——孟 巖 孫雪梅 王 雪 冀冰心 蘇金菲 靳 萍 李?yuàn)檴?/p>

首都醫(yī)科大學(xué)宣武醫(yī)院 北京 100053

1 研究背景

電子病歷質(zhì)控是電子病歷系統(tǒng)的重要功能，已經(jīng)在國內(nèi)很多醫(yī)療機(jī)構(gòu)得到推廣應(yīng)用。2018年，國家衛(wèi)生健康委員會(huì)對(duì)電子病歷的使用提出了明確要求：到2019年底所有三級(jí)醫(yī)院要求達(dá)到電子病歷應(yīng)用水平分級(jí)3級(jí)及以上，2020年要達(dá)到4級(jí)及以上[1]。在該政策的引導(dǎo)下，電子病歷質(zhì)控在提升質(zhì)控效率、提高醫(yī)療質(zhì)量方面發(fā)揮了良好的作用[2]。與此同時(shí)，醫(yī)療機(jī)構(gòu)內(nèi)部也對(duì)電子病歷質(zhì)控、病歷內(nèi)涵質(zhì)控等提出了新要求。

當(dāng)前，國內(nèi)多數(shù)醫(yī)療機(jī)構(gòu)已基本完成針對(duì)電子病歷的時(shí)效性、完整性以及病歷質(zhì)控流程信息化等建設(shè)工作，形成基于事前、事中、事后的質(zhì)控模式，節(jié)省了大量的人力成本和時(shí)間成本,有效降低了缺陷率，提高了電子病歷質(zhì)量[2]。但傳統(tǒng)電子病歷質(zhì)控也存在著如下問題：如時(shí)效性、完整性質(zhì)控要求流于形式，質(zhì)控范圍未能全覆蓋，尚無自學(xué)習(xí)和形成專家?guī)旃δ躘3]；存在“數(shù)據(jù)孤島”問題等。同時(shí)，針對(duì)醫(yī)技科室的一些質(zhì)控要求，傳統(tǒng)電子病歷質(zhì)控方式也難以實(shí)現(xiàn)。

人工智能技術(shù)(Artificial Intelligence)[4]是模擬、拓展人的智能和經(jīng)驗(yàn)的一門新的技術(shù)科學(xué)。它涉及的研究領(lǐng)域包括機(jī)器學(xué)習(xí)、自然語言處理(NLP)、圖像識(shí)別、專家系統(tǒng)等，目前已經(jīng)廣泛應(yīng)用于臨床醫(yī)學(xué)領(lǐng)域[5-7]，如何利用人工智能的知識(shí)圖譜、后結(jié)構(gòu)化等技術(shù)構(gòu)建智能化的質(zhì)控規(guī)則體系[8]，以滿足醫(yī)療機(jī)構(gòu)新的電子病歷質(zhì)控要求，成為醫(yī)院質(zhì)控工作的重要研究方向。

2 人工智能技術(shù)在電子病歷質(zhì)控中的應(yīng)用

2.1 機(jī)器學(xué)習(xí)

傳統(tǒng)電子病歷質(zhì)控?zé)o法實(shí)現(xiàn)機(jī)器學(xué)習(xí)，只能通過編寫代碼來實(shí)現(xiàn)邏輯判斷。機(jī)器學(xué)習(xí)是通過收集和分析大量的樣本數(shù)據(jù)，并對(duì)質(zhì)控要求進(jìn)行提煉、分解、總結(jié)的一種高效的學(xué)習(xí)方式。機(jī)器學(xué)習(xí)的算法包括三種：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，可通過神經(jīng)網(wǎng)絡(luò)、決策樹、貝葉斯算法、回歸等技術(shù)或模型來實(shí)現(xiàn)[9]。目前，國內(nèi)已有部分醫(yī)院在質(zhì)控工作中針對(duì)電子病歷語義進(jìn)行機(jī)器學(xué)習(xí)。從質(zhì)控范圍來看，通過機(jī)器學(xué)習(xí)可以對(duì)海量病歷文書進(jìn)行深度解析，了解其語義邏輯結(jié)構(gòu)，并最終形成邏輯結(jié)構(gòu)脈絡(luò)圖[10]。例如，現(xiàn)病史可以解析語義中的發(fā)病時(shí)間、癥狀、程度等；手術(shù)記錄可以解析語義中的手術(shù)狀態(tài)、術(shù)中體征、術(shù)中耗材、術(shù)中診斷等。

