醫學生物學案例庫構建及作用

李敏 王梓豪 賀繼剛

摘要：醫學案例庫是對醫學信息“大數據”的整理、歸納。通過不同的邏輯算法，將醫學“大數據”電子化。本文通過對醫學生物學“大數據”的整理、收集而介紹目前國內外醫學、生物學案例庫的構建特點及作用，對醫學案例庫的構建及作用進行展示。

關鍵詞：案例;大數據;醫學案例庫

中圖分類號：G642? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：B? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?DOI：10.3969/j.issn.1006-1959.2020.22.002

文章編號：1006-1959（2020）22-0005-05

Construction and Function of Medical Biology Case Library

LI Min，WANG Zi-hao，HE Ji-gang

（Cardiovascular Surgery，the Affiliated Hospital of Kunming University of Science and Technology/the First People's Hospital of Yunnan Province，Kunming 653200，Yunnan，China）

Abstract：Medical case library is the collation and induction of "big data" of medical information. Through different logic algorithms， "big data" will be electronic. This paper introduces the characteristics and functions of medical and biological case databases at home and abroad through the collation and collection of "big data" in medical biology. To demonstrate the construction and function of medical case base.

Key words：Case;Big data;Medical case library

案例是“案例實例”的意思，必須是“具體情境下發生的典型案例”。案例學習的意義在于通過展現層次豐富、角度不同，彼此之間有密切邏輯關系的事實，回答“為什么”和“怎么樣”的問題，而不是對“應該是什么”之類的問題做出直接判斷。通過不同邏輯算法構建不同類型的案例庫，可以使醫學生物學研究“有據可查、有據可依”，也能夠加強科研能力，是一個準確、有效的復雜過程，也是形象生動的代表物，具有方法論意義。本文通過介紹目前國內外已構建醫學、生物學案例庫的特點、作用，旨在提示廣大醫務工作者采用案例庫對醫學“大數據”進行信息挖掘，從而提高醫療質量的統一性、一致性。

1醫學數據庫內案例的本質

醫學數據庫內案例的本質就是“大數據”，即將海量的醫學信息長期存儲在計算機內的、有組織的、可共享的并統一管理的大量數據的集合。醫學數據庫的建立既能夠改善傳統醫學文檔存儲方式的冗余和不易查找的問題，又能夠維護醫學文檔的統一性和權威性。“大數據”一詞涵蓋了多種學科和應用，是采用不同統計、計算方法進行數據的歸類、整理[1]。醫學科學的“大數據”必須涉及到不同類型患者的特征、時間結構、治療信息。盡管一些常規的統計方法已經滿足了這些要求，并且已經應用于醫學科學領域，但是開發更適當的方法來進行自動模式的識別仍有很大的潛力。這些尚待開發的方法或許將會證明對復雜性大數據應用程序更為有用。盡管很難通過大數據方法獲得無偏差的結果，但大數據方法仍然具有很大希望為醫學提供有益的補充信息。例如一家典型的醫院在患者護理過程中每年可生成數百TB的數據（1 TB=1012字節），每位患者可產生5 GB（1 GB=109字節）數據[2]。若單純使用計算機科學和傳統的統計工具已經很難完成對這些大量信息的分析任務，也就是說很難對數據進行組織和描述，以及得出科學上有效的結論。這就需要對患者的大量數據進行復雜的分析和統計，以此可以優化計算時間來避免超出可用存儲容量。

對“大數據”的分析可以結合網絡，如在Google流感趨勢項中，使用Google搜索的某些字詞的頻率可以預測許多國家或者地區在其區域范圍內的流感活動趨勢。這些地區有關“流感”的出版物表明，使用Google搜索字詞頻率等相關數據可以準確預測流感趨勢。相反，傳統方式獲取數據會麻煩得多[3]。通常，采用Google搜索可以創造出對流感趨勢快速反應的可能性，這被認為是“大數據+互聯網”的成功應用。

采用醫學“大數據”建立醫學“數據庫”已成為目前世界范圍內的趨勢。醫學數據庫中各種數據整理技術的引入，能夠極大程度的節省醫學數據存儲的空間、更好的保護患者的隱私、進一步實現各個不同單位間的資源共享、更細致地整合互聯網的各種醫學資料以及更加快捷地檢索各種信息，從而給醫學工作者帶來極大的便利[4]。以下介紹當前醫學生物學領域內具有代表性的生物醫學數據庫的構建及作用。

