|
出生缺陷是影响中国人口和社会可持续发展的重大公共卫生问题和社会问题。中国出生缺陷监测中心数据表明中国是出生缺陷高发国家，每年约有80-120万例出生缺陷发生，重大出生缺陷发生率高于世界平均水平，特别是在农村地区或西部贫困地区。据不完全统计中国每年因神经管缺陷造成的直接经济损失超过2亿元，唐氏综合征的经济损失超过70亿元，先天性心脏病的经济损失高达130亿元。
中国过去20年的出生缺陷监测数据表明，全国各地区在适宜干预技术的研究、应用和推广方面的发展极其不平衡，且出生缺陷的发生存在病种、地区、人群间的差异，对特异性和普适性出生缺陷干预技术的需求并存。因此，利用中国已建立的长达20年的连续监测数据库和完善的大型流行病学调查现场，更准确地摸清全国出生缺陷发生状况和变化规律，了解不同地区的出生缺陷干预措施实施情况，掌握影响干预效果的医学和社会学因素，评价干预效果，是开展出生缺陷干预并获取最大干预效果的必要前提。
数据仓库和数据挖掘是信息领域中近年来迅速发展起来的新技术。在充分利用已有数据资源的基础上，通过高效算法的设计从大规模数据库中提取知识、挖掘规律、辅助决策等，是涉及数据库技术、统计分析技术、人工智能、模式识别、高性能计算、神经网络和数据可视化等的前沿交叉学科，同时也是未来信息基础设施的核心技术。
对中国丰富而宝贵的出生缺陷监测信息资源建立数据仓库，进行再开发和深层挖掘是对中国出生缺陷研究资源的有效保护、利用和提升，更是中国出生缺陷研究领域中一项迫切需要开展的重要任务。
四川大学计算机学院数据库与知识工程研究所、华西医科大学出生缺陷监测中心联合承担国家“十一五”科技攻关项目“重大出生缺陷与遗传病防治研究”，旨在通过数据仓库的创建和“干预规则”的挖掘探索中国出生缺陷(尤其是重大出生缺陷)在时间、人群、地域、环境等维度组成的空间中分布特征和变化趋势；挖掘导致出生缺陷发生的高危因素，发现抑制出生缺陷发生的制约因素和干预措施，分析历史出生缺陷干预措施和干预效果的相关性，揭示其中蕴含的干预动力学规律；对特定的干预措施有效性和代价进行预测和评估，提出可行和有效的干预措施，明确现有缺陷干预体系暴露的“盲点”和“弱点”，确定出生缺陷干预的优先领域，为降低中国出生缺陷的发生率提出新思路和新途径，为新的全国范围出生缺陷防御体系构建提供决策参考。
数据的特殊性和特殊需求
项目数据 来自中国出生缺陷监测中心的历史数据包含两种类型，分别是医院报表和婴儿畸形数据表。原始采集数据以Excel标的形式提供。畸形表详细描述了每个畸形儿的基本信息、缺陷类型、致畸因素等内容，院报表描述，某地区一段时间范围内出生缺陷的汇总信息。
候补数据 随着项目的进展，尤其是出生缺陷干预的预实施和干预效果随访的开展，项目组将逐步得到出生缺陷干预数据、干预效果数据和干预成本效益等信息。届时，项目组将把这些数据纳入统一的数据仓库视图。
数据特点 出生缺陷监测数据具有待分析维度多、组织结构不规范、编码复杂等特点。
项目的特殊需求 本课题的目标是对中国出生缺陷监测数据进行有效组织和建模，基于数据仓库开发全国出生缺陷监测数据知识发现系统，研究出生缺陷在时间、人群、地域、环境等维度组成的空间中分布特征和变化趋势，挖掘导致出生缺陷发生的高危因素，发现抑制出生缺陷发生的制约因素和干预措施，分析历史出生缺陷干预措施和干预效果的相关性，揭示其中蕴含的干预动力学规律并对特定的干预措施有效性和代价进行预测和评估，提出可行和有效的干预措施。
总之，数据仓库是面向主题的、集成的、时变的和非易失的单一站点的一致数据存储。它能够将分布在不同的逻辑物理位置上的各种数据进行加工，形成多维的、面向分析的环境，以更好的为决策者提供各种有效的数据分析，起到决策支持的作用。
数据仓库的设计考虑
建模考虑 在清晰了解出生缺陷数据处理特殊需求之后，下一步要做的是数据仓库模型的设计。数据仓库建模事关后期在线分析处理（OLAP）和在线分析挖掘（OLAM）的实现，又和最终用户的使用细节密切相关，所以是整个项目生死攸关的重要问题。在这一步中，结合具体的项目环境，主要需要考虑如下四个方面的问题。
1.数据仓库模型是否支持全部应用模式;
2.数据仓库模式的设计是否统筹考虑出生缺陷数据处理效率和数据粒度的冲突问题;
