计算机时代２０１７年第４期 ・４１ ・ ＤＯＩ：１０．１６６４４￣．ｃｎｋｉ．ｃｎ３３－１０９４／ｔｐ．２０１７．０４．０１１ 基于Ｗｅｂ医疗数据的互联网医疗用户研究 冯洪海 。孙远灿 。李利敏’，宋舒晗 ，黄俊辉。 （１．河南大学计算机与信息工程学院，河南开封４７５０００；２．群硕软件） 摘要：互联网医疗的蓬勃发展带来了大量的数据积累，如何有效的利用这些数据是当前面临的问题。通过开发爬虫 软件，获取了截至２０１７年２月寻医问药网中内科和外科的１３１８９４条咨询数据。针对这些数据，用统计学方法调查用户的 性别和年龄分布，通过程序识别咨询数据中的症状和疾病，统计了现阶段互联网医疗用户症状和疾病的分布。 关键词：互联网医疗；网页爬虫；症状分布；疾病分布 中图分类号：ＴＰ３９１ 文献标志码：Ａ 文章编号：１ ００６～８２２８（２０１ ７）０４－４１－０３ Ｒｅｓｅａｒｃｈ ｏｎ Ｉｎｔｅｒｎｅｔ ｍｅｄｉｃａｌ ｕｓｅｒｓ ｂａｓｅｄ ｏｎ Ｗｅｂ ｍｅｄｉｃａｌ ｄａｔａ Ｆｅｎｇ Ｈｏｎｇｈａｉ ，Ｓｕｎ Ｙｕａｎｃａｎ ，Ｌｉ Ｌｉｍｉｎ ，Ｓｏｎｇ Ｓｈｕｈａｎ ，Ｈｕａｎｇ Ｊｕｎｈｕｉ。 （ ．Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，ｔｔｅｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｋａｉｆｅｎｇ，Ｈｅｎａｎ ４７５０００，Ｃｈｉｎａ；２．Ａｕｇｍｅｎｔｕｍ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｒａｐｉｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ Ｉｎｔｅｒｎｅｔ ｍｅｄｉｃａｌ ｈａｓ ｂｒｏｕｇｈｔ ａ ｌｏｔ ｏｆ ｄａｔａ，ａｎｄ ｈｏｗ ｔｏ ｍａｋｅ ｅｆｆｅｃｔｉｖｅ ｕｓｅ ｏｆ ｔｈｅｓｅ ｄａｔａ ｉｓ ｔｈｅ ｐｒｏｂｌｅｍ ｃｕｒｒｅｎｔｌｙ ｆａｃｅｄ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａ ｃｒａｗｌｅｒ ｉｓ ｄｅｖｅｌｏｐｅｄ ｔｏ ｈａｖｅ ａｃｑｕｉｒｅｄ １３１，８９４ ｉｎｔｅｒｎａｌ ａｎｄ ｓｕｒｇｉｃａｌ ｍｅｄｉｃｉｎｅ ｅｎｑｕｉｒｙ ｄａｔａ ｂｙ Ｆｅｂｒｕａｒｙ ２０１７，ｆｒｏｍ ｍｅｄｉｃｉｎｅ ｗｅｂｓｉｔｅｓ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅｓｅ ｄａｔａ，ｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｕｓｅｒｓ’ｇｅｎｄｅｒ ａｎｄ ａｇｅ ａｒｅ ｉｎｖｅｓｔｉｇａｔｅｄ ｂｙ ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｍｅｔｈｏｄｓ，ａｎｄ ｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｈｅ ｓｙｍｐｔｏｍｓ ａｎｄ ｄｉｓｅａｓｅｓ ｏｆ ｔｈｅ Ｉｎｔｅｍｅｔ ｍｅｄｉｃａｌ ｕｓｅｒｓ ａｔ ｔｈｉｓ ｓｔａｇｅ ａｒｅ ｃｏｕｎｔｅｄ ｂｙ ｔｈｅ ｉｄｅｎｔｉｉｆｃａｔｉｏｎ． Ｋｅｙ ＷＯｒｄｓ：Ｉｎｔｅｍｅｔ ｍｅｄｉｃａｌ；Ｗｅｂ ｃｒａｗｌｅｒ；ｓｙｍｐｔｏｍ ｄｉｓｔｒｉｂｕｔｉｏｎ；ｄｉｓｅａｓｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ０引言 分类的质量，研究了数据挖掘技术的成本、性能、速度 医疗一直是人们关注的热点话题，与人们的生活 和准确性。