2國、內外流行的醫學生物學案例數據庫

2.1重癥醫學醫療數據庫? 目前重癥監護數據庫中最主要的數據庫為：MIMIC-Ⅲ數據庫。據Johnson AE等報道[5]，MIMIC-Ⅲ是一個大型的單中心數據庫，該數據庫收集了大型三級醫院重癥監護病房收治患者有關的信息。所搜集的數據包括生命體征、醫護人員記錄的病歷、實驗室檢驗結果、影像報告、診斷代碼、住院時間、生存數據等。該數據庫可應用于多種方面，包括學術和工業研究、高等教育課程等。在數據被納入MIMIC-Ⅲ數據庫之前，首先根據《健康保險可移植性與責任法案》（HIPAA）標準，先使用結構化數據清理及日期轉移兩大手段對數據進行識別[5]。結構化數據的去識別化過程需要刪除HIPAA中列出的所有十八個標識數據元素，包括諸如患者姓名、電話號碼、地址、日期之類的字段。特別是，為了保持時間間隔，每個患者以相同的方式通過隨機偏移將日期移到未來，從而使其在2100到2200年之間的某個時間發生停留。一天中的某個時刻、一周中的某天以及大致季節等，在日期轉換期間被保留了下來。比如89歲以上患者的出生日期被更改，以掩蓋其真實年齡來符合HIPAA規則：這些患者出現在數據庫中其年齡可能超過300歲。通過使用經過嚴格評估的去識別化系統（該系統基于廣泛的字典查找和帶有表達式的模式匹配），從自由文本字段（如診斷報告和醫師說明）中刪除了受保護的健康信息[6]。隨著新數據的獲取，該身份識別系統的組成部分將不斷擴展。

MIMIC數據模型的開發需要做到在簡單的講解說明與接近事實間取得平衡。一般使用ADMISSIONS、PATIENTS、ICUSTAYS、 SERVICES、TRANSFERS五個表格來定義和跟蹤患者住院時間。? ? ?此外，五個表是針對其各自定義進行交叉引用的字典代碼：D_CPT、D_ICD_DIAGNOSES、D_ICD_PROCEDURES、D_ITEMS、和D_LABITEMS。其余表包含與患者護理相關的數據，例如生理測量，護理者觀察和結算信息[5]。在某些情況下，例如D_ICD_PROCEDURES表和CPTEVENTS表都包含與過程有關的詳細信息，并且可以合并使用，似乎可以將表合并。因為數據源有很大的不同，Johnson AE等[5]采用是保持表的獨立性的方法，建議研究人員開發適當的數據庫視圖，并進行轉換，而不是在MIMIC數據模型中組合。MIMIC數據庫的文檔可在線獲得。內容正在不斷開發中，其中包括使用MIMIC進行的一系列研究。該網站具有允許研究社區通過GitHub直接提交更新和改進的功能[7]。

2016 年，美國科研團隊在其原有 MIMIC-Ⅱ數據庫基礎上進一步改進升級，成功建立了 MIMIC-Ⅲ數據庫，包含 52423 例次就診于波士頓貝斯醫療中心各重癥加強治療病房（ICU）的危重癥患者信息，也是目前世界上少數可免費使用的高質量數據庫之一[7]。MIMIC-Ⅲ數據庫所包含的數據來源于在各重癥 ICU 接受治療的患者，為進行重癥醫學領域的科學研究提供了條件。