3.数据模式的可扩充性;
4.数据仓库模式的设计应提供足够的冗余度实现历史数据组织和操作型数据的并行。
建模方法 “实体-联系”数据模型是联机事务处理（OLTP）通用数据模型。然而，数据仓库需要支持联机分析处理（OLAP），因而必须采用多维数据模型。该模型有三种形式:星形模型、雪花模型、或事实星座模型。这里只介绍最基本的星型模型。星形模型的数据仓库包括:一个大的、包含大批数据、不含冗余的中心表（事实表），一组小的附属表（维表），每维一个。在这种模式中，维表围绕中心表显示在射线上，形状很象星云爆发并由此得名。星形模型图如图1所示。
出生缺陷数据仓库设计的过程
数据仓库的设计可分为四个步骤:数据预处理、数据仓库概念模式设计、数据仓库逻辑模式设计、数据仓库物理模式设计。
出生缺陷数据预处理
出生缺陷数据从基层医院和监测点采集，粗录入数据难免有各种错误、可能不完整或不一致。数据预处理技术可以大大提高数据的质量，从而有助于提高其后的挖掘过程的精度和性能。由于高质量的决策必然依赖于高质量的数据，因此出生缺陷数数据预处理是知识发现过程的重要步骤。如图2所示列出了数据预处理的通用技术。
出生缺陷监测数据有如下特殊问题:监测登记表的同一个项目，记录数据表示不同;监测登记表的项目顺序与记录数据顺序不一致。而且，每一年的记录数据中项目顺序也不同。有些记录数据缺失，有些记录数据使用缩写，有些记录数据重复，有些记录数据使用的计量单位不同，有些记录数据有误。针对这些问题，本项目组前期对数据主要进行了数据格式标准化、空缺填补、异常清除等处理工作。
概念模型的设计
和关系数据库的建模过程一样，进行数据仓库设计首先需界定系统边界。建立一个用于决策分析的数据仓库，从技术角度讲，无法在设计之初就得到详细而明确的需求，但是仍可根据项目目标界定方向性的问题。如有哪些决策目标、待分析的数据对象、数据源状况等。可以据此划定当前的大致系统边界，然后集中精力进行最需要部分的开发。概念模型设计在原有的数据库基础上建立了一个较为稳固的概念模型。
在这一步中，首先确定系统所包含的主题域，即出生缺陷的统计量（次数、总量、平均量）。然后对主题域内容进行较明确的描述，包括新生儿出生时间、地点、家庭收入状况、父母受教育程度等维度的属性组。
逻辑模型设计的特殊考虑
根据概念模型确定的主题域，结合项目背景，设计数据仓库的维表和事实表的逻辑模式。维表设计中一个很重要的问题是维粒度的层次划分。粒度指的是数据仓库中数据单元的细节程度或综合程度的级别。细节程度越高，粒度级就越低;相反，细节程度越低，粒度级就越高。例如，时间维按照粒度层次由高到低可划分为年、月、周、日四个等级。粒度层次划分适当与否直接影响到数据仓库重要存储的数据量、查询方法和数据仓库整个体系结构。事实表描述用户关心的主题信息，比如出生缺陷发生的次数、经济损失等。维表和事实表通过公共码联系在一起，形成一个完整的主题域。事实表依靠外键和维表建立联系。例如，出生缺陷事实表与时间维表的联系就是依靠外键联系实现的。
时间维度表的设计见表1。
位置维度表的设计划分了省、市、县三级粒度，参见表2。
收入维度的设计包含总体、中度、清晰三个收入层次，参见表3。
事实表包含所有维表的主码，并统计计数、计和、平均等量， 参见表4。
物理模型的特殊考虑
物理模型是指数据在数据仓库中的存放形式和数据的组织。目前的数据仓库都是建立在关系型数据库的基础上，其数据存放是由数据库系统进行管理的，因此物理模型设计主要考虑物理数据库的设计，包括数据的存储表结构、索引策略、数据的存放位置和存储分配。
以上内容叙述了全国出生缺陷数据仓库从数据预处理到物理模型设计的全过程，详细介绍了概念模型设计、逻辑模型设计和物理模型设计的全过程，对全国出生缺陷监测数据的数据特殊性和需求特殊性进行特别介绍。并且，进一步阐述了数据仓库建模时需考虑的特色技术。
数据仓库从理论到技术包括很多方面，全面的实施需要大量的人力、资源和时间。本文结合全国出生缺陷数据仓库的创建探讨数据仓库模型设计的过程。力求据此为后期的在线分析处理和在线分析挖掘打下坚实的多维数据基础。
图1 数据仓库的星形模式
图2 数据预处理的通用技术
|
