血液病患兒智能預警系統的建設與應用

馮佳怡?柳立平?周芬?沈南萍

摘? 要：兒童急性淋巴細胞白血病等血液病種類繁多，且易出現反復性貧血、出血、感染等不可預期的情況，嚴重可導致休克及死亡。上海兒童醫學中心每年承接近5 700名兒童血液病患者，超過全國兒童血液病患者的1/3，白血病早期預警系統的智能化建設可為醫生提前介入提供依據。運用兒童早期預警評分PEWS，對病區（42張床位）進行測試，證實發現該方法可提供至少11小時的預警，需381 min。同時，該方案用通過物聯及CNNS卷積神經網絡深度學習的手段實現PEWS實時計算。

關鍵詞：兒童早期預警評分;白血病;物聯技術;CNNS神經網絡;深度學習

中圖分類號：TP18;R-331? ? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2022）02-0119-05

Abstract： There are many kinds of blood diseases such as acute lymphoblastic leukemia in children， and they are prone to unpredictable situations such as recurrent anemia， bleeding and infection， which can seriously lead to shock and death. Shanghai Children's Medical Center accepts nearly 5 700 children with hematological diseases every year， more than 1/3 of the national children with hematological diseases. The intelligent construction of the early warning system for leukemia can provide a basis for doctors to intervene in advance. Using the Pediatric Early Warning Score （PEWS）， testing of the ward （42 beds） confirmed that the method can provide at least 11 hours of early warning， which takes 381 minutes. At the same time， the scheme realizes the real-time calculation of PEWS by means of deep learning of IOT and CNNs convolutional neural network.

Keywords： PEWS; leukemia; IOT technology; CNNS neural network; deep learning

0? 引? 言

為了讓更多白血病患兒得到及時有效的治療，本文擬設計一個全自動智能計算PEWS值的系統。該系統將PEWS需要的數據：監護儀數據對接電子病歷系統并結合經（Artificial Intelligence， AI）處理提取的面部及精神特征值，兩者結合實現PEWS實時評估。項目實施分為三部分：第一部分實現病房監護儀與醫院HIS及電子病歷系統的無線對接，這一部分主要實現設備信息物聯，將病患的心率、血氧飽和度、呼吸等參數對接到醫院電子病歷系統，替代醫務人員手動錄入信息的環節，其中涉及Wi-Fi覆蓋、不同品牌監護儀與HIS端口對接等技術性問題。第二部分AI智能算法代替人眼識別對病人膚色等面部數據進行識別及建模評分，利用CNN神經卷積網絡模型提取部分深度神經網絡結構中深度圖像特征，并賦予其數值。第三部分將這兩部分的數據一起并構建特征組與PEWS值表達之間相關性關系模型，實現PEWS值的自動化計算，并在電子病歷部分中體現出實時的PEWS值。

1? 現狀分析

我院血液腫瘤科為國家重點?？?，年收治全國各地白血病人約5 700例。由于血液病種類繁多且易出現反復性貧血、出血、感染和白血病細胞浸潤各臟器等不可預測突發狀況，致使患兒在短時間內產生急性休克等狀況，所以兒童血液病人的預警建設在我院就尤為重要。波士頓兒童醫院的PEWS兒童早期預警評分（Pediatric Early warning score， PEWS）評估方法，對血液病患兒進行評估。PEWS需要兩部分數據：第一部分是由監護儀提供的患兒血壓、心電、血氧及呼吸實時信息;第二部分是患兒精神狀態及特征等需視覺及語言交流作為判定依據。幾部分信息結合計算獲得PEWS值，計算值域如表1所示。

該評分方法有助于患兒病情惡化的早期預警，避免患兒發生心肺功能衰竭，提供至少11 h預警時間，有助于醫療團隊早期介入，改進治療方案或者轉移至有條件的重癥監護病房（ICU）。