2.2歐洲EpiCom基于網絡的炎癥性腸病流行病學數據庫? 歐洲流行病學委員會（EpiCom）基于網絡的研究（EpiCom，www.epicom-ecco.eu）在2006年至2010年期間建立了基于網絡的炎癥性腸病流行病學數據庫。數據庫建立是為了更好地確定炎癥性腸病（IBD）與環境因素的關聯機制、并確定跨國環境中新的危險因素[8]。基于Web的EpiCom數據庫應用程序是在丹麥克羅恩結腸炎數據庫（DCCD）（www.dccd-ibd.dk）的基礎上設計的，其主要目標是成為一個流行病學數據庫，更側重于學術性和流行病學內容，而不是臨床適用性[8]。該數據庫用于EpiCom項目中使用的各種表格可在線注冊。為了能夠跟蹤和記錄該項目中所包括患者的臨床病程，該數據庫圍繞9種臨床方案建立，涵蓋了該病程的所有方面。進入方案包括診斷標準方案，診斷標準方案中包含有關診斷、疾病程度和行為、進行的檢查、患者人口統計學的數據。每次患者就診時使用的方案包括疾病活動方案、用于血液分析登記的血樣方案（包括維生素D）、有關自上次就診以來發生的疾病狀況、治療和檢查的臨床評估方案。該數據庫在所使用的方案中進行了內置的控制和驗證測試，從而確保避免數據丟失和數據前后矛盾。EpiCom數據庫不允許輸入無效數據，特別是不能滿足CD和UC哥本哈根診斷標準要求的患者數據[8]。為確保患者數據匿名，EpiCom數據庫僅按出生日期和唯一的患者ID號注冊患者信息。患者ID由五個元素組成：包含出生日期（六位數）;性別（男/女）;中心號碼（三位數）;和國家/地區號碼（三位數）。EpiCom數據庫創建了一個驗證方案用于數據庫驗證。驗證方案包含有關數據庫的一般用途、時間消耗、總體印象和滿意度、數據庫中使用的問卷和方案的相關性和適用性的問題。EpiCom研究于2010年1月1日至2010年12月31日時期內，在西歐和東歐的地理區域內，創建了一個新的具有前瞻性、統一診斷、基于人群的入組隊列，其均為IBD患者。隨訪期（FU）持續到2011年12月31日。在歐洲，科學家們將首次描述歐洲不同地理區域之間的差異，并證明生活方式對IBD發病率的影響。來自23個國家或地區的34個代表為成年醫生和兒科醫生，他們分別來自15個西歐國家或地區、8個東歐國家或地區、及一個亞洲國家（中國武漢市）[8]。

EpiCom研究的總體目標是調查歐洲國家IBD發病率是否存在東西國家的方向梯度，此外，IBD發病率是否與環境暴露差異相關。丹麥的HD-support LLC使用了大約兩年的時間進行了基于Web的EpiCom數據庫應用程序的開發。數據庫的構建需要HD支持、需要項目指導小組就數據庫的內容和結構進行一系列訪談、需要就所構建原型的初始功能列表達成一致[8]。為此項目創建了一個網站www.epicom-ecco.eu，該網站允許訪問數據庫、包含聯系信息和EpiCom項目協議，世界上任何人都可以使用該協議以提高透明度。此外，在網站首頁上創建了一個包含表，該表顯示數據庫中當前患者數量以及每個參與中心的發生率[8]。為了描述東歐和西歐國家的醫療質量，EpiCom數據庫開發了一份特別針對醫師背景、IBD醫師教育、患者治療信息水平、藥物不良事件監測和結腸直腸癌監測的問卷。

2.3 CardioTF數據庫? CardioTF數據庫是為了創建心血管基因調控的綜合數據源，并促進對基因組數據的更深入了解。該數據庫的目的是整理有關心血管轉錄因子（TF）、位置權重矩陣（PWM）和增強子序列的信息[9]。心臟病是嬰兒和成人發病和死亡的主要原因之一[10，11]。由于需要對先天性心臟病（CHDs）病因進行深入研究，因而必須對心臟轉錄因子（TFs）突變進行鑒定[12]。另一方面，已經發現某些成人心臟病的發生是基因調控序列的變化所致[13]。因此，了解TF及其下游靶標以及參與心臟發育的調控基因組序列將增進我們對心臟病的了解。利用心臟TF來探明與心血管發育相關的所有轉錄信息是一種生物治療項目，記錄了跨物種的TF、PWM文件和增強子信息，包括蒼蠅、海鞘、魚、青蛙、雞、小鼠和人類，并且CardioTF數據庫具有一個即時搜索引擎來查詢相關信息[9]。除了可以查詢數據以外，使用Na？觙ve-Bayes方法來識別核心的心臟TF，可將其用作路線圖，來進一步了解涉及心臟發育基因調控網絡的增強子。心臟TFs先前被定義為心臟基因表達的調控因子，可以影響心臟的發育過程，特別是心肌的發育和維持。在CardioSignal數據庫中，還對促進心肌細胞基因表達的心臟特異性增強子進行了比較。心臟特異性轉錄因子被定義為調節心肌基因表達的基因。在發育過程中，心臟由三層組成心肌層、心外膜層和心內膜層。此外，至少有四種心臟特異性細胞系被鑒定，包括心肌細胞、內皮細胞、心外膜細胞和成纖維細胞，后者主要由心外膜細胞經上皮向間質轉化（EMT）而來[14]。CardioTF數據庫提供了一個框架，用戶可以在該框架中查詢跨物種的各種TF的同源性信息，以及來自高通量ChIP-seq數據與TF和增強子相對應的PWM信息[15]。心臟增強子和TFs的篩選有助于今后構建轉錄網絡[15]。目前，Sperling組或Pu組的方法僅基于ChIP-seq數據報告了三到四個TFs[16]。其他基因組生物學家試圖在基因組規模上尋找心臟增強子的類似方法也已在其它地方進行了綜述[17，18]。但是，從這些研究中獲得的信息遠低于我們對這些核心心血管TF的了解，而這些核心TF有多種來源支持其在心血管發展中的作用。

