——沈 鑫 陳 航 黃 波 楊江存*

“互聯(lián)網(wǎng)+醫(yī)療健康”戰(zhàn)略背景下，智慧醫(yī)療迅速發(fā)展。基于人工智能將醫(yī)院信息與臨床實踐集成，根據(jù)醫(yī)學(xué)專業(yè)知識和經(jīng)驗推理判斷，經(jīng)機(jī)器深度學(xué)習(xí)分析后生成個體化評價建議的臨床輔助決策系統(tǒng)。陜西省人民醫(yī)院利用電子病歷采集患者就診信息和臨床輸血數(shù)據(jù)，分析影響紅細(xì)胞輸注的各項參數(shù)，經(jīng)計算機(jī)深度學(xué)習(xí)后構(gòu)建輸血輔助決策系統(tǒng)，建立精準(zhǔn)化用血管理決策平臺，為安全、合理、高效輸血提供了保障。

1 系統(tǒng)構(gòu)建

輸血輔助決策系統(tǒng)設(shè)計主要包括四部分，見圖1。

圖1 輸血輔助決策系統(tǒng)設(shè)計思路

1.1 用血信息數(shù)據(jù)庫

依托HIS、LIS、輸血管理平臺、手術(shù)麻醉管理系統(tǒng)等，采集醫(yī)院申請用血、發(fā)血歷史數(shù)據(jù)與用血相關(guān)數(shù)據(jù)，通過自然語言處理、數(shù)據(jù)集成、數(shù)據(jù)清理、數(shù)據(jù)變換、數(shù)據(jù)歸約等，生成輸血信息數(shù)據(jù)庫。數(shù)據(jù)庫可查詢數(shù)據(jù)，用于實時統(tǒng)計分析，實現(xiàn)用血預(yù)測、評估和動態(tài)決策。

1.2 用血智能評估模型

針對擇期手術(shù)、內(nèi)科治療、急診創(chuàng)傷等三種不同目的的用血，分別構(gòu)建模型。以擇期手術(shù)為例：利用數(shù)據(jù)庫中患者基本情況(年齡、性別、身高、體重、疾病診斷、合并癥與并發(fā)癥等)、檢查化驗(血常規(guī)、凝血指標(biāo)、生化檢查、血氣檢查等)、生命體征檢測(血壓、脈搏、呼吸、心率、血氧飽和度、體溫等)、手術(shù)信息(手術(shù)名稱、手術(shù)級別、緊急程度、手術(shù)者、手術(shù)次數(shù)、手術(shù)開始時間、手術(shù)備血量等)、實際輸注情況(有無自體輸血、實際輸注量、紅細(xì)胞保存天數(shù)等)，訓(xùn)練機(jī)器學(xué)習(xí)模型，對患者的失血量及合理用血量進(jìn)行預(yù)測。實際應(yīng)用中，更新跟蹤模型，收集醫(yī)生反饋信息，針對與預(yù)測不一致情況進(jìn)行訪談，從中提取更多特征，結(jié)合前期預(yù)測積累數(shù)據(jù)對模型進(jìn)行校準(zhǔn)，同時生成統(tǒng)計數(shù)據(jù)。利用長短式記憶網(wǎng)絡(luò)LSTM及貝葉斯算法，將用血信息數(shù)據(jù)庫中的自然語言序列數(shù)據(jù)進(jìn)行鏈?zhǔn)竭f歸。通過持續(xù)使用-反饋、輸入-輸出對用血智能評估模型進(jìn)行調(diào)整，助力精準(zhǔn)化決策評判。

1.3 用血效果評估模型

用血效果評估采用大數(shù)據(jù)訓(xùn)練模型和專家標(biāo)注相結(jié)合方式進(jìn)行。1.3.1 標(biāo)注 開始階段，通過查閱文獻(xiàn)以及咨詢專家意見(如不同年齡組的術(shù)后血紅蛋白閾值)，篩選正常數(shù)據(jù)，標(biāo)注數(shù)據(jù)，提取隱性特征(如急性失血患者、輸血依賴性慢性貧血患者、普通患者)，保證使用合理數(shù)據(jù)，同時適應(yīng)多種不同情況。

