院內靜脈血栓栓塞癥智能評估與輔助決策系統的開發與應用

胡龍軍，陳蓓敏，田梅梅，尹小兵，趙慧麗，錢明平，楊佳芳，侯冷晨

上海市第十人民醫院 a. 醫務處；b. 護理部，上海 200072

引言

靜脈血栓栓塞癥（Venous Thrombo Embolism，VTE）包括深靜脈血栓形成（Deep Vein Thrombosis，DVT）和肺血栓栓塞癥（Pulmonary Thromboembolism，PTE）[1]，由于臨床上VTE發生率高，且發生隱秘、臨床癥狀不典型，易造成患者死亡或致殘風險，因此對VTE的預防一直是醫療安全、醫療質量關注的重點，而提高對VTE發生評估效率是預防VTE的核心點，對特殊患者的藥物預防是臨床醫生防治VTE的難點，所以如何幫助臨床盡早識別中高危患者并輔助決策，成為醫院VTE防治管理工作的重要出發點。

隨著人工智能（Artificial Intelligence，AI）技術不斷應用于醫療服務領域，如疾病風險預測[2]、疾病診斷[3]、輔助治療[4]、新藥研發[5]、問診[6]以及慢病管理[7]等，表明我國醫療服務發展正從“信息化”向“智慧化”轉變。為解決醫院VTE防治過程中的一系列問題，提升防治效率，將AI技術引入VTE防治領域成為研究熱點。相關研究已建立預防VTE風險的智能預警系統[8-10]，但只是單純預警，本研究將介紹某三級醫院基于AI技術開發的VTE評估與輔助決策于一體的防治系統，為提高院內VTE防治能力提供借鑒與參考。

1 VTE智能系統整體架構

首先，集成院內醫院信息系統（Hospital Information System，HIS）、 電 子 病 歷（Electronic Medical Record，EMR）、醫學影像存檔與通訊系統（Picture Archiving and Communication Systems，PACS）、實驗室信息管理系統（Laboratory Information Management System，LIS）等業務系統數據，通過數據倉庫技術將這些分布的、異構的數據抽取到臨床數據中心，進行標準化清洗、轉換；其次基于自然語言處理、知識圖譜、機器學習等AI技術，進行數據的再次治理與集成，實現臨床數據的標準化、歸一化、后結構化，為前端應用奠定基礎；然后通過規則引擎、AI引擎、醫學知識將處理的數據轉化為計算機能識別的內容，為臨床實現智能化VTE防治提供支撐。VTE智能評估與輔助決策系統開發架構如圖1所示。

圖1 VTE智能評估與輔助決策系統開發架構

2 VTE智能系統建立過程

2.1 數據治理引擎

由于醫院內大量的信息以電子文檔的形式存儲，需要以結構化的形式描述。故借助自然語言處理算法、深度學習算法，深度治理海量信息，完成信息抽取、分詞、命名實體識別，以實現結構化變量的輸出。另外，構建術語網絡，整合醫學邏輯范疇網絡以及中文語用范疇網絡，使術語網絡同時具備精確性、形式性、計算性、可讀性等特點，讓計算機能通過網絡理解中文，理解醫學邏輯[11]。

2.2 知識生產引擎

知識生產是整個VTE智能防治體系的核心，是所有內容運轉起來的標準內容，知識生產按照病種進行，是以患者診斷為依據，根據臨床治療指南將診療行為劃分為若干階段。VTE知識生產引擎會根據患者診療的數據，觸發相應的規則內容（圖2）。這些規則的內容以IF滿足XX條件THEN 推薦XX，是把當前提交給引擎的數據對象與加載在引擎中的業務規則進行測試和比對，激活那些符合當前數據狀態下的業務規則，根據業務規則中聲明來執行邏輯，觸發應用程序中對應的操作。

圖2 VTE知識生產引擎模塊

為保障臨床知識的權威性和及時性，知識生產按照病種進行拆解，每個病種按照對應的救治指南及最新文獻，以及就診的篩查、診斷等治療步驟進行拆解，實現臨床知識規則的建立。

2.3 VTE風險評估模型研制

為彌補現有Caprini等量表缺乏亞洲人群數據的不足，并提升預測的靈敏度與特異度，項目組研制新的VTE風險評估模型。首先累積院內的歷年醫療大數據進行全量集成，選擇院內獲得性DVT患者，將做過血管CT或CTPA或超聲并在檢查報告中發現有血栓作為陽性樣本，共180例；取未發現有血栓的人群作為陰性總體，并從其中隨機抽樣作為陰性樣本，共2086例（由于PTE是由DVT發展而來，故對DVT的預防可有效預防PTE，這里研制的VTE風險評估模型是以DVT數據為基礎）。

經過檢索大量文獻，模型所采納的變量遵循醫學邏輯形成術語網絡，并結合Caprini、wells-DVT量表指標、臨床醫生建議、病歷本文、診斷、病史、檢驗、檢查、主訴、體征、醫囑等，并通過在相應合適的時間窗內進行統計學適當地聚合、衍生，最終形成具有一定代表性的變量，通過挖掘分析及機器學習分析，最終研制出涵蓋48個指標變量的VTE風險預測模型。

