一种openEHR参考模型到图数据库的转换方法技术

本发明专利技术提供了一种openEHR参考模型到图数据库的转换方法，通过解析EHR信息模型并建立composition分层结构模型；解析参考模型层次结构，解析参考模型类的类名以及含义，解析参考模型UML类图，建立详细的EHR信息模型类描述模型，并根据高内聚低耦合的标准对UML类图进行子图划分，设计参考模型UML类图映射到图数据库的编码规则，图数据库节点名具体构建方法为数据库子图名/属性编码；属性编码格式为“数据库子图名前两个字母”+三位数字，根据高内聚低耦合的标准将划分的子图映射到图数据库中，根据映射的结果得出最终的子图划分规则和映射规则，解决了医疗数据存储在关系型数据库时面临的查询效率低以及医疗数据异构类型多样、标准不一等问题。标准不一等问题。标准不一等问题。

【技术实现步骤摘要】
一种openEHR参考模型到图数据库的转换方法


[0001]本专利技术属于模型转换方法
，具体涉及一种openEHR参考模型到图数据库的转换方法。

技术介绍

[0002]健康医疗大数据在医学研究、医疗决策支持及智慧医疗等方面有着广泛应用前景，具有类型异构多样、海量数据动态急增、数据不完整、标准不一的特点，而当前普通使用关系存储技术，显然无法满足医学知识的复杂实体关系存储、快速查询访问和并行计算的要求，难以支持后期医疗大数据的分析挖掘。究其原因，缺乏标准化的模型机制以及基于标准模型的存储知识展示是根本原因。大数据标准模型是有效利用数据的基础和前提，医学知识库构建与医疗信息模型之间有密切的关系，它们不但共同基于统一的医学本体和语义网络，而且知识的决策推理也离不开标准化的信息模型。因此，急需研究基于标准的医疗信息模型的大数据量复杂实体关系到数据库的映射存储实现方法。
[0003]目前，面向医疗大数据的标准医疗信息模型主要有HL7RIM、openEHR和OHDSICDM。其中，作为国际卫生信息模型标准的HL7RIM主要是一个数据传输模型，不支持概念数据建模，OHDSICDM主要适用于队列管理和数据统计分析。而作为免费开源的医疗大数据信息模型，openEHR是基于双层模型定义的电子健康档案标准，参考模型用于对稳定不变的标准底层构架概念进行建模，原型模型用于表示领域不确定的知识概念，临床概念模板组成数据集，可生成各类消息和文档标准来实现语义互操作，具有动态生成访问接口、映射存储结构、映射动态集成脚本、匹配质控规则的特性，作为标准化的通用基础模型，实现了完整的数据视图，适应数据动态扩展、数据高度互操作及分层数据存储，较以医疗消息传递为专长的HL7RIM而言，openEHR在概念模型的表示与数据内容的存储上更占优势，适合不同领域的医疗信息建模需求。
[0004]近年来，openEHR开放式医疗信息模型已在国外得到广泛的研究和应用，包括澳大利亚oceanInformatics公司开发的系列基于openEHR规范的产品、瑞典大学RongChen等人开展的openEHRjava开源参考实施项目及基于openEHR共享信息模型构建临床数据中心，并对慢性肾衰竭、并发硬化症及新生儿电子健康档案等单病种病症进行了原型建模，主要成果有五个步骤的经典ODMA(OpenDataModelingApproath)方法，但普遍没有给出清晰的建模步骤。在国内，浙江大学的吕旭东等人基于openEHR两层建模研发了临床数据中心系统及国家级心血管疾病注册数据库，2018年全军基于openEHR技术架构建立了军人电子健康档案系统，目前我国虽已制订了健康档案基本架构与数据标准，但医疗信息建模方法仍采用单层模型，难以满足医疗概念复杂变化、标准化与互操作及数据快速增长的高扩展性需求。
[0005]在基于医疗信息模型的对象持久化数据存储方面，国内外基于openEHR的原型存储基本都是映射到关系数据库或数据仓库，多采用基于openEHR提供的Opereffa从原型底层建立关系数据库的方法，通过读取由领域专家定义的openEHR领域模型来满足相应的数
据存储需求，如使用XML数据库存储符合openEHR规范的医疗数据文档、由原型驱动的基于关系型数据库及NoSQL数据库的医疗数据存储平台、使用模板匹配的图转换方法等，主要成果包括在元模型层次上提出UML类图模型到HBase数据库模型的转换思想、MDA框架下基于语义保持的大粒度模型、openEHR建模模板到动态数据仓库多维数据模型的映射方法、原型映射到关系型数据库表的规则等，但没有考虑动态模型及形式化的描述转换规则。这些以实体建模理念设计的关系型数据库在大数据环境下面临着诸多瓶颈：如多层关联查询效率极低、关联表无法表达复杂实体关系、扩展性差等，无法满足大数据量的高效动态访问、复杂关系查询与分析、关联一致性等要求。因此，openEHR两层建模虽然适应医疗信息的变化和更新，但当面临数据量巨大且条件复杂多变的查询个性化操作需求时，实现的查询性能较低，在关联与存储上也无法表示复杂实体关系，这主要与底层数据存储模型有关。
[0006]作为数据库的未来发展趋势，图数据库(GraphDatabase)是在大数据的背景下产生和发展的最为前沿的数据存储方法，它采用“图”的方式描述实体与关联，可高效存储亿级的复杂数据，易于建模，特别适应描述复杂的实体关联。图数据库采用图的匹配算法，迭代层次较少，查询效率明显优于关系型数据库，特别是当数据规模庞大时，在全面的多级关联及属性查询上优势更加明显。图模型在对医学知识领域的概念层面进行描述时，强调概念及概念关系的形式化表达，正好满足了对概念分层数据存储的要求。其表达实体关联、复杂关系查询及高效存储方面的优势特别适合医疗大数据对知识抽取，知识关联与快速查询的要求，当实体间关系非常复杂且数据的操作都与关系有关时，原生支持关系的图数据库才是正确的选择，图数据库将会是存储、关联和利用数据最有效的方式。
[0007]基于此，提出了一种openEHR参考模型到图数据库的转换方法。