試點病區的42張床位每天進行PEWS評估需要的總平均時間為383.5 min，由此可見，依靠人工方法采集數據需要投入相當大的人力，在本已緊張的臨床工作中加入動態、連續性PEWS評估，責任護士工作負擔急劇增加。因此，盡管此評估對患兒意義重大，但目前只能在部分患兒實施，大部分患兒可能因此而錯失及時評估和及時治療。如何切實解決這種臨床迫切需要是我們必須解決的問題。

2? 智能血液病患兒智能預警系統建設步驟

研究如何實現病房現有的監護儀與醫院HIS及電子病歷系統數據無線對接，其中會涉及到實現移動病人數據全Wi-Fi覆蓋的方案、各品牌監護儀與醫院HIS系統及電子病歷端口銜接等技術問題。這一部分工作將監護儀數據無線對接到研究對象的電子病歷中，實現體征數據實時、準確、共享的目的。F3521F5E-FEDC-48F0-9D92-299061994CD7

利用CNNs（神經卷積網絡模型）提取部分深度神經網絡結構中深度圖像特征（如灰度特征、形態學特征、紋理特征、直方圖特征等）。構建影像組學特征與PEWS值表達之間相關性關系模型，篩選有效的圖像組學特征建設病人的面部數據識別信息庫，根據患兒不同分型設計建模，確定算法及相應的評分標準，嘗試用人工智能替代肉眼進對病人膚色等外部可視信息進行科學評分。

將無線傳輸到電子病歷中數據與人工智能識別后的評分相結合得到實時的PEWS值，并將該值與HIS系統同步，顯示的預警提示值及時提醒醫院人員對病患采取干預，提高病患救治率。

3? 智能血液病患兒智能預警系統工作原理

3.1? 系統數據無線對接步驟

研究設計基于無線網絡，數字化采集患兒生命體征數據，如心率、血氧飽和度、呼吸等參數與EMR/CIS（電子病歷）系統進行對接，實現體征數據實時、準確、共享的目的。

步驟描述為：（1）患者入院后，分配保存患者信息的唯一標識腕帶以確定患者身份。（2）患者接入設備支持輔助（監護儀、呼吸機等）治療時，進行掃描（設備需具有掃描功能）確認身份。（3）支持輔助設備向采集服務器進行數據傳輸。（4）數據采集服務器與設備進行通訊，并將采集到的數據存儲到數據庫中完成全部流程。具體步驟如圖1所示。

3.2? 步驟具體實施

3.2.1? 病人監護儀數據實現無線傳輸

當前監護儀由于品牌、接口、協議等不盡相同導致數據采集的難度較大。當前設備數據接口有RJ45、RS232、RS485、RJ11等，其中以RJ45與RS232最為常見。目標是基于Wi-Fi網絡進行研究，所以設備數據采集部分涉及將多種接口進行轉換、統一達成基于Wi-Fi進行傳輸的目的。對于儀器設備轉換采集通常有三種情況分別是：（1）RJ45->Wi-Fi轉換傳輸;（2）Wi-Fi->Wi-Fi傳輸;（3）RS232->Wi-Fi轉換傳輸。本項目采用Wi-Fi->Wi-Fi傳輸，其前提條件是所有的傳輸需在醫院統一的Wi-Fi下進行，且要保持各個監護信號傳輸點的通訊順暢。Wi-Fi信號穩定與服務器資源充足是研究能否深入的基礎保障，本文中數據傳輸特點是，瞬時數據流量較小但連接頻繁，故組網時應把高穩定性低延遲作為首要目標，具體為標準及測試方法為：選取無線信號覆蓋的任意5個接入點，進行PING測試。發送1 000個1 000字節的PING包，以不丟包為測試合格。選取建筑物角落進行信號強度測試，不低于65 dBm為測試合格。