2.4日本康復營養數據庫據? Takasaki M等[19]報道，日本康復營養數據庫是一個為康復營養方面觀察性研究提供個案登記的數據庫，從普通病房收集有關老年患者肺炎的數據，從康復病房收集有關中風和髖部骨折的數據。其建立是為推進日本康復營養的臨床研究，而建立了康復營養數據庫并評估其質量。康復營養數據庫是一個基于Web的注冊表數據庫。該數據庫總體目標如下：①發表有關康復營養的臨床研究，這將有助于改善世界范圍內康復醫學的質量;②收集與康復營養相關的政策建議;③為康復營養協會的成員提供研究機會[19];④在創建此數據庫時，選擇要收集的數據項很重要[20]。日本康復數據庫（JRD）是針對康復醫學研究，并且使用JRD的英文論文數量正在增加[21-25]。該數據庫項目的具體目標如下：①從每個機構收集數據并建立有關康復營養的病例注冊數據庫;②根據參與機構的需求提供有關收集的數據信息;③允許每個機構將數據用于臨床研究目的。

數據庫在構建時需要特殊變量的數據則不可避免地會導致數據丟失，并降低所收集數據的質量[19]。電子數據捕獲（EDC）是臨床研究數據的電子收集系統，是實現高質量數據管理必不可少的工具[26]。EDC的優點包括易于清理數據和實時監視數據。許多EDC系統都很昂貴，但是近年來，已經開發出了低成本高效益且易于使用的EDC。研究電子數據捕獲（REDCap）被列為世界標準醫學研究EDC[26]。該EDC由范德比爾特大學開發，其源代碼是免費提供的。目前，全世界有超過130000個REDCap項目正在進行中。使用REDCap，即使用戶不是數據管理專家，也可以在Web上以低成本構建和輕松管理數據庫[19]。REDCap的用戶支持最近已在日本啟動，例如，日本康復營養研究小組已經提出將REDCap作為注冊表數據庫的EDC的應用程序。數據庫用戶可以使用用戶名和密碼從任何地方登錄系統。康復營養數據庫是使用REDCap構建的Active Server網頁。可以將輸入項目制作為案件登記畫面上的列表。參加機構包括日本康復營養協會成員所屬的綜合醫院病房和康復病房。

該數據庫具有三個主要數據輸入頁面（基本信息、住院期間的輸入項和出院時的輸入項），并且在注冊數據庫項目時會收集每個機構的信息并將其注冊為附錄。所有數據收集表格和數據報告都將自動分配一個REDCap ID。與傳統的康復數據庫不同，該數據庫包含特定的營養評估項目，例如吞咽功能、飲食形式、營養攝入以及其他相關康復變量。通過利用該數據庫，可以進行康復營養的研究，并且有可能在將來可將其結果提供給臨床用于臨床研究及實踐。

2.5首都醫科大學附屬北京安貞醫院心外科術后隨訪數據庫? 北京安貞醫院心外科術后隨訪數據庫旨在構建新型、雙向交互式、遠程醫療隨訪平臺，完善心臟術后臨床數據的收集，并為患者提供可靠優質的隨訪服務。研究人員運用現代通信、計算機及網絡技術，開發與移動網兼容的隨診數據庫及軟件，以術后隨訪率、術后重要指標的隨訪質量，作為評估隨訪系統的標準[27]。該數據庫在以下方面取得成功：①通過隨訪宣教、不斷更新醫患問答，提高患者的健康意識;②為每位患者定制個性化隨訪單，內置個性化隨訪問卷及定期復查周期，系統的自動判斷、提醒、及動態比較功能，將有助于患者自測及術后調整;③作為健康檔案，記錄了患者的基本信息及術后的動態變化，方便以后就診;④系統所有的判斷、回復都來源于網絡內置程序，減少了人力、時間成本，并盡可能的規避了醫療風險。

