020：391-394.

[15]趙雨，李哲青，張波，等.基于Power BI的數(shù)據(jù)分析在三級公立醫(yī)院績效考核管理中的研究與應用[J].現(xiàn)代醫(yī)院，2023，23（5）：741-746.

[16]錢進，張勁松.醫(yī)院門診抗菌藥物應用管理中大數(shù)據(jù)可視化分析方法的應用和探索[J].中國醫(yī)院藥學雜志，2017，37（18）：1850-1856.

[17]韋玉芳，施維，尚于娟，等.基于電子病歷數(shù)據(jù)的臨床表型提取及其應用進展[J].醫(yī)學信息學雜志，2017，38（8）：6-10.

[18]孟琳，馬金剛，劉靜，等.醫(yī)療大數(shù)據(jù)的應用與挑戰(zhàn)[J].醫(yī)療衛(wèi)生裝備，2018，39（10）：71-74，88.

[19]Torre-Bastida AI，Gil G，Mi?ón R，et al.Technological Perspective of Data Governance in Data Space Ecosystems[M]//Data Spaces：Design，Deployment and Future Directions.Cham：Springer International Publishing，2022：65-87.

[20]Demchenko Y.From DevOps to DataOps： Cloud based Software Development and Deployment[C]//The International Conference on High Performance Computing and Simulation（HPCS 2020）.2020：10-14.

收稿日期：2023-09-20;修回日期：2023-10-09

編輯/成森

作者簡介：俞高（1986.12-），男，安徽定遠縣人，碩士，高級工程師，主要從事醫(yī)療大數(shù)據(jù)研究