圖1? 監護儀與醫院HIS及電子病歷系統數據無線對接步驟

本文按照醫院實際情況進行討論，滿足以上條件后，項目組開始在各個病房反復踩點，在病房中間及四個測定設備在血液科不同點是否可以保證Wi-Fi信號的順利傳輸，經過幾次測定，發現在病房的角落Wi-Fi信號不穩定無法順利傳輸。解決方案是在四個角落增加AP增強信號，為保障在血液樓每一層實現Wi-Fi無損失傳輸，在每個房間增加2個左右的AP。萬一實在遇到Wi-Fi信號弱的盲點，數據在監護儀中可保留48～240個小時，可以根據時間點提取。經過調試，我們發現病房的角落Wi-Fi信號比較弱，然后增加了AP進行信號增強以保障項目順利實施。

3.2.2? 計算服務器容量

本項目中服務器作為數據解密單元及數據存儲單元，其高速、穩定、可擴展是本項目正常運轉的基礎，已知每名患者每采集頻率生成的數據量為10 KB，最快采集頻率為30分鐘一次，集合項目研究需求存儲資源需求式為：

40 KB×2（次）×24 h×365（天）×3（年）×100（患者數）×1.2（冗余）=250 GB

CPU頻率4 000 Hz，內存32 GB，網絡千兆雙冗余即可滿足需求。

3.2.3? 監護儀數據解密

在完成物理連接之后，接下來需要將數據進行采集后需要進行傳輸及解密，為保證原始數據的完整性，本文采用先傳輸后轉譯的形式進行。即通過物理線纜或工業硬件采集設備與監護儀設備進行物理連接后，在服務器中部署數據采集軟件，與監護儀進行鏈路保持。通過定時發送“hello”保持信息，使服務器與監護儀設備保持數據連接傳輸狀態。此部分數據傳輸模型如圖2所示。

經過傳輸服務器中已經接收到數據，數據樣例是：

此時數據沒有經過處理，無法直接引用保存。由于此消息采用HL7標準數據格式進行封裝，于是采用HL7格式進行解密，HL7數據格式如圖3所示。

說明：消息開始標志（1字節）對應于ASCII的，十六進制為<0x0B>。

HL7消息為多個字節，只能包括ISO 8859-1字符（十六進制值為0x20到0xFF）以及回車符。不能包含其他控制字符與不可見字符。服務端接收的消息中如果存在非法控制字符，將不進一步處理。消息結束標志（2字節）分別對應于ASCII的，十六進制為<0x1C><0x0D>。根據如上解析規則，真實數據解析為：

PV1||I|^^CCU&12&3232241478&4601&1|||||||||||||||U|

解釋：科室名稱為“CCU”;床號為“12”;TCP連接端口號為“4 601”;接收病人標志位為“1”（已接收病人）。IP地址為網絡字節序的32位數字;“3 232 241 478”對應的IP地址是“192.168.23.70”。“3 232 241 478”的二進制格式為“11000000 10101000 00010111 01000110”，從左到右，第一個8位“11 000 000”對應的十進制數為“192”;第二個8位“10 101 000”對應的十進制數為“168”;第三個8位“00 010 111”對應的十進制數為“23”;第四個8位“01 000 110”對應的十進制數為“70”。F3521F5E-FEDC-48F0-9D92-299061994CD7

3.3? 通過AI學習方法設計不同類型的圖像學特征

該部分主要對病人的面部圖像等進行采集后，由AI進行對圖像的特征值主要包括：灰度特征、形態學特征、紋理特征等進行深度學習，提取有效特征值，利用CNNs網絡模型提取部分深度神經網絡結構中深度圖像特征，結構圖如圖4所示。

其具體表達為：計算機通過采集大量病人大量圖像的深度學習，提煉其淺層圖像特征，中度特征至深度特征，到最后進行分類，這樣的過程可認為對圖像的一個打分，比如面色貨唇色泛白的病人為1分，面色或唇色青紫的病人為2分，這樣一個過程，在這個過程中計算機通過深度學習后得出的結論小于偏差的3.37%，遠高于人工判定的正確性，同時也可避免因護理人員經驗不足等原因所造成的誤判斷。之后，構建影像組學特征與PESE值表達之間相關性關系模型，篩選有效的影像組學特征，得出有效的影像組學特征后構建訓練和測試數。據樣本集，使用深度學習網絡模型，如（Stacking Auto-Encoder， SAE）、（Deep Belief Network， DBN）、（Deep Belief Machine， DBM）等，預測預警值預期。利用測試集數據對預測模型進行測試和驗證，并進一步優化網絡模型中的結構和參數，如圖5所示。