魏强 通过研究医疗数据存储与分析系 紧密相关，随着互联网的发展，越来越多的人选择在 统，对疾病间关联关系进行分析。Ｗａｌｃｚａｋ等人［６１研究 网上咨询医生关于健康的问题。中国互联网络信息 了病人的医疗检查信息在提高计算机诊断准确性方 中 ｔ￣，（ＣＮＮＩＣ）发布的《第３７次中国互联网络发展状况 面的应用。陈迁用研究了医疗数据在分析糖尿病住院 统计报告》显示，２０１５年，中国互联网医疗用户数量为 患者基本信息、治疗医嘱、生化指标、费用明细等方面 １５２亿。网络医疗咨询提供了一个新的方式，让用户 的应用。闫茜［８１提出了一种用于数据处理的基于统计 可以不用实地见到医生，就可以咨询病情 ，能够帮助 树和增量计算的海量医疗数据快速统计查询方法。 用户方便快捷的了解自身的健康信息。互联网医疗 许杰［９１提出了一种基于数据不一致率的新型数据分类 行业积累了大量的用户疾病数据，如何有效的利用这 方法。李萍 研究了医疗数据质量的特点，如统一性、 些数据是现阶段面临的主要问题。目前已有一些学 可靠性、“多粒度”级别、高可用性、高适用性。蒋良孝 者从不同角度对在线医疗咨询数据的信息挖掘进行 对医疗数据挖掘的主要特点、基本过程、关键技术、计 了研究。Ｓｉｌｖｅｒ ＭＰ 研究了患者在线健康信息搜索的 算智能方法以及发展方向进行了探讨。 相关问题。石思优［３１应用Ｍｅｄ—ＬＤＡ模型研究医疗数 本文通过开发爬虫软件获取截至２０１ ７年２月寻医 据中病症和用药的关系和相互联系。Ｕｌｌａｈ Ｚｔ４Ｊ等 问药网中内科和外科的１３１８９４条医疗咨询数据。针对 人认为使用数据挖掘算法可以提高预测、诊断和疾病 这些数据，用统计学的方法调查用户的年龄分布、性别 收稿日期：２０１７—０３—０６ 作者简介：冯洪海（１９６５～），河北沧州人，男，博士，副教授，主要研究方向：数据挖掘，机器学习。 通讯作者：孙远灿（１９９１～），河南濮阳人，男，在读硕士，主要研究方向：数据挖掘。 ・４２ ・ Ｃｏｍｐｕｔｅｒ Ｅｒａ Ｎｏ．４ ２０１７ 分布。通过识别医疗数据中的症状和疾病，对不同年 采用ＳＱＬｉｔｅ数据库存储数据，其中用户咨询的内 龄段、不同性别的用户的症状和患病情况进行调查，得 容可以表示为：用户的提问即提问标题和咨询内容的 出了现阶段我国互联网医疗用户的特征和分布。 描述。数据的类型如表１所示。 １获取数据 表１数据的类型 通过分析网站的结构，本文采用多级网页爬虫的 方式获取数据，首先获得一级科室的链接，然后获取 每个一级科室下属的二级科室链接。每个一级和二 级科室的页面中都有用户的问题咨询列表，本文获取 ２症状和疾病识别 了内科和外科中的所有问题集合，并对集合进行去重 操作，最后共得到网页链接１３１８９４个。针对每一个网 ２．１症状识别 页，我们获取的用户信息包括性别、年龄、咨询的内容 通过网页爬虫，从３９健康网和寻医问药网收集症 和医生的回复内容。 