1.3.2 分類 將擇期手術(shù)、內(nèi)科治療、急診創(chuàng)傷分為急診用血、非急診用血兩大類，使用無監(jiān)督學(xué)習(xí)方法進(jìn)行數(shù)據(jù)聚類，將用血數(shù)據(jù)進(jìn)一步劃分成多種不同模式，對各個模式分別處理后與專家討論，進(jìn)一步確定各個類別的評價規(guī)則。通過機(jī)器學(xué)習(xí)，進(jìn)一步整合數(shù)據(jù)，提供更有效的數(shù)據(jù)，進(jìn)行子類型細(xì)分，篩選典型數(shù)據(jù)，簡化工作量，同時挖掘未被發(fā)現(xiàn)的隱性特征。

1.3.3 機(jī)器學(xué)習(xí)訓(xùn)練 通過以下兩種訓(xùn)練評估模型展開。訓(xùn)練評估模型一：將用血智能評估模型數(shù)據(jù)與真實用血數(shù)據(jù)進(jìn)行對比，對用血進(jìn)行評價。訓(xùn)練評估模型二：擇期手術(shù)者計算患者失血量(患者基本信息、手術(shù)信息、檢驗信息等)，內(nèi)科治療者計算患者耐受程度(身高、體重、年齡、性別、血紅蛋白、耐受失血量等)，急診創(chuàng)傷者計算患者創(chuàng)傷緊迫程度(TASH 評分、PWH 評分、Vandromme 評分、ABC評分等)，將上述情況代入Logistic回歸模型，計算權(quán)重，評價輸血必要性。

1.3.4 專家與機(jī)器學(xué)習(xí)模型結(jié)合 使用模型聚合方式，將機(jī)器學(xué)習(xí)訓(xùn)練及專家規(guī)則相結(jié)合，進(jìn)行更有效、更精準(zhǔn)的評價。如果在某一個類別中出現(xiàn)大量專家規(guī)則與模型評價不一致，與專家展開討論，不斷調(diào)整，達(dá)到精準(zhǔn)用血目的。

1.4 血站動態(tài)調(diào)配模型

根據(jù)醫(yī)院歷史用血數(shù)據(jù)，利用時間序列分析法，對歷史數(shù)據(jù)整體均值、整體趨勢、季節(jié)性及序列臨近值進(jìn)行分析。按指數(shù)規(guī)律遞減原理，賦予離預(yù)測值較近觀測值較大權(quán)數(shù)，離預(yù)測值較遠(yuǎn)觀測值較小權(quán)數(shù)，根據(jù)預(yù)測值與觀測值之間的時間長短確定預(yù)測值可靠性，使預(yù)測值既能反映最新數(shù)據(jù)又能呼應(yīng)歷史數(shù)據(jù)，從而使預(yù)測結(jié)果更符合未來時間段醫(yī)院用血實際。利用智慧醫(yī)療連接醫(yī)院與血站，對血站庫存、醫(yī)院庫存、醫(yī)院預(yù)測用血量、醫(yī)院用血需求評分進(jìn)行及時動態(tài)評估，更好地解決臨床用血調(diào)配問題。

2 系統(tǒng)應(yīng)用

系統(tǒng)架構(gòu)分為四層，分別為數(shù)據(jù)生產(chǎn)層、數(shù)據(jù)接口層、數(shù)據(jù)管理層和決策應(yīng)用層，見圖2。系統(tǒng)通過Web Service方式實時獲取患者輸血相關(guān)數(shù)據(jù)，作為輸入提交到人工智能模型進(jìn)行用血量預(yù)測，然后將預(yù)測結(jié)果通過Web Service方式返回醫(yī)生工作站。

圖2 系統(tǒng)架構(gòu)