綜合上述兩部分，通過計算客觀可獲取數據加上AI優化過的特征值來確定病人的PEWS值進行預警，如圖6所示。

神經功能AI影像特征值（1）呼吸功能、呼吸頻率、呼吸做功及氧氣治療水平;

得出該PEWS值以后，將該值反饋到HIS系統中反應在病人的電子病歷中用于提醒護士，真正起到實時科學預警的作用。

4? 智能血液病患兒智能預警系統應用預計成果

4.1? 完成不同監護儀品牌與醫院電子病歷（EMR）系統無線無縫對接

完成之后，該流程可做到全程數字化的不同系統信息對接，可以節省至少20%左右的護理工作量的同時可以避免手工錄入誤差的可能性從而提高護理質量。全數字化流程還可以減少中央監護站的投入使用，比如一套中央監護10萬，該病區有3個品牌的監護儀，則共計可減少30萬的醫療成本投入。

該部分的完成奠定了醫院進行病人數據全數字無紙化傳輸的基礎，醫院其他病房也可效仿，這樣可節省全院約20%左右的護理資源。

同時，該部分的完成也預示著其他電子設備接入電子病歷系統的可能性，為今后醫院實行設備全數字化信息管理奠定了扎實的理論和操作基礎。

4.2? 用CNNs網絡模型提取部分深度神經網絡結構中深度圖像特征

構建影像組學特征與PESE值表達之間相關性關系模型，利用測試集數據對預測模型進行測試和驗證，并進一步優化網絡模型中的結構和參數進行算法建模，該算法得出的分值結合第一部分監護數據的分值得出血液病人的整體分值建立有效的快速準確得出PEWS預警值，提供充裕的時間促使醫療團隊早期改進治療方案或者轉移至有條件的ICU，提高兒童血液病人的治愈率和生存概率。

5? 結? 論

PEWS在血液科的預警評分標準已經在波士頓兒童醫院、辛辛那提兒童醫院、中南大學湘雅醫院等三級兒童醫院血液腫瘤科試點成功并得到認可和應用，除此之外，諸多文獻中也表明PEWS在其他病區如胸外科、急診及神經內科等也有試點也應用證明其有效性，只是在不同病區PEWS的值和計算的分值會有不同，待項目成功后準備對不同的病區開始試點，在本院全面推廣試行。PEWS值被諸多文獻證明具有普適性意義，本項目具有可持續發展的深遠意義，其不僅能及時發現潛在的重癥血液病兒童，也能及時預警其他種類的病患。本項目的試行成功不僅對我院血液病患兒有著重大意義，而且能應用到其他病區，未來我院的試點成功將對整個兒科系統提高搶救治療率有重大的意義。

參考文獻：

[1] 周芬，潘慈，高怡瑾，等.兒童早期預警評分對血液腫瘤患兒病情變化的預測價值及可行性研究 [J].解放軍護理雜志，2019，36（4）：6-10.

[2] 劉煜，陳歷賽，段穎暉，等.兒童早期預警評分在PICU病毒性腦炎患兒病情轉歸中的預測價值 [J].護理學雜志，2017，32（5）：24-26.

[3] 張佳燕，胡菲，張玉俠.兒童早期預警評分在留診觀察患兒分流中的應用 [J].護理研究，2015，29（30）：3744-3746.

[4] DUNCAN H，HUTCHISON J，PARSHURAM C S. The Pediatric early warning system score： A severity of illness score to predict urgent medical need in hospitalized children [J].Journal of Critical Care，2006，21（3）：271-278.