状总数７６３２种，为了准确匹配用户的口语化表达词 在具体的爬虫代码中，为了防止频繁访问网站导 语，比如用户使用“肚子痛”、“肚子疼”等词来描述症 致的爬虫被网站，本文采用用户代理（Ｕｓｅｒ 状，本文构建了用户的口语表达词语与规范词汇对应 Ａｇｅｎｔ）和程序随机休眠相结合的方法。Ｕｓｅｒ Ａｇｅｎｔ是 列表，如“肚子痛”和“肚子疼”对应为“腹痛”。通过这样 一个特殊字符串头，使得服务器能够识别客户使用的 的方式统一用户的口语化表达。通过人工浏览咨询 操作系统及版本、浏览器及版本、浏览器渲染引擎、浏 数据，本文共获得６０６种症状中的用户口语表达词语 览器语言、浏览器插件等，如（”Ｕｓｅｒ－Ａｇｅｎｔ＂，＂Ｍｏｚｉｌｌａ／４．０ ７１６种。识别用户症状以后的数据类型如表２所示。 （ｃｏｍｐａｔｉｂｌｅ；ＭＳＩＥ ５．０：Ｗｉｎｄｏｗｓ ＮＴ；ＤｉｇＥｘｔ）”。 表２症状识别后的数据类型 程序的最大获取连接时间。为了保证程序不在 某一个页面花费过多的时间甚至导致程序长期处于 连接获取的等待阶段，本文对程序的最大连接获取时 间进行，如果程序在ｍ毫秒内不能获取到网页的 ２．２疾病识别 连接，程序将跳过此网页，经过反复实验，我们设置ｍ 本文通过网页爬虫从互联网收集疾病２１４６４种； 为６０００，即允许每个网页的等待时问为６秒，以此来应 从３９健康网和寻医问药网收集疾病９０９５种；两个疾 对网页不可获取和网络不稳定带来的问题。 病集合去除重复的疾病，本文构建的疾病词典Ｄｄｉｃｔ中 程序随机休眠。如果获取的网页内容为空，那么 共包含疾病２８１４３种。医疗咨询分为用户的提问与医 程序将休眠，，休眠时间在Ｏ．ｎ毫秒之间随机生成。如 生的回复，考虑到用户缺乏相应的医学专业知识，在 果休眠后仍然不能获取到数据，那么将跳过此页面， 对疾病进行识别的过程中，如果不能识别出用户提问 以此来保证爬虫的效率，在经过多次实验后，本文设 中涉及的疾病，程序将在医生的回复中继续进行疾病 置ｎ为２００。 匹配，程序对症状和疾病的识别流程为图１所示。 图ｌ症状和疾病的识别流程 计算机时代２０１７年第４期 ・４３・ 在疾病匹配时，把疾病词典按照疾病的字符长度 从大到小进行排序，按照最大匹配原则对数据中的疾 病进行识别，如，先匹配“丙型肝炎”如果没有匹配到， 攀 继续匹配“肝炎”等，精确用户的咨询内容和医生的回 复内容，得到用户的疾病数据。识别疾病以后的数据 类型如表３所示。 表３疾病识别后的数据类型 静静 ・黔 ｒ’ 图３症状分布 ３实验结果 ３．１性别和年龄分布 在１３１８９４条咨询数据中，男性用户数量为６１３３８， 占所有用户数量的４６．５１％；女性用户数量为７０５５６，占 所有用户数量的５３．４９％。 图４疾病分布 通过划分年龄阶段对每个年龄段的用户数量进 ４结束语 行统计，结果显示年龄在２１—３０之间的用户最多，数量 为３５４１２，占所有用户数量的２６．８４％；年龄在３１—４０之 本文通过开发爬虫软件获取了寻医问药网中的 间的用户数量为１６９１７，占所有用户数量的１２．８２％。 １３１８９４条医疗咨询数据，在程序中采用用户代理和程 各年龄阶段的用户数量分布如图２所示。 序随机休眠的方法提高爬虫的效率。针对这些医疗 数据，通过统计学方法调查用户的性别和年龄分布； 通过获取症状词典和疾病词典对医疗咨询中的症状 蠹 和疾病进行识别，加入了对用户口语表达词汇的提 爨 取，统计了现阶段互联网医疗用户的症状和疾病分 羹 布。