何念芹 李 理 王紅遷 黃 榮 晏 玲

(陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院兒科 重慶 400038) (陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院信息科 重慶 400038) (陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院兒科 重慶 400038)

1 引言

隨著全球醫(yī)療信息化和新一代人工智能技術(shù)發(fā)展，如何在融合醫(yī)院的多源臨床數(shù)據(jù)基礎(chǔ)上通過大數(shù)據(jù)挖掘技術(shù)發(fā)現(xiàn)綜合、動態(tài)的新生兒早期危重事件先兆規(guī)律，及時對新生兒提供個性化危重度判斷，支持醫(yī)生和護理人員及時干預(yù)，提高信息準(zhǔn)確性，已成為當(dāng)前研究熱點[1]。國內(nèi)外許多醫(yī)療機構(gòu)已認(rèn)識到新生兒危重癥預(yù)警和人工智能相關(guān)技術(shù)深度結(jié)合的重要性，在相關(guān)資本涌入等多因素驅(qū)動下，世界各地的智能預(yù)警決策相關(guān)系統(tǒng)發(fā)生巨大變化[2]。

2 發(fā)展現(xiàn)狀

2.1 新生兒危重癥監(jiān)護

目前國內(nèi)外相關(guān)醫(yī)院兒科對新生兒監(jiān)測主要是通過醫(yī)護人員巡視、監(jiān)護儀報警等途徑實現(xiàn)，然而國內(nèi)新生兒室普遍存在工作強度大、護士水平參差不齊等問題，新生兒病情變化多樣，早期監(jiān)測更為困難。由于國情的不同，發(fā)達國家新生兒室醫(yī)患比例接近1∶1，新生兒病情變化大多能由醫(yī)護人員在床旁早期主動發(fā)現(xiàn)[3]。然而在我國絕大多數(shù)大中型醫(yī)院新生兒室醫(yī)患比例白班為1∶5左右，夜班達1：10以上[4]，為早期發(fā)現(xiàn)新生兒的病情變化增加了難度。國內(nèi)領(lǐng)先的新生兒室如復(fù)旦兒童醫(yī)院、浙大兒童醫(yī)院、重慶醫(yī)科大學(xué)兒童醫(yī)院等醫(yī)患比例的矛盾更為突出[4]，仍然采用傳統(tǒng)監(jiān)測與預(yù)警模式，新生兒一般病情變化快，因未及時發(fā)現(xiàn)、救治而導(dǎo)致新生兒死亡的事件時有發(fā)生。

2.2 預(yù)警決策支持

臨床輔助預(yù)警決策支持是在診療過程中為醫(yī)療工作者提供預(yù)警及快速診斷的系統(tǒng)[4-5]。該研究開始于20世紀(jì)50年代左右[5]，目前國外已有一些類似的成果，但是大部分的效果并不理想，原因主要有兩方面，一是醫(yī)學(xué)本身就很復(fù)雜，實現(xiàn)系統(tǒng)自動或半自動提供有價值的預(yù)警及決策建議則更加困難；二是現(xiàn)有預(yù)警決策系統(tǒng)很大程度上增加了醫(yī)療人員工作流程、加重其負(fù)擔(dān)，導(dǎo)致其抗拒使用[5-6]。因此具有精準(zhǔn)決策支持功能的新生兒危重癥決策支持系統(tǒng)具有很高的實踐價值[5]。然而具有預(yù)警及決策功能的系統(tǒng)在我國臨床上發(fā)展滯后，目前廣泛使用的只有合理用藥系統(tǒng)、處方點評等。我國很多醫(yī)院都已開展針對單病種的預(yù)警決策系統(tǒng)研發(fā)并取得一些成果[5]，如中國人民解放軍空軍軍醫(yī)大學(xué)的骨腫瘤相關(guān)輔助診斷系統(tǒng)、西南醫(yī)院全科版臨床輔助決策預(yù)警系統(tǒng)等[7-8]。

2.3 重慶西南醫(yī)院具體情況

重慶西南醫(yī)院是全軍首批“軍字一號”工程試點單位[6]，于2018年10月成立醫(yī)學(xué)大數(shù)據(jù)與人工智能中心，促進大數(shù)據(jù)、人工智能、云計算等現(xiàn)代技術(shù)手段的綜合運用，實現(xiàn)數(shù)據(jù)驅(qū)動的醫(yī)院創(chuàng)新轉(zhuǎn)型發(fā)展[6]。目前醫(yī)院已構(gòu)建全院級別醫(yī)療大數(shù)據(jù)平臺，全院各科室嘗試將大數(shù)據(jù)技術(shù)與醫(yī)學(xué)相結(jié)合，逐步開展臨床輔助決策研究，以幫助醫(yī)生進行知識更新和臨床診療[5]，更好地促進學(xué)科發(fā)展。

