随着大数据时代的来临,大数据相关技术也在日益发展并逐渐走向成熟,医学大数据作为最有价值的行业大数据之一,近些年来人们也对其进行了深入的研究。本文是针对医学中传统临床试验注册方案设计时的局限性,采用将大数据技术与医学中的临床试验注册数据相结合的方法,为试验的参与者、赞助商及受试者提供辅助性参考,提高方案设计的效率。本文首先通过Scrapy框架体系对临床试验注册中心的数据进行爬虫获取,并将爬虫框架进行扩建,将原来的爬虫总任务分发至几个小队列中,使之分布为几个的爬虫任务,采取并行处理的执行方式提高数据获取效率,对获取的数据进行清洗和预处理,根据一定规则将数据的属性进行合并或删除,对重复的临床试验注册进行删除,形成可供分析的数据。再通过大数据中的ARIMA模型和神经网络LSTM模型对临床试验注册量进行建模,分别构建了ARIMA(p=1,d=1,d=1)模型、步长数为1的LSTM模型和步长数为12的LSTM模型,采用构建的模型对临床试验总注册量进行预测和比较,以便掌握临床试验数据的趋势和波动状态。其次运用机器学习算法中的朴素贝叶斯算法、K近邻算法、逻辑回归算法、SGD随机梯度下降算法、(SVM)支持向量机、决策树和随机森林算法对试验设计方案中的样本量进行预测,并且尝试对随机森林算法改进,基于决策树分类精度森林中树的数量进行排除,使随机森林算法在样本量预测的准确率更高。最后利用大数据的可视化技术对乳腺癌及抗肿瘤终点指标的案例进行分析,对乳腺癌及抗肿瘤终点指标临床试验注册的区域分布情况、盲法选择、试验随机对照方法等试验设计方案进行可视化分析,总结出乳腺癌及晚期乳腺癌临床试验注册的方案设计规律,也总结出抗肿瘤终点指标常测肿瘤和期数分布等规律,为临床试验注册的参与者、设计者提供更直观更全面的试验设计信息。