(1)用戶登錄。按管理者、使用者、維護(hù)者等不同類型分設(shè)權(quán)限，保障信息共享專一性，確保數(shù)據(jù)安全。

(2)選擇觸發(fā)。選擇輸血目的(術(shù)前備血、搶救用血、術(shù)中輸血、糾正貧血、改善血氧狀態(tài)、補(bǔ)充凝血因子、預(yù)防出血、糾正血小板異常等)和血液成分 “紅細(xì)胞類”字樣，自動觸發(fā)預(yù)測模型。

(3)預(yù)測推薦。如該病例的基本信息、手術(shù)信息、檢驗信息滿足預(yù)測模型最小集，模型會自動預(yù)測該病例本次輸血推薦紅細(xì)胞用量。

(4)選擇調(diào)整。點擊預(yù)測詳情，顯示經(jīng)驗與預(yù)測結(jié)果。經(jīng)驗結(jié)果分析包括經(jīng)驗術(shù)后血紅蛋白(g/L)、經(jīng)驗輸紅細(xì)胞量(單位)、經(jīng)驗輸紅細(xì)胞量(mL)。預(yù)測結(jié)果分析包括推薦術(shù)后血紅蛋白(g/L)、預(yù)測輸紅細(xì)胞量(單位)、預(yù)測輸紅細(xì)胞量(mL)。醫(yī)生可綜合分析，選擇性調(diào)整術(shù)后血紅蛋白值，給予不同紅細(xì)胞用量。

(5)反饋記錄。預(yù)測紅細(xì)胞用量與實際值不符時，醫(yī)生記錄原因(如心功能不全、凝血障礙、高齡、相同部位既往再次手術(shù)等)，便于模型整改。

(6)效果評估。對患者實際用血量、檢查化驗、癥狀體征、輸血不良反應(yīng)等進(jìn)行綜合評估，對輸血效果進(jìn)行判斷。

3 運(yùn)行效果

因模型評價建立在歷史數(shù)據(jù)上，考慮到臨床工作實際，2019年7月-8月試運(yùn)行輸血輔助決策系統(tǒng)，對是否輸注紅細(xì)胞、紅細(xì)胞輸注量預(yù)測效果展開評價，評價指標(biāo)包括是否輸血準(zhǔn)確率、AI備血準(zhǔn)確率、輸血患者AI備血準(zhǔn)確率。判定準(zhǔn)確標(biāo)準(zhǔn)為實際輸血與預(yù)測輸血相差1U之內(nèi)。結(jié)果顯示，是否輸血準(zhǔn)確率達(dá) 88.51%，AI備血準(zhǔn)確率達(dá)93.24%，輸血患者AI備血準(zhǔn)確率達(dá) 86.96%。

4 討論

4.1 系統(tǒng)研發(fā)背景和必要性

血液是稀缺資源。世界衛(wèi)生組織認(rèn)為無償獻(xiàn)血人數(shù)占到國家總?cè)丝诘?%～3%才能滿足基本供血需求,我國無償獻(xiàn)血人數(shù)僅占總?cè)丝诘?.9%，存在血液來源嚴(yán)重不足的問題[1]。與此同時，醫(yī)療技術(shù)水平提高及醫(yī)療保障制度完善，使臨床用血量每年呈上升趨勢。血液供不應(yīng)求的矛盾日益嚴(yán)重。此外，臨床工作中輸血指征把握不嚴(yán)，現(xiàn)有行業(yè)規(guī)范和指南中沒有血紅蛋白介于60g/L～100 g/L患者的輸血決策。綜上，我國亟待推進(jìn)精準(zhǔn)化用血管理。國內(nèi)外已有學(xué)者嘗試將人工智能技術(shù)用于輸血領(lǐng)域。Jo C等應(yīng)用術(shù)前血紅蛋白、血小板值、手術(shù)類型、年齡、體重、抗凝藥使用六個術(shù)前變量，開發(fā)了基于機(jī)器學(xué)習(xí)算法的全膝關(guān)節(jié)置換術(shù)后輸血預(yù)測模型，預(yù)測術(shù)后輸血可能性，并為高?；颊咛峁┻m當(dāng)預(yù)防措施[2]。李杰等采用人工神經(jīng)網(wǎng)絡(luò)、極端梯度提升和Logistic回歸預(yù)測了再次剖宮產(chǎn)術(shù)中輸血[3]。利用智慧醫(yī)療，納入影響精準(zhǔn)用血因素，提供多因素關(guān)聯(lián)判斷，構(gòu)建輸血模型并不斷完善，最終建立精準(zhǔn)化用血管理決策平臺，可為衛(wèi)生健康行政部門及醫(yī)療機(jī)構(gòu)制定政策、血液量化和調(diào)劑管理提供參考，可為醫(yī)務(wù)人員提供臨床輔助決策依據(jù)，更能保障患者合理、公平、高效用血。