2.2 自然語言處理(NLP)

自然語言處理(NLP)可以將半結(jié)構(gòu)化和純文本病歷信息通過深度卷積模型(Convolution Neaural Network)生成醫(yī)學(xué)術(shù)語和屬性，并根據(jù)邏輯庫規(guī)則和目前國內(nèi)外相關(guān)標(biāo)準(zhǔn)(如ICD-9、ICD-10、SNOMED-CT)進(jìn)行綜合利用。應(yīng)用自然語言處理技術(shù)，首先，可解決傳統(tǒng)電子病歷質(zhì)控?zé)o法對(duì)不同醫(yī)生、不同書寫習(xí)慣進(jìn)行邏輯判斷的問題。其次，能給多系統(tǒng)間邏輯判斷提供數(shù)據(jù)基礎(chǔ)。第三，對(duì)因?yàn)殡娮硬v模板不完整、不規(guī)范造成的問題以及病歷內(nèi)容復(fù)制造成的質(zhì)量低下等問題進(jìn)行邏輯判斷分析，提供了新的技術(shù)手段和解決思路。目前，國內(nèi)很多醫(yī)療機(jī)構(gòu)在電子病歷質(zhì)控領(lǐng)域已經(jīng)實(shí)現(xiàn)了基于自然語言處理(NLP)后的輔助決策、過程質(zhì)控等，并取得一定效果[11-12]。但需要注意的是，經(jīng)過處理形成的醫(yī)學(xué)術(shù)語和屬性，應(yīng)遵循統(tǒng)一認(rèn)知標(biāo)準(zhǔn)，避免產(chǎn)生理解偏差。

2.3 圖像識(shí)別

目前，醫(yī)學(xué)影像與人工智能技術(shù)的結(jié)合在電子病歷質(zhì)控領(lǐng)域應(yīng)用較多[13]。傳統(tǒng)的醫(yī)學(xué)影像質(zhì)控，更多是由高年資醫(yī)師對(duì)低年資醫(yī)師的報(bào)告進(jìn)行復(fù)審，往往時(shí)間長、效率低且過多依賴經(jīng)驗(yàn)判斷；而基于圖像識(shí)別技術(shù)，使用FASTER-RCNN 深度神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)，對(duì)原始圖像逐層提取特征，最后與診斷標(biāo)準(zhǔn)進(jìn)行比對(duì)，可有效解決計(jì)算機(jī)圖像問題，并在一些疾病診斷如新冠肺炎的影像學(xué)輔助診斷上發(fā)揮重要作用[14-15]。

2.4 專家系統(tǒng)

人工智能技術(shù)中的專家系統(tǒng)在醫(yī)療領(lǐng)域已經(jīng)得到了充分利用[16-17]。其特點(diǎn)是能模擬專家思維，具有專家知識(shí)水平，能進(jìn)行有效推理，且具有知識(shí)獲取能力。專家系統(tǒng)一般包括人機(jī)交互界面、知識(shí)庫、推理機(jī)、解釋器、數(shù)據(jù)庫、知識(shí)獲取六部分。目前已有醫(yī)院將人工智能技術(shù)中的專家系統(tǒng)用于X線圖像質(zhì)控，根據(jù)《數(shù)字X線攝影檢查技術(shù)專家共識(shí)》[18]，從圖像質(zhì)控的部位、清晰度、曝光問題等角度，分析焦點(diǎn)、中心線等質(zhì)控因素，大大提高了電子病歷中的影響結(jié)果質(zhì)量和患者滿意度[19]。

