熱圖在醫囑干預中的應用

胡曦丹，龍旭，陸彥伶，白志玲，吳暉，高華

(昆明醫科大學附屬第一醫院藥劑科，昆明 650032)

隨著大數據時代的到來，人類社會已經進入信息時代；隨著自動化儀器的廣泛使用，越來越多的用戶行為信息被記錄下來[1]。生物醫學領域數據種類多、數量大、更新快，具備大數據的典型特征[2]。通過應用生物信息學技術進行大數據處理，理解隱藏在大數據里的生物學知識成為當前生物技術發展的迫切需求。傳統的基于文本的數據處理和展示模式已經嚴重制約了對于生命科學大數據的解讀，基于可視化技術的信息挖掘成為一種必需的解決途徑[3]，可幫助受眾分析、理解、記憶數據信息，進而發現隱藏的重要信息[4]。醫院擁有大量的數據資料積累，但大多仍沿用傳統的查詢、統計功能，結果也多以常見的柱狀圖 、曲線圖等展示，使數據以“可視化”的角度為管理決策所用的醫院并不多[5]。數據可視化是將不可見的、不能表達的數據，轉變為可以看到的，或大腦可以想象的圖形和圖像數據[6]。熱圖(Heatmap)是一種對三維數據進行二維呈現的可視化技術，通過不同顏色(或顏色深淺)來表示某一監測值的數量大小或事件發生頻率[7]。利用人們對于色彩天生敏感的特點[8]，將數據轉化為二維彩色視圖，使得數據分布與特點一目了然，便于區分和總結。筆者對熱圖特點和醫院藥師在藥學服務模式中最為重要的一部分——醫囑干預進行結合，以期通過將干預信息可視化來提高醫囑干預效率，從而有利于進一步提高臨床用藥的安全合理性。

1 資料與方法

1.1資料來源 收集某三甲醫院2016年1月1日—12月31日住院藥房對不合理醫囑干預情況，將不合理醫囑按照溶媒選擇不合理、劑量不合理、用法不合理、給藥途徑不合理、配伍禁忌、存在相互作用、重復用藥、無適應證用藥及其他等9個方面進行分類后，對各個科室相應干預次數進行總匯。

1.2方法 使用R語言(version 3.5.2)將所涉及科室與干預類型及所干預的頻次進行讀取后，按各個科室被干預頻率總量進行排序，將數據信息矩陣轉換后，采用heatmap()調用heatmap函數進行熱圖繪制[9-10]。納入14名藥師，男女各半，在測試者不知道測試對象(單盲)的情況下，對兩種數據表現形式進行數據讀取時間測試，以判斷熱圖優越性。

1.3統計學方法 采用SPSS19.0版軟件，連續變量采用非參數，Mann-WhitneyU檢驗，以P<0.05為差異有統計學意義。

2 結果

2.1一般資料 2016年1月一12月31日不合理醫囑干預共計2097條，涉及23個科室1976例住院患者，具體不合理類型及科室情況見表1。

將以上源數據進行對比篩選，通過對信息進行二次提取及篩選，得到以下最為明顯的不合理用藥信息，主要體現在臨床不合理用藥頻率較高的科室與類型方面，具體總結見表2。

表1住院藥房不合理醫囑干預情況條

科室溶媒劑量用法給藥途徑配伍相互作用重復用藥無適應證其他急診科563454141111510泌尿外科22399275320神經外科93525194113433神經內科164660280333133肝膽科323321342570微創科11422014113861骨科62557162132101器官移植科162320533100重癥監護室153938346211康復科1425013200兒科2779561271560耳鼻喉科1510303120呼吸科071100000胸外科819271313271產科8101611201010心外科128422208100腎內科18135111116710甲狀腺科9131011000心內科089100000血管科131919103200疼痛科71322102110運動科541308510婦科6136590800

表2 住院藥房醫囑干預主要問題匯總

2.2熱圖的實現 將以上數據通過R語言(version 3.5.2)，調用matrix <- data.matrix()函數進行矩陣轉換后制圖，以各科室被干預的不合理醫囑頻率總量高低為縱軸順序，以各類型不合理醫囑為橫軸進行熱圖繪制。結果見圖1，按干預強度的頻率高低，顏色由紫及藍，具體顏色對比見頻率強度條(熱圖右下角)。每一塊小圖代表某一科室存在某一不合理用藥類型的頻率強度。醫囑干預總計量維度可直接提取到各個科室不合理用藥情況嚴重程度，兒科、神經內科以及急診科分列前三位。圖中可見較為明顯的深紫色出現于兒科給藥途徑、神經內科藥物相互作用以及急診科溶媒選擇部分，說明三個科室在以上三方面存在著較為明顯的不合理用藥情況，其次婦科存在的配伍禁忌問題、耳鼻喉科存在的無適應證用藥問題、神經外科存在的重復用藥問題等都可直觀地從熱圖中獲取相關信息，同時顏色較深區域(見該熱圖頂部)為出現不合理醫囑較為頻繁區域，從熱圖上可知主要集中于兒科、神經內科和神經外科，幾個科室值得藥學人員重點關注和干預，有待進一步與臨床溝通以規范相關科室用藥。