3 系統(tǒng)設(shè)計

3.1 總體目標(biāo)

以新生兒監(jiān)護室的監(jiān)護、電子病歷、文獻數(shù)據(jù)的分析與挖掘為基礎(chǔ)，采集和辨識各種監(jiān)護設(shè)備中臨床監(jiān)護數(shù)據(jù)，智能分析異常監(jiān)護數(shù)據(jù)與主要危重癥事件[9]，結(jié)合醫(yī)院信息系統(tǒng)(Hospital Information System，HIS)、醫(yī)學(xué)影像存儲與傳輸系統(tǒng)(Pictures Archiving and Communication System，PACS)、電子病歷(Electronic Medical Records，EMR)臨床數(shù)據(jù)，基于遺傳算法、進化算法、深度神經(jīng)網(wǎng)絡(luò)構(gòu)建深度神經(jīng)進化危重癥不良事件預(yù)測模型，基于自動推理與認(rèn)知技術(shù)構(gòu)建新生兒危重癥事件人工智能決策支持知識圖譜，實現(xiàn)新生兒危重癥監(jiān)護期間主要重癥事件的實時追蹤、早期診斷和預(yù)警，建立可自動獲取體征數(shù)據(jù)、智能提取體征狀態(tài)信息、生成規(guī)范報告的危重事件預(yù)測與干預(yù)模型，提供危重癥事件追蹤預(yù)警及決策支持服務(wù)。

3.2 關(guān)鍵技術(shù)

3.2.1 新生兒監(jiān)控儀遠程監(jiān)控 通過各種監(jiān)控儀器的數(shù)據(jù)接口實時獲取新生兒監(jiān)控數(shù)據(jù)[7]，同時搭建 NB-IoT物聯(lián)網(wǎng)通道，整個架構(gòu)在LTE網(wǎng)絡(luò)上直接部署，降低成本，實現(xiàn)平滑升級功能。

3.2.2 多源監(jiān)護數(shù)據(jù)集成 采用時序同步機制方法解決新生兒危重癥事件數(shù)據(jù)采集同步問題，通過自回歸滑動平均模型ARMA算法對采樣頻率進行優(yōu)化，對數(shù)據(jù)清洗、集成、變換、規(guī)約、脫敏等以控制質(zhì)量。根據(jù)醫(yī)院兒科專家經(jīng)驗知識對監(jiān)護數(shù)據(jù)進行危重癥事件標(biāo)識，結(jié)合患者基本信息、監(jiān)護設(shè)備采集項目以及經(jīng)過時序同步、質(zhì)量控制后的監(jiān)護數(shù)據(jù)集進行危重癥數(shù)據(jù)集的構(gòu)建。

3.2.3 知識庫構(gòu)建與知識獲取 基于語義三角形(概念-實體-表示)的表示方法，在實際構(gòu)建過程中首先基于構(gòu)建好的醫(yī)療數(shù)據(jù)庫和領(lǐng)域特定的經(jīng)驗知識，構(gòu)建種子知識圖譜；然后收集領(lǐng)域相關(guān)的互聯(lián)網(wǎng)數(shù)據(jù)，通過無監(jiān)督學(xué)習(xí)得到每個詞語在特定領(lǐng)域的向量表示，推出詞語之間的相似關(guān)系，擴充每個概念和實體上的候選詞語集合；進而依據(jù)知識圖譜結(jié)構(gòu)對新詞語進行分類和聚類，形成新的概念，發(fā)現(xiàn)新的實體并通過自學(xué)習(xí)推理新的知識。

3.2.4 危重事件預(yù)測與干預(yù)決策模型 新生兒危重癥患者監(jiān)護數(shù)據(jù)包含大量的醫(yī)學(xué)信息，對該數(shù)據(jù)的分析建模能夠有效預(yù)警干預(yù)危重不良事件，采用遺傳算法、進化策略、深度學(xué)習(xí)構(gòu)建深度神經(jīng)進化模型對危重癥數(shù)據(jù)進行時序預(yù)測，基于自動推理與認(rèn)知技術(shù)融合貝葉斯網(wǎng)絡(luò)學(xué)習(xí)方法，構(gòu)建新生兒危重癥臨床干預(yù)智能決策貝葉斯網(wǎng)絡(luò)模型，采用基數(shù)效用法和期望效用構(gòu)建新生兒危重癥臨床干預(yù)決策效用量化基數(shù)和效用體系，建立臨床干預(yù)決策離散效用表。