3 討論

3.1 專家質(zhì)控與人工智能質(zhì)控的關(guān)系

人工智能技術(shù)雖然已經(jīng)有了很大的發(fā)展，但質(zhì)控專家以及有些臨床醫(yī)師仍然對(duì)人工智能技術(shù)在電子病歷質(zhì)控中的應(yīng)用存在質(zhì)疑。這種質(zhì)疑主要體現(xiàn)在兩個(gè)方面：一是對(duì)人工智能質(zhì)控結(jié)果的不認(rèn)同。特別是一些不熟悉人工智能技術(shù)的質(zhì)控專家，習(xí)慣于通過經(jīng)驗(yàn)進(jìn)行判斷。針對(duì)此類問題，建議人工智能質(zhì)控結(jié)果增加溯源功能，明確數(shù)據(jù)獲取來源及結(jié)論因果關(guān)系，增加人工智能質(zhì)控和專家質(zhì)控結(jié)果的對(duì)比分析，逐步提高人工智能質(zhì)控結(jié)論的權(quán)威性。二是針對(duì)人工智能質(zhì)控內(nèi)部邏輯不透明等問題[20]，需加強(qiáng)與質(zhì)控專家的溝通，增加質(zhì)控專題討論，逐步使質(zhì)控的專家了解人工智能質(zhì)控運(yùn)行機(jī)制，增加人工智能質(zhì)控的可信度。

只有當(dāng)質(zhì)控專家了解了人工智能質(zhì)控的運(yùn)作機(jī)制，才能能更好地激發(fā)新的質(zhì)控思路。但需要強(qiáng)調(diào)的是，在具體質(zhì)控工作中仍然以質(zhì)控專家為主導(dǎo)，人工智能質(zhì)控作為輔助，最終形成專家質(zhì)控與人工智能質(zhì)控良好的關(guān)系，二者相輔相成、相互促進(jìn)。

3.2 人工智能質(zhì)控的目標(biāo)

目前，各醫(yī)療機(jī)構(gòu)的質(zhì)控人員數(shù)量均比較欠缺，不同醫(yī)療機(jī)構(gòu)的質(zhì)控思路和質(zhì)控水平也不盡相同。借助人工智能技術(shù)可解決質(zhì)控效率問題，例如一個(gè)復(fù)雜的質(zhì)控問題，往往要關(guān)注患者的病史、診斷、檢查報(bào)告、病程描述、開立醫(yī)囑等各種信息。通過人工智能質(zhì)控則能快速給出判斷，效率比單純的人為質(zhì)控高很多。同時(shí)，人工智能質(zhì)控范圍也大大超過專家質(zhì)控，可基本覆蓋患者的全部醫(yī)療數(shù)據(jù)。因此，解決目前專家質(zhì)控效率不高、范圍難以擴(kuò)大、標(biāo)準(zhǔn)因人而異等問題，是人工智能質(zhì)控的重要目標(biāo)。

3.3 人工智能質(zhì)控的隱私保護(hù)

人工智能技術(shù)具有自動(dòng)收集臨床資料的功能，因此醫(yī)療機(jī)構(gòu)需建立規(guī)范的約束和監(jiān)管機(jī)制，在收集患者電子病歷質(zhì)控?cái)?shù)據(jù)的同時(shí)，必須注重保護(hù)患者隱私。人工智能技術(shù)僅被允許收集電子病歷中的有效數(shù)據(jù)，對(duì)敏感信息要進(jìn)行脫敏處理，避免因人工智能質(zhì)控而產(chǎn)生新的隱私保護(hù)等安全問題。

4 小結(jié)

目前，國內(nèi)已經(jīng)有將人工智能技術(shù)應(yīng)用于電子病歷質(zhì)控的實(shí)踐，并取得了一定效果[21-22]，但并未形成完整的體系和規(guī)范。因此，利用人工智能技術(shù)對(duì)電子病歷展開持續(xù)探索，可以發(fā)掘出更多的臨床特征數(shù)據(jù)、管理數(shù)據(jù)，發(fā)現(xiàn)更多的電子病歷質(zhì)控特征和規(guī)律，有助于未來實(shí)現(xiàn)醫(yī)療機(jī)構(gòu)全方位質(zhì)控的預(yù)判以及質(zhì)控工作精細(xì)化管理。