輸血輔助決策系統構建與應用效果分析*

——沈 鑫 陳 航 黃 波 楊江存*

“互聯網+醫療健康”戰略背景下，智慧醫療迅速發展。基于人工智能將醫院信息與臨床實踐集成，根據醫學專業知識和經驗推理判斷，經機器深度學習分析后生成個體化評價建議的臨床輔助決策系統。陜西省人民醫院利用電子病歷采集患者就診信息和臨床輸血數據，分析影響紅細胞輸注的各項參數，經計算機深度學習后構建輸血輔助決策系統，建立精準化用血管理決策平臺，為安全、合理、高效輸血提供了保障。

1 系統構建

輸血輔助決策系統設計主要包括四部分，見圖1。

圖1 輸血輔助決策系統設計思路

1.1 用血信息數據庫

依托HIS、LIS、輸血管理平臺、手術麻醉管理系統等，采集醫院申請用血、發血歷史數據與用血相關數據，通過自然語言處理、數據集成、數據清理、數據變換、數據歸約等，生成輸血信息數據庫。數據庫可查詢數據，用于實時統計分析，實現用血預測、評估和動態決策。

1.2 用血智能評估模型

針對擇期手術、內科治療、急診創傷等三種不同目的的用血，分別構建模型。以擇期手術為例：利用數據庫中患者基本情況(年齡、性別、身高、體重、疾病診斷、合并癥與并發癥等)、檢查化驗(血常規、凝血指標、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)、手術信息(手術名稱、手術級別、緊急程度、手術者、手術次數、手術開始時間、手術備血量等)、實際輸注情況(有無自體輸血、實際輸注量、紅細胞保存天數等)，訓練機器學習模型，對患者的失血量及合理用血量進行預測。實際應用中，更新跟蹤模型，收集醫生反饋信息，針對與預測不一致情況進行訪談，從中提取更多特征，結合前期預測積累數據對模型進行校準，同時生成統計數據。利用長短式記憶網絡LSTM及貝葉斯算法，將用血信息數據庫中的自然語言序列數據進行鏈式遞歸。通過持續使用-反饋、輸入-輸出對用血智能評估模型進行調整，助力精準化決策評判。

1.3 用血效果評估模型

用血效果評估采用大數據訓練模型和專家標注相結合方式進行。1.3.1 標注 開始階段，通過查閱文獻以及咨詢專家意見(如不同年齡組的術后血紅蛋白閾值)，篩選正常數據，標注數據，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)，保證使用合理數據，同時適應多種不同情況。

1.3.2 分類 將擇期手術、內科治療、急診創傷分為急診用血、非急診用血兩大類，使用無監督學習方法進行數據聚類，將用血數據進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，進一步確定各個類別的評價規則。通過機器學習，進一步整合數據，提供更有效的數據，進行子類型細分，篩選典型數據，簡化工作量，同時挖掘未被發現的隱性特征。

1.3.3 機器學習訓練 通過以下兩種訓練評估模型展開。訓練評估模型一：將用血智能評估模型數據與真實用血數據進行對比，對用血進行評價。訓練評估模型二：擇期手術者計算患者失血量(患者基本信息、手術信息、檢驗信息等)，內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)，急診創傷者計算患者創傷緊迫程度(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，計算權重，評價輸血必要性。

1.3.4 專家與機器學習模型結合 使用模型聚合方式，將機器學習訓練及專家規則相結合，進行更有效、更精準的評價。如果在某一個類別中出現大量專家規則與模型評價不一致，與專家展開討論，不斷調整，達到精準用血目的。

1.4 血站動態調配模型

根據醫院歷史用血數據，利用時間序列分析法，對歷史數據整體均值、整體趨勢、季節性及序列臨近值進行分析。按指數規律遞減原理，賦予離預測值較近觀測值較大權數，離預測值較遠觀測值較小權數，根據預測值與觀測值之間的時間長短確定預測值可靠性，使預測值既能反映最新數據又能呼應歷史數據，從而使預測結果更符合未來時間段醫院用血實際。利用智慧醫療連接醫院與血站，對血站庫存、醫院庫存、醫院預測用血量、醫院用血需求評分進行及時動態評估，更好地解決臨床用血調配問題。

2 系統應用

系統架構分為四層，分別為數據生產層、數據接口層、數據管理層和決策應用層，見圖2。系統通過Web Service方式實時獲取患者輸血相關數據，作為輸入提交到人工智能模型進行用血量預測，然后將預測結果通過Web Service方式返回醫生工作站。

