随着医疗信息化的发展,海量、分布、异构的医疗数据随之产生,其存储于各类医疗信息系统导致数据难以管理和利用。同时,电子病历作为医疗数据的重要组成部分,其快速增长使得医务人员难以准确快速的查找目标电子病历信息,病历数据的组织与归类处理可以为其检索提供基础。现有的文本聚类系统通常针对单一数据源,无法解决病历数据多源的问题,并且无法实现对数据的有效管理。导致无法实现对海量电子病历进行高效快速的自动化归类处理和主题抽取。采用面向数据的体系结构(DOA,Data Oriented Architecture)结合聚类分析方法能够有效解决上述问题。DOA面向数据和以数据为核心,通过数据注册中心(DRC,Data Register Center)管理数据,能够有效整合多来源、多种类的病历数据,为后续病历数据的管理、处理和分析提供有力的支撑。聚类分析能够使医疗机构在病历数据处理中无需使用人工标注就能实现病历数据的分类和提取有效信息。因此,本文以DOA为基础,建立了一套基于DOA的病历文本聚类分析系统。通过5000份实际病历数据的处理和实验,结果表明本系统功能和性能达到了预期的设计效果。本文主要研究内容如下:(1)从DOA思想出发,分析病历文本数据的特点与挖掘需求,设计针对病历文本数据的元数据注册规范,研究元数据注册方法以及DRC数据注册中心的实现方案。(2)研究了病历数据的聚类方案,以实现对病历的归类,具体包括使用Canopy算法进行聚类初始点选取,使用K-means聚类算法对文本向量和DRC中的Simhash值进行聚类分析。(3)研究了病历文本的预处理方法,具体包括文本分词、停用词过滤、特征提取、TF-IDF(Term Frequency–Inverse Document Frequency,词频-逆文本频率)计算和建立文本向量,以解决将文本数据转换为文本向量的问题,为实现文本聚类处理提供输入。(4)研究了使用Map Reduce编程模型对K-means算法进行并行化设计的具体实现,针对局部质心到全局质心的计算过程进行优化,提出了基于Combiner改进的优化策略,将Combiner阶段的局部质心计算延迟合并到Reduce阶段全局质心获取,有效的提高了聚类质量。本文研究成果与创新点如下:(1)提出了一种针对病历文本挖掘的DRC数据注册规范。研究病历数据的特点与挖掘需求,设计了适用于病历数据管理与挖掘的数据注册规范并提出对应的注册方法与实现方案。(2)提出了一种基于DRC数据注册信息Simhash值进行聚类实现病历文本归类的方案,其聚类效率相比于文本聚类有了进一步的提高。(3)提出了一种改进Combiner处理过程的K-means聚类并行化设计方案,有效的提高了聚类的质量。