2.6北京解放軍總醫院急診科急救數據庫? 北京解放軍總醫院急診科急救數據庫旨在建立急救患者多病種數據庫，為研究急救領域臨床科研問題提供基于“真實世界”的數據信息[28]。趙宇卓等研究顯示，該院從解放軍總醫院的醫院信息系統（HIS）、實驗室信息系統（LIS）、急診專科系統、急診護理系統及床旁監護設備內，提取2014年1月至2018年1月在急診科就診患者的結構化和非結構化信息，通過建立表單、編寫代碼建立數據庫，并對數據進行處理，初步建立了單中心數據庫，即急救數據庫。

3總結

醫療大數據庫建設及數據分析技術正在深刻地改變著傳統的生物醫學研究、臨床診療、衛生管理、醫學衛生人才培養模式，并已成為大樣本、大數據臨床研究、個性化診療、精準醫療、疾病監測預警、衛生經濟評價、政府政策評估、新藥研制等醫學科技新進展的重要支撐手段。現有數據庫中收集的信息的質量和廣度在各數據庫之間、各機構之間以及國界之間差異很大。近年來，隨著各大醫院的信息化飛速發展，大多數醫療機構的各項醫療數據總量呈“爆發”式增加。數據的類型多種多樣，除醫療機構收集的數據外，還有基因組學數據、公共衛生領域大數據等呈現迅速增長趨勢。這些都為我們在有限條件下，利用現代技術在各個醫學領域開發全面而準確的數據庫提供了可能。

參考文獻：

[1]Binder H，Blettner M.Big Data in Medical Science-a Biostatistical View[J].Dtsch Arztebl Int，2015，112（9）：137-142.

[2]Sejdic E.Adapt current tools for handling big data[J].Nature，2014，507（7492）：306.

[3]Ginsberg J，Mohebbi MH，Patel RS，et al.Detecting influenza epidemics using search engine query data[J].Nature，2009，457（7232）：1012-1014.

[4]鄧悟，鄧波，廖燈彬，等.醫學數據庫應用的實踐前景[J].華西醫學，2009（3）：737-738.

[5]Johnson AE，Pollard TJ，Shen L，et al.MIMIC-Ⅲ，a freely accessible critical care database[J].Sci Data，2016，24（3）：160035.

[6]Neamatullah I，Douglass MM，Lehman LW，et al.Automated de-identifification of free-text medical records[J].BMC Med Inform Decis Mak，2015，8（2）：1-32.

[7]Johnson AEW，Pollard TJ，Shen L，et al.MIMIC-，a freely accessible critical care database[J].Scientific Data，2016，3（4）：160035.

[8]Burisch J，Cukovic-Cavka S，Kaimakliotis I，et al.Construction and validation of a web-based epidemiological database for inflammatory bowel diseases in Europe An EpiCom study[J].J Crohns Colitis，2017，5（4）：342-349.

[9]Zhen Y，CardioTF.A database of deconstructing transcriptional circuits in the heart system[J].Peer J，2016（4）：e2339.

[10]van der Linde D，Konings EE，Slager MA，et al.Birth prevalence of congenital heart disease worldwide：a systematic review and meta-analysis[J].J Am Coll Cardiol，2011，58（21）：2241-2247.

[11]Celermajer DS，Chow CK，Marijon E，et al.Cardiovascular disease in the developing world： prevalences，patterns，and the potential of early disease detection[J].J Am Coll Cardiol，2015，60（14）：1207-1216.

[12]McCulley DJ，Black BL.Transcription factor pathways and congenital heart disease[J].Curr Top Dev Biol，2015，100（7）：253-277.

[13]Smith JG，Newton-Cheh C.Genome-wide association studies of late-onset cardiovascular disease[J].J Mol Cell Cardiol，2015，83（3）：131-141.

[14]Evans SM，Yelon D，Conlon FL，et al.Myocardial lineage development[J].Circ Res，2010，107（12）：1428-1444.