圖2 系統架構

(1)用戶登錄。按管理者、使用者、維護者等不同類型分設權限，保障信息共享專一性，確保數據安全。

(2)選擇觸發。選擇輸血目的(術前備血、搶救用血、術中輸血、糾正貧血、改善血氧狀態、補充凝血因子、預防出血、糾正血小板異常等)和血液成分 “紅細胞類”字樣，自動觸發預測模型。

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

(4)選擇調整。點擊預測詳情，顯示經驗與預測結果。經驗結果分析包括經驗術后血紅蛋白(g/L)、經驗輸紅細胞量(單位)、經驗輸紅細胞量(mL)。預測結果分析包括推薦術后血紅蛋白(g/L)、預測輸紅細胞量(單位)、預測輸紅細胞量(mL)。醫生可綜合分析，選擇性調整術后血紅蛋白值，給予不同紅細胞用量。

(5)反饋記錄。預測紅細胞用量與實際值不符時，醫生記錄原因(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、輸血不良反應等進行綜合評估，對輸血效果進行判斷。

3 運行效果

因模型評價建立在歷史數據上，考慮到臨床工作實際，2019年7月-8月試運行輸血輔助決策系統，對是否輸注紅細胞、紅細胞輸注量預測效果展開評價，評價指標包括是否輸血準確率、AI備血準確率、輸血患者AI備血準確率。判定準確標準為實際輸血與預測輸血相差1U之內。結果顯示，是否輸血準確率達 88.51%，AI備血準確率達93.24%，輸血患者AI備血準確率達 86.96%。

4 討論

4.1 系統研發背景和必要性

血液是稀缺資源。世界衛生組織認為無償獻血人數占到國家總人口的1%～3%才能滿足基本供血需求,我國無償獻血人數僅占總人口的0.9%，存在血液來源嚴重不足的問題[1]。與此同時，醫療技術水平提高及醫療保障制度完善，使臨床用血量每年呈上升趨勢。血液供不應求的矛盾日益嚴重。此外，臨床工作中輸血指征把握不嚴，現有行業規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，我國亟待推進精準化用血管理。國內外已有學者嘗試將人工智能技術用于輸血領域。Jo C等應用術前血紅蛋白、血小板值、手術類型、年齡、體重、抗凝藥使用六個術前變量，開發了基于機器學習算法的全膝關節置換術后輸血預測模型，預測術后輸血可能性，并為高危患者提供適當預防措施[2]。李杰等采用人工神經網絡、極端梯度提升和Logistic回歸預測了再次剖宮產術中輸血[3]。利用智慧醫療，納入影響精準用血因素，提供多因素關聯判斷，構建輸血模型并不斷完善，最終建立精準化用血管理決策平臺，可為衛生健康行政部門及醫療機構制定政策、血液量化和調劑管理提供參考，可為醫務人員提供臨床輔助決策依據，更能保障患者合理、公平、高效用血。

4.2 系統應用注意事項

第一，智慧醫療平臺開發設計前需綜合考慮分析，確保基礎環境、基礎數據庫群、軟件基礎平臺及數據交換平臺、綜合運用及服務體系、保障體系等方面完備。如前期該院已搭建輸血全過程閉環管理平臺，實現了血液入庫→入庫復檢→入庫審核→交叉配血→血液發放→輸血過程記錄→不良反應→血袋銷毀血袋閉環流轉，形成了臨床用血評估、標本核收、鑒定、交叉配血、發血、核對、輸血過程、輸血后評估、輸血反應判斷等信息反饋閉環，這為輸血輔助決策系統構建用血效果評估模型和血站動態調配模型奠定了基礎[4]。

第二，要搜集豐富的輸血數據資源，引進數據挖掘清洗技術，建立用血需求評估及療效評價數學模型。

第三，系統開發、實踐、改進需管理者、臨床業務專家、數據分析統計專家、信息人員等共同參與。應建立多方參與討論的質控會，逐一查看預測不準確的病歷，分析產生原因并針對性改進。

第四，應以輸血數據質量為抓手，以輸血模型構建為關鍵點，以輸血預測準確為目標。輸血數據來源廣，數據類型差異大。針對數據格式不規范、關鍵指標(如手術名稱、術前術后血紅蛋白)缺失等問題，采用多重插值算法，利用輸血數據庫中無缺失數據計算統計分布多次插值填補，再從中篩選置信度最高的插補結果。針對數據偏差較大的問題，通過制定專家規則，將不符合規則樣本變成無標簽數據，然后利用弱監督學習，對這部分樣本迭代計算生成標簽，再參與到模型中變成訓練樣本。同時，為提高預測的準確性，在平臺中添加手工錄入反饋信息，醫生對智能分析結果與實際結構有出入的手工錄入進行原因分析并反饋，幫助集成學習模型修正，寫入數據庫中持久化，待積累到一定量后重新訓練模型，幫助模型更新迭代。