未来的研究可以从以下几方面着手：①对更多的 ｌ Ｉ Ｉ ｌ Ｉ ． 咨询数据进行调查；②对医生的回复特征进行研究； ③移动医疗ＡＰＰ。 图２各年龄阶段用户数量分布 参考文献（Ｒｅｆｅｒｅｎｃｅｓ）： ［１１ Ｕｍｅｆｊｏｒｄ Ｇ，Ｐｅｔｅｒｓｓｏｎ Ｇ，Ｈａｍｂｅｒｇ Ｋ．Ｒｅａｓｏｎｓ ｆｏｒ ３．２症状和疾病分布 Ｃｏｎｓｕｌｔｉｎｇ ａ Ｄｏｃｔｏｒ ｏｎ ｔｈｅ Ｉｎｔｅｒｎｅｔ：Ｗｅｂ Ｓｕｒｖｅｙ ｏｆ 通过对用户提问数据的症状识别，对识别结果进 Ｕｓｅｒｓ ｏｆ ａｎ Ａｓｋ ｔｈｅ ｂｏ￣ｏｒ Ｓｅｒｖｉｃｅ．Ｊｏｕｒｎａｌ ｏｆ 行统计，结果显示用户的咨询数据中“头痛”出现的 Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ，２００３．５（４）：ｅ２６ 次数最多，为４５８５，占所有咨询数量的３．４７％；“胃气上 【２】Ｓｉｌｖｅｒ ＭＰ．Ｐａｔｉｅｎｔ ｐｅｒｓｐｅｃｔｉｖｅｓ ｏｎ ｏｎｌｉｎｅ ｈｅａｌｔｈ 逆”出现的次数为４５５４，占所有咨询数量的３．４５％。出 ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｗｉｔｈ ｄｏｃｔｏｒｓ： ａ 现次数最多的前十种症状如图３所示。 ｑｕａｌｉｔａｔｉｖｅ ｓｔｕｄｙ ｏｆ ｐａｔｉｅｎｔｓ ５０ ｙｅａｒｓ ｏｌｄ ａｎｄ ｏｖｅｒ． Ｊｏｕｒｎａｌ ｏｆ Ｍｅｄｉｃａｌ Ｉｎｔｅｒｎｅｔ Ｒｅｓｅａｒｃｈ，２０１５．１７（１）：ｅ１９ 通过对医疗咨询数据的疾病识别，对识别结果进 ｆ３】石思优．基于ｉ题模型的医疗数据挖掘研究ｆＤ】．广东技术师 行统计，结果显示医疗咨询中出现“肢端肥大症”的次 范学院硕士学位论文，２０１５． 数最多，为１１１７１，占所有咨询数量的８．４７％；“感染”出 【４】ＵＵａｈ Ｚ，Ｆａｙａｚ Ｍ，Ｉｑｂａｌ Ａ．Ｃｒｉｔｉｃａｌ Ａｎａｌｙｓｉｓ ｏｆ Ｄａｔａ Ｍｉｎｉｎｇ 现的次数为５３７７，占所有咨询数量的４．０７％。出现次 Ｔｅｃｈｎｉｑｕｅｓ ｏｎ Ｍｅｄｉｃａｌ Ｄａｔａ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ 数最多的前十种疾病如图４所示。 （下转第４６页） ・４６・ Ｃｏｍｐｕｔｅｒ Ｅｒａ Ｎｏ．４ ２０１ ７ 负载均衡组的均衡门限或其最大带机量。由于在报 于开发测试）、交换机，以及连接ＡＰ的以太网络线、电 告厅各片区均有信道为ｌ、６、１１的ＡＰ信号，而片区间 源等，共花费约４０００元。 形成适当的相邻重叠，所以，可按片区或同信道确定 （３）兼容性和高性能：所用的兼容性设备，除了当 均衡组策略。设置后重启（在测试时，可先设置小的 前可通过软件定制化提高性能外，未来可继续在开源 数值），即可检查负载均衡的启用状态（由于通过ＡＣ 系统的基础上再迭代开发、扩展部署，这样不但可以 统一了ＷＬＡＮ的ＳＳＩＤ发布，所以有关的状态检查需 扩展ＷＬＡＮ部署至整个校园，而且可结合实际情况作 在ＡＣ管理后台进行）。 性能管理上的调整，或进一步优化更新功能。这对于 ２应用情况 智能信息社的实践活动也是大有好处的。 学校报告厅是众多活动的常用场所，其覆盖全面 在完成ＡＣ与各ＡＰ的组网、设置及多次优化调试 且具备负载均衡管理的ＷＬＡＮ为举办各种活动奠定 后，也经过了一百多手机客户端同时连接的实际活动 了有效的应用访问及信息交换基础。