技术实现思路

[0008]本专利技术所要解决的技术问题在于针对上述现有技术的不足，提供一种openEHR参考模型到图数据库的转换方法，以解决上述
技术介绍
中提出的问题。
[0009]为解决上述技术问题，本专利技术采用的技术方案是：一种openEHR参考模型到图数据库的转换方法，包括以下步骤：
[0010]S1、解析EHR信息模型并建立composition分层结构模型；
[0011]S2、解析参考模型UML类图，建立详细的EHR信息模型类描述模型，并根据高内聚低耦合的标准对UML类图进行子图划分；
[0012]S3、设计参考模型UML类图映射到图数据库的编码规则；
[0013]S4、根据高内聚低耦合的标准将划分的子图映射到图数据库中；
[0014]S5、根据映射的结果得出最终的子图划分规则和映射规则。
[0015]进一步的，在S1中，解析openEHR参考模型并建立composition分层结构模型包括：解析参考模型层次结构，解析参考模型类的类名以及含义。
[0016]进一步的，在S2中解析参考模型UML类图并进行子图划分包括：解析参考模型UML类图名；解析参考模型UML类图类的类名、继承关系和含义；解析参考模型UML类图属性的属性名、含义以及子图划分。
[0017]进一步的，在S3中设计参考模型UML类图映射到图数据库的编码规则包括：图数据库节点名具体构建方法为数据库子图名/属性编码；属性编码格式为“数据库子图名前两个
字母”+三位数字。
[0018]进一步的，在S4中，子图映射到图数据库包括：包含参考模型类映射为图数据库的节点；参考模型关系映射为图数据库的边。
[0019]本专利技术与现有技术相比具有以下优点：
[0020]本专利技术通过解析EHR信息模型并建立composition分层结构模型；解析参考模型UML类图，建立详本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种openEHR参考模型到图数据库的转换方法，其特征在于：包括以下步骤：S1、解析EHR信息模型并建立composition分层结构模型；S2、解析参考模型UML类图，建立详细的EHR信息模型类描述模型，并根据高内聚低耦合的标准对UML类图进行子图划分；S3、设计参考模型UML类图映射到图数据库的编码规则；S4、根据高内聚低耦合的标准将划分的子图映射到图数据库中；S5、根据映射的结果得出最终的子图划分规则和映射规则。2.根据权利要求1所述的一种openEHR参考模型到图数据库的转换方法，其特征在于，在S1中，解析openEHR参考模型并建立composition分层结构模型包括：解析参考模型层次结构，解析参考模型类的类名以及含义。3.根据权利要求1所述的一种op...

【专利技术属性】
技术研发人员：梁俊花，赵志升，通旭明，丁利华，
申请(专利权)人：河北北方学院，
类型：发明
国别省市：