电子病历作为互联网医疗的基础技术,记录了病人的临床诊疗记录,是极具价值的数据资源。我国市级以上医院的病历信息系统的总数据规模估计在100TB以上,日新增数据的数量级为GB,数据类型多样,符合学术界对大数据的定义。目前对电子病历的数据挖掘实践多采用在单台计算机上运用常规的聚类分类算法和关联规则处理结构化数据的分析方法,不能较好地适应大数据环境。Hadoop是当前热门的分布式处理系统,通过组合数量巨大的廉价通用硬件形成巨大的资源池,部署简单,容错能力较高,因此本文以Hadoop为平台构建大数据分析算法的并行程序。本文选择主题模型中的LDA模型作为并行化的目标,参数估计方法为塌缩Gibbs采样法。本文引入点互信息算法PMIk对ICTCLAS分词系统增加了词库的动态更新功能,并给出了处理大规模数据集的并行框架。将输入的文档从外部和内部分块,为避免参数采集中的依赖性,采用对角线法分配数据。在塌缩吉布斯采样时统计每一个单词在所有文档中的词频,在归一化词频向量上叠加合适的随机数序列,过滤掉低于阈值的词语。本文采用复旦大学的中文语料库从准确率、困惑度、加速比三个指标分析实验结果,得到如下结论:改进后的分词算法能有效增加分词准确率和召回率;改进的并行LDA算法能显著减少模型运行时间。最后,本文以真实新生儿电子病历集为挖掘对象,采用并行LDA算法进行文档分类和特征发现。挖掘结果显示算法分类的准确率较高;算法输出的描述性的词语矩阵包含了候选特征,通过单因素方差分析检验对四种新生儿疾病患病率有显著影响的因素。