未来，可进一步 应用，表明所建设的ＷＬＡＮ覆盖、性能及稳定可用性 把一中智能信息社开发的“电子检票系统”与无线局 达到要求。同时，通过登录ＡＣ的后台管理Ｗｅｂ，在 域网访问作更深入融合 。 ＡＰ列表查询及“在线用户”查询下看到ＡＰ的负载均衡 参考文献（Ｒｅｆｅｒｅｎｃｅｓ）： 功能已经起作用。目前，学校报告厅的无线网络已在 【１】开源中国．开源路由器第三方固件［ＥＢ／ＯＬ］．ｈＲｐ：／／ｗｗｗ． 正常使用中。 ｏｓｃｈｉｎａ．ｎｅｔ／ｐ／ｏｐｅｎｗ￣． ３结束语 【２】ｉＫｕａｉ爱快论坛．无线工程技术交流区［ＥＢ／ＯＬＩ．ｈｔｔｐ：／／ｂｂｓ． ｉｋｕａｉ８．ｃｏｍ／ｔｈｒｅａｄ一２７４１５—１—１．ｈｔｍ１． ３１李剑锋．无线号不好都是细节在作怪ｉＮ］．电脑报， 本文以惠州一中报告厅实现的带负载均衡功能 ［２０１５．１４． ＷＬＡＮ建设项目为实例，探讨智能信息社相关科技创 ４】刘文静．ＷＬＡＮ中ＡＰ密集部署干扰协调机制【Ｄ】．电子科技 新实践活动。项目过程涉及的方法、技术方案对构建 【大学硕士学位论文，２０１５． 类似ＷＬＡＮ有启示作用。所建造的ＷＬＡＮ主要有以 下创新点。 【５】知乎分享．ＷｉＦｉ信道设置一点疑惑［ＥＢ／ＯＬ］．ｈｔｔｐｓ：／／ｗｗｗ． ｚｈｉｈｕ．ｃｏｍ／ｑｕｅｓｔｉｏｎ／３５３３９９５８． （１）具备统一管理的负载均衡功能：密集部署的 【６】太平洋电脑网／无线论垤．什么是ＷＬＡＮ无线网络ＡＰ的负 ＡＰ与结合实际的调整，通过ＡＣ统一管理（也统一了 载均衡［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｉｔｂｂｓ．ｐｃｏｎｌｉｎｅ．ｃｏｍ．ｃｎ／ｎｅｔｗｏｒｋ／ ＳＳＩＤ）且实现热点间的负载均衡，提升了网络安全性 １６０１４６６８．ｈｔｍ１． 【７】田丽，张巍，刘春瑞．校园一卡通会议签到系统的应用［Ｊ１．计算 和应用效率。 （２）经济性：建网所用ＡＣ、１５个ＡＰ（含另外３个用 机时代，２０１６－１：２２—２４圆 （上接第４３页） ｏｆ Ｍｏｄｅｒｎ Ｅｄｕｃａｔｉｏｎ＆Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ．２０１６． ｆ８】闰茜．海量医疗数据挖掘平台的研究与设计［ＤＩ．武江理工大 学硕士学位论文，２０１４． 【９】许杰．基于医疗数据挖掘的在线病情分析系统研究与开发【Ｄ】． 浙江工业大学硕士学位论文，２０１３． 【５１魏强．基寺云计算的医疗数据处理技术研究［ＤＩ．贵州大学硕 士学位论文，２０１５． 【６ Ｗａｌ６】ｃｚａｋ，Ｐａｃｚｋｏｗｓｋｊ Ａ／，Ｍｉｃｈａｉ．Ｍｅｄｉｃａｌ ｄａｔａ ｐｒｅｐｒｏ— ｃｅｓｓｉｎｇ ｆｏｒ ｉｎｃｒｅａｓｅｄ ｓｅｌｅｃｔｉｖｉｔｙ Ｏｆ ｄｉａｇｎｏｓｉｓ［Ｊ］．Ｂｉｏ—Ａ１一 ｇｏｒｉｔｈｍｓ ａｎｄ Ｍｅｄ—Ｓｙｓｔｅｍｓ，２０１６．１２（Ｉ）：３９－４３ ｛１０】李萍．医疗数据质量的问题探索和解决模式【Ｊ】．计算机应用 与敬件．２０１３．８：２１７—２１９ 【７】陈迁．糖尿病医疗数据处理及药物利用研究【Ｄ】．第二军医大 学硕士学位论文．２０１４． 【１１】蒋良孝．基于神经网络的医疗数据挖掘研究ｆＤ】．中国地质大 学硕士学位论文，２００４． 翻