4.2 系統(tǒng)應(yīng)用注意事項

第一，智慧醫(yī)療平臺開發(fā)設(shè)計前需綜合考慮分析，確?；A(chǔ)環(huán)境、基礎(chǔ)數(shù)據(jù)庫群、軟件基礎(chǔ)平臺及數(shù)據(jù)交換平臺、綜合運(yùn)用及服務(wù)體系、保障體系等方面完備。如前期該院已搭建輸血全過程閉環(huán)管理平臺，實現(xiàn)了血液入庫→入庫復(fù)檢→入庫審核→交叉配血→血液發(fā)放→輸血過程記錄→不良反應(yīng)→血袋銷毀血袋閉環(huán)流轉(zhuǎn)，形成了臨床用血評估、標(biāo)本核收、鑒定、交叉配血、發(fā)血、核對、輸血過程、輸血后評估、輸血反應(yīng)判斷等信息反饋閉環(huán)，這為輸血輔助決策系統(tǒng)構(gòu)建用血效果評估模型和血站動態(tài)調(diào)配模型奠定了基礎(chǔ)[4]。

第二，要搜集豐富的輸血數(shù)據(jù)資源，引進(jìn)數(shù)據(jù)挖掘清洗技術(shù)，建立用血需求評估及療效評價數(shù)學(xué)模型。

第三，系統(tǒng)開發(fā)、實踐、改進(jìn)需管理者、臨床業(yè)務(wù)專家、數(shù)據(jù)分析統(tǒng)計專家、信息人員等共同參與。應(yīng)建立多方參與討論的質(zhì)控會，逐一查看預(yù)測不準(zhǔn)確的病歷，分析產(chǎn)生原因并針對性改進(jìn)。

第四，應(yīng)以輸血數(shù)據(jù)質(zhì)量為抓手，以輸血模型構(gòu)建為關(guān)鍵點，以輸血預(yù)測準(zhǔn)確為目標(biāo)。輸血數(shù)據(jù)來源廣，數(shù)據(jù)類型差異大。針對數(shù)據(jù)格式不規(guī)范、關(guān)鍵指標(biāo)(如手術(shù)名稱、術(shù)前術(shù)后血紅蛋白)缺失等問題，采用多重插值算法，利用輸血數(shù)據(jù)庫中無缺失數(shù)據(jù)計算統(tǒng)計分布多次插值填補(bǔ)，再從中篩選置信度最高的插補(bǔ)結(jié)果。針對數(shù)據(jù)偏差較大的問題，通過制定專家規(guī)則，將不符合規(guī)則樣本變成無標(biāo)簽數(shù)據(jù)，然后利用弱監(jiān)督學(xué)習(xí)，對這部分樣本迭代計算生成標(biāo)簽，再參與到模型中變成訓(xùn)練樣本。同時，為提高預(yù)測的準(zhǔn)確性，在平臺中添加手工錄入反饋信息，醫(yī)生對智能分析結(jié)果與實際結(jié)構(gòu)有出入的手工錄入進(jìn)行原因分析并反饋，幫助集成學(xué)習(xí)模型修正，寫入數(shù)據(jù)庫中持久化，待積累到一定量后重新訓(xùn)練模型，幫助模型更新迭代。