3 VTE智能系統實施應用

3.1 VTE風險智能評估系統功能

在構建的VTE風險模型基礎上開發VTE風險智能評估系統（圖3）并嵌入醫生工作站系統，VTE風險智能評估系統可從EMR系統、手麻系統、檢驗檢測系統等自動采集患者相關信息，在患者入院8 h后、手術前、手術后、轉科、病情變化（指一個新的檢查檢驗報告發生如DD二聚體值、B超結果等，都有可能觸發一次新的評分）、出院前會給出VTE風險評分結果。為保證結果的可靠性，護理人員需人工復核點擊確認，完成評分的閉環。預警結果分低、中、高三個等級，在有VTE風險時，系統自動將結果推送到醫生工作站系統和護士工作站系統（以“AI栓”字預警）。

圖3 VTE風險評估系統示意圖

另外本院將VTE出血量表也嵌入醫生工作站系統,同時實現出血風險的自動評估，當臨床醫生需要評估患者出血評估時，系統會自動評估患者的出血風險，臨床醫生只需人工復核點擊確認就可。

3.2 VTE智能輔助決策系統功能

根據住院患者當前的診療情況，VTE輔助決策系統會根據國內外權威指南和相關文獻資料，生成臨床決策知識庫，并在EMR系統中提示臨床醫生需繼續完善的相關檢查項目、推薦符合當前患者的個體化治療方案。另外，系統將依據診治過程中的疑惑和不確定因素，智能推薦前沿最新的醫學循證證據加以佐證VTE輔助診療推薦示意圖，見圖4。

圖4 VTE輔助診療推薦示意圖

4 VTE智能系統應用結果

4.1 VTE風險評估模型有效性

為驗證所研制模型的有效性，取2019年上半年符合驗證的本院患者做效能評估。符合驗證的本院患者需做過下肢深靜脈超聲或下肢靜脈造影或肺動脈CT血管造影，其中出現診斷DVT、PTE者作為病例組，未出現過DVT、PTE診斷者做對照組；病例組取首次陽性結果檢查時刻，對照組隨機選取1次檢查時刻，記錄相應時刻的AI評估結果，得到以下模型效能。

評測期間有16406例符合模型適用人群，做過金標準檢查的樣本有1438例（Caprini評為高危患者），其中67例為DVT或PTE陽性患者，即當前臨床檢查的陽性預測值67/1438=4.7%，而研制的模型高危線陽性預測值為18.9%（P<0.001），且高危閾值段，新研制的AI模型的靈敏度與特異度也高于Caprini量表相應值（P<0.001），具體效能如表1所示。

表1 不同VTE評估模型診斷效能比較

4.2 VTE智能系統應用整體效果

系統使用前指該院在工作電腦中使用Caprini量表進行人工評分的狀態，應用系統后發現，VTE各項防治效率和效果指標均有較大改善，且差異均有統計學意義（P<0.001），見表2。

表2 VTE智能系統應用整體效果

5 討論

5.1 VTE智能風險評估系統優勢

目前臨床上普遍使用的Caprini量表是識別VTE風險的經典評估工具，但由于包含30多個評分項，操作復雜、費時費力，很多醫護人員難以很好地掌握或執行，加之臨床工作繁重，醫務人員的精力有限，更難做到根據最新診斷、最新檢查結果實時為患者進行VTE風險評估。在一項針對三級醫院醫務人員的調研中發現，額外工作量增加是VTE防治工作中的首要顧慮因素[12]，盡管依靠信息化手段能提升工作效率，但多次評分的要求無疑會增加臨床負擔，依從性很難保證。本研究基于院內大數據，研制新的風險評估模型，并借助人工智能技術開發VTE智能風險評估系統，可從院內患者EMR系統中自動采集指標，并給出評估值和風險等級，能極大減輕醫護人員的工作負擔，提高其對VTE預防工作的依從性。

5.2 VTE輔助決策系統優勢

VTE規范預防和治療是醫院VTE管理工作的難點。在針對32個國家的VTE預防調查中發現，歐美地區外科患者接受規范VTE預防措施比例約為60%～80%，亞洲國家相對更低[13]，亞洲各國醫院加強對醫生規范預防和治療培訓成為當務之急[14]。一項對我國華北地區醫務人員的調查顯示，僅37.6 %的醫務人員會根據相關VTE指南選擇防治方法[15]。研究顯示，患者若能按指南接受VTE防治，37%已發生VTE的患者是可以避免的[16]，從文獻分析來看，提升臨床對VTE的規范化防治是當務之急。對此，本院開發應用的VTE輔助決策系統，可根據患者VTE風險等級和相關禁忌證，結合指南給出診療意見，智能輔助臨床醫生決策，進一步規范醫療行為，特別對于青年醫生的成長有很大幫助，進而可降低臨床因操作不當或用藥不當造成的醫療事故概率，保障患者安全。

5.3 VTE風險評估模型的局限性與改進方向

盡管國際上已開發多種評估VTE風險的量表，但由于存在人群特征、疾病譜、人種、體質等差異，這些量表評估國內患者有一定局限性[17]。本院基于院內醫療大數據研制的VTE風險評估模型，相對于傳統Caprini量表具有更高的靈敏性與特異性，但還存在以下局限性：① 模型的整體效果受人群代表性、驗證方法限制，目前僅采用了單中心數據，對于特殊的人群或潛在的弱勢人群，模型的效果可能不穩定；② 尚未進行金標準的前瞻性驗證，實際的AUC、敏感度、特異度、陽性預測值可能會有偏差。這些都有待進一步的研究來揭曉。

因此，為更加嚴謹地證明模型有效性，未來需開展前瞻性研究，采用更多范圍的人群、真實前瞻的實際分數、金標準樣本，來對比不同方法間的效果，從而進一步證實基于AI的VTE風險評估模型的有效性。