[15]He A，Kong SW，Ma Q，et al.Co-occupancy by multiple cardiac transcription factors identififies transcriptional enhancers active in heart[J].Proc Natl Acad Sci U S A，2017，108（14）：5632-5637.

[16]Schlesinger J，Schueler M，Grunert M，et al.The cardiac transcription network modulated by Gata4，Mef2a，Nkx2.5，Srf，histone modififications，and microRNAs[J].PLoS Genet，2011，7（2）：e1001313.

[17]Wamstad JA，Alexander JM，Truty RM，et al.Dynamic and coordinated epigenetic regulation of developmental transitions in the cardiac lineage[J].Cell，2012，151（1）：206-220.

[18]Wamstad JA，Wang X，Demuren OO，et al.Distal enhancers：new insights into heart development and disease[J].Trends in Cell Biology，2014，24（5）：294-302.

[19]Takasaki M，Momosaki R，Wakabayashi H，et al.Construction and Quality Evaluation of? the Japanese Rehabilitation Nutrition Database[J].J Nutr Sci Vitaminol（Tokyo），2018，64（4）：251-257.

[20]Hada T，Momosaki R，Abo M.Impact of orthotic therapy for improving activities of daily living in individuals with spinal cord injury：a retrospective cohort Study[J].Spinal Cord，2018，56（8）：790-795.

[21]Sawaguchi A，Momosaki R，Hasebe K，et al.Effectiveness of preoperative physical therapy for older patients with hip fracture[J].Geriatr Gerontol Int，2018，18（7）：1003-1008.

[22]Kinoshita S，Momosaki R，Kakuda W，et al.Association between 7 days per week reha bilitation and functional recovery of patients with Acute stroke：a retrospective cohort study based on the Japan Rehabilitation Database[J].Arch Phys Med Rehabil，2017，98（4）：701-706.

[23]Momosaki R，Kakuda W，Yamada N，et al.Impact of board-certificated physiatrists on rehabilitation outcomes in elderly patients after hip fracture：An observational study using the Japan Rehabilitation Database[J].Geriatr Gerontol Int，2016，16（8）：963-968.

[24]Momosaki R，Abo M，Watanabe S，et al.Effects of ankle-foot orthoses on functional recovery after stroke：a propensity score analysis based on Japan Rehabilitation Database[J].PLoS One，2015，10（4）：e0122688.

[25]Kinoshita S，Kakuda W，Momosaki R，et al.Clinical management provided by board-certificated physiatrists in early rehabilitation is a significant determinant of functional improvement in acute stroke patients：a retrospective analysis of Japan rehabilitation database[J].J Stroke Cerebrovasc Dis，2015，24（5）：1019-1024.

[26]Harris PA，Taylor R，Thielke R，et al.Research electronic data capture（REDCap）-a metadata-driven methodology and workflow process for providing translational research informatics support[J].J Biomed Inform，2009，42（2）：377-381.

[27]焦玉清，王堅剛，張海波，等.心臟外科術后隨訪數據庫的建立及完善[J].中國醫院管理，2015，35（3）：53-55.

[28]趙宇卓，王俊梅，潘菲，等.急救數據庫建設初探[J].中華危重病急救醫學，2018，30（6）：609-612.

收稿日期：2020-07-21;修回日期：2020-08-09

編輯/宋偉

基金項目：1.國家自然科學基金（編號：81460073、82060299）;2.云南省科技廳-昆明醫科大學應用基礎研究聯合專項[編號：2014FB089，2019FE001（-120）];3.云南省教育廳科學研究基金（編號：2015Z051）;4.中國博士后科學基金（編號：2015M582764XB）;5.成都醫學院2015年度科研項目（編號：CYZ15-18）;6.云南省醫學后備人才（編號：H-201607）;7.云南省萬人計劃青年拔尖人才（編號：Y-q201932）;8.云南省專業學位研究生教學案例庫建設項目（編號：YJS-SJ-02）;9.云南省高層次衛生健康技術人才培養專項經費資助（編號：D-2019020）

作者簡介：李敏（1992.5-），男，湖北黃岡人，碩士，住院醫師，主要從事醫學信息分析研究

通訊作者：賀繼剛（1980.3-），男，云南昆明人，博士，副主任醫師，主要從事醫學信息分析研究