药品信息系统是医院信息系统（HIS）中最重要、最基本的组成部分之一。在HIS中积累的与药品有关的数据，如患者的诊断与用药情况、医院药品消耗情况、医院治疗药物监测（TDM）数据等随着时间的推移其数据量不断增加。利用数据挖掘技术中的建模、预测、联机分析处理（OLAP）等功能，从这些信息中开发、利用或发现某些新信息、新知识，可以解决一些新问题，并为医院领导、临床医生及医院药学工作提供有用的信息及决策依据。
一、数据挖掘技术
1定义与应用数据挖掘（DM）技术是从大量的数据中筛选出隐含的、可信的、新颖的、有效的信息的高级处理过程。在医学领域，主要应用于慢性病数据仓库的建立与分析，遗传性疾病自动检测、恶性肿瘤的诊断与恶性程度的判断分析，呼吸道感染患者的病情危重度的分析，医学影像数据库的挖掘及疾病专家系统的建立等。在药学领域，主要用于制剂特性模型建立，化学物的急性毒性评价、不良反应数据的回顾性分析，中药现代化研究等方面。
2系统架构系统采用3层结构，底层是数据获取层，中间层是数据存储层，顶层是前端展示层。底层完成从HIS或其他外部资料中对与医院药学相关的业务数据进行抽取、转换、装载到数据仓库中；数据存储层负责数据的组织和存储，并支持前端展示；顶层包括分析工具、数据挖掘工具、查询和报告工具，以提供决策人员实施决策行为。
3实施步骤
（1）理解需要解决的问题：与医院药学、医学专家进行深入交流，定义需要解决的问题，确定数据挖掘的目标和衡量其成功的标准。
（2）数据的理解：这个步骤包括数据的初步收集、对原始数据进行抽样分析、列出数据的类型。
（3）数据的处理与数据仓库的建立：HIS日常工作中积累了庞大的数据，处理所有的原始数据不仅耗时，而且对计算机资源浪费较大，也没有必要。可通过以下两种途径简化：①对数据空间进行采样，此时进行的数据收集是随机的；②对特征空间的采样，只有具有某些特征的数据才能被选中，当大量特征存在时，这种选择也将是随机的。经过数据清洗、转换，并去除噪声，与其他一些需要的外部信息共同组成数据仓库。
（4）数据挖掘：常用的数据挖掘算法有人工神经网络、决策树、遗传算法、最临近技术、规则归纳、可视化技术等。数据挖掘不是一个单向的过程，对同一个问题，可有多种不同的算法。不同的数据挖掘方法作用于同一数据库，对数据的理解可有不同的角度，每种方法的合理与否都有可能。这就需要将发现结果在实际运用中反复求证，以检验其合理性。
（5）评估及应用：首先，对发现的知识进行医学或药学上的解释，其结论对使用者来说必须是可理解的；其次，其在医学或药学领域中具有一定的应用价值，能够解决一定的实际问题。
二、数据挖掘技术在医院药学中的应用
1在医院药房智能备药系统中的应用
应用数据挖掘中的时间序列预测方法，对HIS中现有的药品用量信息进行计算模拟，得出药品消耗模型。根据医院药品实际消耗情况自动产生领药量，克服药品的积压和断货现象，满足临床用药需要，提高药房备药的合理性、科学性。本方法可用在药房药品智能备药系统的开发，还可以用在医院药库药品自动采购系统中。
2在制剂最佳批生产量预测中的应用
国家食品药品监督管理局已下文从2002年12月1日起所有药品必须标明有效期，以保证患者用药安全。这就给医院制剂室提出了新的要求：如何利用现有的设备最大效能地进行制剂配制，既保证所配制剂的质量，在规定效期内用完，又可发挥制剂室现有的生产能力，使所配制剂成本降至最低，取得最佳经济效益。数据挖掘技术在分析医院制剂历年用量及近期消耗趋势下，得出该制剂效期内用量（M），并通过计算得出该制剂的最佳批生产量预测模型。设某一制剂的单位原辅料包装材料的费用为V，平均生产损耗率为R，单位定额生产费用为E，制剂成品单价为C，制剂检验费为B，该批制剂配制总成本及单位成本分别为T及A，理论成品数为N。