4 系統(tǒng)功能(圖1)

圖1 新生兒危重癥預(yù)警決策系統(tǒng)功能

4.1 功能模塊

4.1.1 遠程監(jiān)控 采取瀏覽器/服務(wù)器(Browser/Server，B/S)系統(tǒng)架構(gòu)，實現(xiàn)數(shù)據(jù)在服務(wù)器、客戶端之間的互相傳輸，獲取監(jiān)控儀的實時數(shù)據(jù)，同時搭建 NB-IoT物聯(lián)網(wǎng)通道，將超過預(yù)警值的監(jiān)控數(shù)據(jù)通過物聯(lián)網(wǎng)窄帶通道快速傳輸?shù)结t(yī)生手機客戶端，實現(xiàn)醫(yī)生遠程實時監(jiān)控新生兒狀態(tài)。

4.1.2 數(shù)據(jù)傳輸 搭建 NB-IoT物聯(lián)網(wǎng)通道，其構(gòu)建于蜂窩網(wǎng)絡(luò)，直接部署在LTE網(wǎng)絡(luò)之上，以降低部署成本、實現(xiàn)平滑升級。較現(xiàn)有無線技術(shù)其提供50～100倍的接入數(shù)，極大提高數(shù)據(jù)實時傳輸速率，使醫(yī)護人員更加迅速獲得新生兒實時信息。

4.1.3 實時交互 開發(fā)醫(yī)生、護士客戶端APP，護士可根據(jù)不同新生兒狀態(tài)與醫(yī)生共享數(shù)據(jù)并及時溝通，從而快速處理問題。同時系統(tǒng)對所有實時監(jiān)護數(shù)據(jù)進行持久化，便于后期分析挖掘新生兒出現(xiàn)異?，F(xiàn)象的關(guān)聯(lián)因素，實現(xiàn)疾病預(yù)防，提高兒科整體診療水平。

4.1.4 病歷管理 實現(xiàn)患者病歷的批量查詢和統(tǒng)計分析，根據(jù)患者姓名或ID進行電子病歷檢索和信息導(dǎo)入，統(tǒng)計分析模塊用于分析患者群體特征[5]。

4.1.5 決策支持 系統(tǒng)綜合當(dāng)前患者所有醫(yī)療信息，包括實時監(jiān)護數(shù)據(jù)，自動生成相應(yīng)的信息流。同時具有檢測檢驗、診斷、治療方案推薦及關(guān)鍵信息提醒等功能。

4.1.6 知識推薦 系統(tǒng)根據(jù)當(dāng)前患者病歷中提取的關(guān)鍵詞，自動從網(wǎng)絡(luò)文獻庫實時檢索并展示相關(guān)性最高的3～5篇文獻[5,8]。

4.2 特點

4.2.1 數(shù)據(jù)實時傳輸 作為系統(tǒng)預(yù)警的核心功能之一，以圖像形式實時、流暢獲取危重癥新生兒信息，全部數(shù)據(jù)備份到云端服務(wù)器。

4.2.2 自動預(yù)警機制 研發(fā)手機數(shù)據(jù)及圖像接收軟件，構(gòu)建新生兒危重癥知識庫，當(dāng)生命體征數(shù)據(jù)達到危重值時手機實時預(yù)警，醫(yī)護人員能隨時查詢新生兒生命體征及圖像。

4.2.3 臨床決策支持 實現(xiàn)診療流程的可視化以及路徑的可靠管理，為醫(yī)生提供決策支持，通過決策系統(tǒng)為患者提供更優(yōu)質(zhì)的診療服務(wù)[5,10-11]。

5 結(jié)語

新生兒危重癥預(yù)警決策系統(tǒng)現(xiàn)已完成初步開發(fā)，正在醫(yī)院兒科試點應(yīng)用。下一步將與護士、醫(yī)生工作站等系統(tǒng)完成數(shù)據(jù)對接，使全科醫(yī)護人員更便捷地使用該系統(tǒng)。此外結(jié)合兒科常見的最新文獻、指南等知識庫，擴大集成規(guī)模結(jié)合臨床反饋意見進一步優(yōu)化完善系統(tǒng)。