2.3熱圖提高醫囑干預效率 將數據表格型醫囑干預與熱圖醫囑干預結果進行對比，要求14名藥師以最快速度給出設定題的答案。測試后平均時間見表3。熱圖組平均時間4.61 s，顯著短于常規表格組7.59 s，且兩組差異有統計學意義(P<0.01)，可見熱圖可以明顯縮短藥師醫囑干預總結時間，提高工作效率。

3 討論

從結果數據可知，醫囑干預總計量這一維度可直接提取到各個科室不合理用藥情況嚴重程度，兒科、神經內科以及急診科分列前三位。對熱圖和常規表格進行數據提取速度測試，結果顯示，熱圖組顯著快于常規表格圖，有顯著優勢?？紤]兒童用藥劑量標準的缺失，神經內科疾病藥物選擇的復雜性以及急診科醫療急、快、病情復雜等特點，三科室不合理用藥情況較為明顯。其中兒科主要出現用量、用法及給藥途徑不合理現象，一方面考慮兒童用藥劑量用法尚無具體可循的標準，從而導致易出現不合理用藥，同時不排除部分新用法超過藥師知識范圍。神經內科用藥不合理主要集中于藥物相互作用、重復用藥等方面，考慮神經內科疾病特殊性，如癲、卒中等，抗癲藥本身與多種藥物存在相互作用，如不多加注意調整劑量，極易出現藥物不良反應，同時治療神經內科疾病的中成藥也較多，但成分多有重復，疊加使用可能會導致不良后果。急診科由于起病較急，疾病情況難以把控，用藥復雜，所以不合理用藥常常出現在溶媒選擇方面。結合上述問題，建議藥師在加強用藥監管的同時，加強自身業務學習，以便更好地為臨床提供藥學服務。

圖1 住院藥房醫囑干預熱圖

表3醫囑干預結果識別速度s

類型問題1問題2問題3平均時間表格7.156.778.847.59熱圖4.673.615.544.61*1

與表格比較，*1P<0.01

筆者首次嘗試將熱圖的數據可視化技術運用到醫院藥學服務模式，顯示了熱圖的優勢，同時還存在有待解決的問題。通過將藥學工作人員日常核心工作，即醫囑審核及不合理處方干預過程中所產生的大量具有重要臨床意義的醫學數據進行可視化轉換，將需若干步完成的數據處理簡化為一步。研究表明，使用統計分析及可視化工具可以更直觀地提取有效數據，探索未知信息[11]。通過熱圖數據可視化轉換之后，藥學人員可更為直觀地在短時間發現醫囑干預中最為顯著的問題，如從熱圖上可知主要集中于兒科、神經內科和神經外科，幾個科室值得藥學人員重點關注和干預，有待進一步溝通以規范相關科室用藥。

國內目前對于熱圖的應用較少，尤其是在醫學數據的挖掘和呈現中，但隨著大數據時代的到來，大量的高質量且具有潛在意義的信息需要有效挖掘，熱圖作為比較合適的可視化工具，是對大量醫學相關生物數據進行探索性分析的有效途徑，可表達豐富的信息，并為隨后的深入挖掘提供線索，其在醫療衛生領域將具有廣泛的應用前景[12]。醫囑干預為當代藥師處方審核中最為重要的一個部分，對于促進臨床合理用藥，保障藥物使用的安全、有效及合理方面有著至關重要的作用[13]。在此過程中產生的大量干預數據，對于藥師分析、總結、發現臨床合理用藥問題以及對臨床進行溝通反饋都有較為重要的意義。藥師嚴格審核處方，可提高處方質量，避免用藥錯誤帶來的后患，保證患者用藥安全，減少醫療事故及糾紛[14]。

醫學數據與計算機技術相結合，可提供豐富的信息，幫助使用者做出正確的判斷和決策，同時對于提高臨床診療率[15]也有一定效果。將醫囑干預大量繁復冗雜的數據信息轉化為可視化的熱圖，可簡化審方藥師工作流程，縮短數據分析時間，提高工作效率，在總結醫囑干預結果及反饋臨床用藥不合理問題方面有著較為明顯的優勢。然而，在兩者結合過程中，熱圖還存在一定的問題，如在變量定性方面優勢較強，在定量方面還需結合具體數據以及需要借助一定軟件如R語言等進行編程處理才可得以實施，在開發生物大數據的可視化工具時，需要盡可能提高軟件或平臺的易用性，充分考慮用戶的體驗度，提供友好的交互界面[16]。隨著科技發展及信息完善，相信熱圖在醫學、經濟、文化以及政治等方面將會大有作為，最終實現將可視化由計算機為中心發展為以人為中心的轉變[17]。