则该批制剂：固定成本S=NV/（1-R）；定额生产费用D=NE；制剂成品贮存、保管、使用过程中的损耗及面临过期失效的风险费用F=k（NC），k为制剂成品在贮存、保管、使用过程中的损耗及过期失效的发生率。而k对一个具体制剂来说它并不是固定不变的，它随着批生产数量的变化而改变，具体地讲批生产数量与效期内用量的比值（N/M）越大，其面临破损或过期失效的风险也越大，则k值也就越大，用数学公式表示：k=（N/M）r,r为制剂成品的贮存、保管、使用过程中的损耗及面临过期失效的风险费用调节因子，根据每个制剂的包装、贮存要求、质量稳定性情况及临床用量波动情况确定其值。制剂成品贮存、保管、使用过程中的损耗及面临过期失效的风险费用F=（NC）（N/M）r,则制剂配制总成本T=S+D+B+F=NV/（1-R）+NE+B+（CN）（N/M）r。制剂配制单位成本A=T/N=V/（1-R）+E+B/N+C（N/M）r，通过对上述公式进行求导，得A′=-B/N2+rC/M=0，求解得：N=BM/rC即为最佳批生产量。
从该数学模型可知，制剂生产中的最佳批生产量与效期内用量（M）、该制剂的检验费（B）的平方根成正比，与该制剂单价（C）的平方根成反比，也就是说制剂的检验费越高，效期内平均用量越大，制剂单价越低，则最佳批生产量越多，反之则越少。这和实际情况相符。
3在医院治疗药物监测中的应用
随着医院治疗药物监测（TDM）工作的不断深入开展，其在临床工作中积累的数据越来越多。利用数据挖掘技术在TDM现有工作的基础上，对TDM历史数据进行提取、加工、整合成分析型数据仓库。再利用数据挖掘技术中的建模、预测、关联分析等功能，从该数据仓库中开发、利用或发现某些新信息，更深层次挖掘（或发现）一些新知识，如开展药物群体药动学研究、药物浓度影响因素相关度分析等，为临床提供更多有价值的资料，为实现给药个体化、提高药物疗效、降低药物毒副反应作出贡献，更好地为患者服务。
4在抗生素合理应用
自动监控系统构建方面的应用利用数据挖掘技术独特的数据分析优势，对HIS中相关信息进行提取、分析、挖掘，对抗生素的用量、耐药性、联合用药、疗程、围手术期用药、预防用药、用药途径及治疗效果等指标实行自动监控，从而实时、有效地监测抗生素使用情况，这对规范、合理应用抗生素有着重要的意义。
5利用HIS中大量的临床信息自动生成电子药历
利用HIS中患者概况、诊断及治疗结果、临床检查检验资料、药物治疗医嘱、临床治疗医嘱等临床信息自动生成电子药历，可弥补以往药历手工输入时的工作量大、效率低、时间滞后等不足。
6其他方面的应用
（1）在医保患者恶意配药在线检测中的应用：根据恶意配药行为的特点，在HIS中提取配药时间、医保卡号、年龄、性别、配药时间间隔、配药品种（或类别）、配药数量、药物剂量、所配药物在线配伍分析结果、疾病诊断、就医科别及其他一些外部资料，经过清洗转换成数据仓库。利用数据挖掘技术神经网络技术（或决策树分析法）对这些变量的权重进行训练，以含有目标变量的数据作为训练依据，然后得出特征变量的影响系数，形成恶意配药训练模型。再用测试集进行测试，以测试集中错误数量最低点作为训练停止点，从而得出监控模型。用此模型在线监测医保人员配药情况，并将监测结果输出给医院药房配药人员，使药房配药人员能够及时发现、制止恶意配药行为的发生。
（2）在门诊药房合理排班中的应用：对HIS中患者在门诊药房取药时间与人数进行统计分析，合理安排门诊药房工作时间，真正做到按需排班，对合理使用劳动资源、方便患者取药具有重要的现实意义。
（沈小庆等，浙江大学医学院附属儿童医院：数据挖掘技术在医院药学中的应用，中华医院管理杂志，2006年第8期刘会霞摘）
