目标层，对健康医疗大数据进行目标性区分，根据数据的复杂程度和价值两个维度，将目标层分成描述型分析、诊断型分析、预测型分析和指令型分析四个层面。

类型层是对数据类型进行划分，包括定性数据和定量数据，并进一步细分，而后又可从线性、非线性以及结构化、非结构化四个方面进行数据类的分类。

分析方法及工具层分为三部分：①分析方法层，根据明确数据特征的健康医疗大数据选择相应的分析方法类别，包括分类、回归、聚类、关联规则、神经网络、Web数据挖掘、深度学习、集成算法等；②典型算法层，根据实际情况选择具体的分析算法进行分析，包括决策树、支持向量机等；③分析工具层，依据相应需求选择适合的分析工具进行数据结果可视化展示，包括Excel、SPSS、SAS、BMDP等。该层是将数据与应用紧密结合的重要分析层。

应用层，根据健康医疗大数据的具体应用领域进行划分，包括医疗服务、公共卫生、药品管理、医疗保障、卫生管理、产业发展这六大层面。

图1  健康医疗大数据分析方法体系框架

图2   健康医疗大数据分析方法应用领域

支持向量机（SVM）在高血压中医辩证中的应用 健康医疗大数据之间存在错综复杂的非线性关系，支持向量机(SVM)模型具有较强的泛化能力，适用于小样本分类及高维输入单输出的非线性回归问题。使用SVM算法进行高血压病辨证分析，根据符合高血压病诊断的419例患者资料读取数据集，以高血压病中常见的21个症状、舌苔及舌体、脉象的量化数据为输入进行特征设计，将高血压病证型作为输出，并进行归一化处理，把属性缩放到[0,1]之间。基于MATLAB环境，选取Libsvm支持向量机集成工具包，使用Python直接导入SVM模块并选择RBF核函数，使用419例样本训练，130例样本测试。构造5个2类分类器，训练得到最优参数C=2和γ=1，建立基于SVM的肾气亏虚、痰瘀互结、肝火亢盛、阴虚阳亢和其他5种证型的高血压病患者中医证候诊断模型，并用测试集和交叉验证集比较所建模型的诊断识别率。根据SVM模型测试与临床诊断结果比较结果显示，5种证型准确率均高于66%，除其他外的4种主要证型准确率均高于85%，总体准确率达到90%。说明基于SVM建模对高血压病进行中医证候诊断分析具有很高可行性，可以提高诊断准确性和及时性，在高血压病中医辅助辩证过程中具有良好的应用前景。SVM对训练样本的数目要求较低，在较小规模数据集上训练即可得到较好泛化效果，且模型清晰，便于对分类结果做出解释，但也存在一定局限性。一是对模型输入特征设计要求较高，设计者需对所研究背景有深刻认识，当特征设计不充分时模型精度较低；二是可扩展性差，同一模型无法兼容多项研究数据，需针对不同需求设计不同特征。

Apriori算法分析慢阻肺患者超限住院费用影响因素 Apriori算法使用频繁项集的先验知识，通过两阶段递推的思想来挖掘出数据间的关联规则。现使用Apriori算法研究慢性阻塞性肺疾病患者超限住院费用的影响因素，选取基本医疗保险数据库中被确诊为慢阻肺的9 199例患者资料信息进行基本统计学分析，对数据集的平均值和标准差进行计算，运用多元线性回归方法筛选住院费用的外部影响因素。选择在多元线性逐步回归分析中有意义的性别、年龄、医院级别、住院天数等影响因素作为规则前项，设置支持度为0.8%，置信度为50%，以提升度>1来衡量规则有效性。应用SPSS统计软件进行回归分析，采用Java代码实现Apriori算法构建关联规则模型，输出每一步频繁集结果，通过更换最小支持度和可信度阈值获得不同关联规则，并对关联规则进行及时调整，将强关联规则作为影响慢阻肺患者超限住院费用的主要因素，最终挖掘出4 条有意义的关联规则。结果显示，4条关联规则的提升度均大于8.2，慢阻肺患者与超限住院费用关联度较大的三个条件分别是住院天数、医院级别和年龄，其中前两者为可控因素，其中4条规则均包含住院天数，说明该因素对慢阻肺患者发生超限住院费用的影响最大。通过采取缩短住院天数，实施分级诊疗制度等有效措施，可以有效降低超限住院费用发生率，减轻慢阻肺患者的经济负担。Apriori算法采用逐层搜索压缩频繁集大小，简单易懂，对数据要求低，且扩展性较好，可用于并行计算。但因其会多次扫描对数据库，导致运算时间增加，I/O负荷很大，数据量大时更加显著；同时会因循环产生大量组合候选项集，容易出现假性关联。

结语

结合实际情况，构建健康医疗大数据分析方法体系框架，加强对健康医疗大数据的分析应用，分析健康医疗康大数据具体应用领域，结合分析方法实现数据价值最大化，充分发挥健康医疗大数据这一基础性战略性的资源作用，从而大力推进和发展健康医疗大数据分析应用工作。