[5] ASYA A，PETER F，NICOLE S，et al. Validation of a pediatric early warning score in hospitalized pediatric oncology and hematopoietic stem cell transplant patients [J].Pediatric Critical Care Medicine，2016，17（4）：146-153.

[6] 唐慧，楊艷，李映蘭，等.兒童早期預警評分在急性淋巴細胞白血病患兒中的應用[J].中華護理雜志，2017，52（12）：1422-142.

[7] AGULNIK A，NADKARNI A，ROBLES L N M，et al. Pediatric early warning systems aid in triage to intermediate versus intensive care for pediatric oncology patients in resource-limited hospitals [J/OL].Pediatric Blood & Cancer，2018，65（8）：e27076.[2021-11-03].https：//onlinelibrary.wiley.com/doi/10.1002/pbc.27076.F3521F5E-FEDC-48F0-9D92-299061994CD7

[8] ACKER S N，WATHEN B，ROOSEVELT G E，et al. Rapid response team activation in pediatric surgical patients [J].European journal of pediatric surgery，2017，27（1）：81-85.

[9] AGULNIK A，ACEITUNO A M E，ROBLES L N M，et al. Validation of a pediatric early warning system for hospitalized pediatric oncology patients in a resource-limited setting[J].Cancer，2017，123（24）：4903-4913.

[10] DEMMEL KM，WILLIAMS L，FLESCH L. Implementation of the Pediatric Early Warning Scoring System on a Pediatric Hematology/Oncology Unit [J].Journal of Pediatric Oncology Nursing，2010，27（4）：229-240.

[11] AGULNIK A，ROBLES L N M，FORBES P W，et al. Improved outcomes after successful implementation of a pediatric early warning system（PEWS）in a resource-limited pediatric oncology hospital [J].Cancer，2017，123（15）：2965-2974.

[12] 王麗，張富強，何偉鋒，等.兒童早期預警評分在意外傷害急診患兒病情評估中的應用 [J].護理學報，2015，22（16）：56-58.

[13] 董梅德，吳玲，相波，等.臨床科室護理工作性質調查分析 [J].護理學雜志，2015，30（12）：73-75.

[14] 張梅，范媛，朱繼紅，等.兒童早期預警評分系統在小兒普外科中的應用 [J].中華現代護理雜志，2014，20（32）：4133-4137.

[15] DONG S Y，LUO G N，TAM C，et al. Deep Atlas Network for Efficient 3D Left Ventricle Segmentation on Echocardiography [J/OL].[2021-12-06].Med Image Analysis，2020，61：101638.https：//www.sciencedirect.com/science/article/abs/pii/S1361841520300050.

[16] RONNEBERGER O，FISCHER P，BROX T. U-Net：Convolutional Networks for Biomedical Image Segmentation [C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Munich：Springer.2015：234-241.

[17] SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Boston：IEEE，2015：1-9.

[18] SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the Inception Architecture for Computer Vision [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas：IEEE，2016：2818-2826.

[19] Zhou Z W，Siddiquee M M R，Taibakhsh N，et al. UNet++： A nested U-Net architecture for medical image segmentation [C]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support.Granada：Springer，2018：3-11.

[20] JADERBERG M，SIMONYAN K，ZISSERMAN A，et al. Spatial transformer networks [C]//the 28th International Conference on Neural Information Processing Systems.Montreal：MIT Press，2015：2017-2025.

[21] ALJABAR P，HECKEMANN R A，HAMMERS A，et al. Multi-atlas based segmentation of brain images：Atlas selection and its effect on accuracy [J].Neuroimage，2009，46（3）：726-738.

[22] AWATE S P，ZHU P H，WHITAKER R T. How Many Templates Does It Take for a Good Segmentation？：Error Analysis in Multiatlas Segmentation as a Function of Database Size [C]//MBIA：International Workshop on Multimodal Brain Image Analysis.Nice：Springer，2012，7509：103-114.

[23] BADRINARAYANAN V，KENDALL A，CIPOLLA R. SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39：2481-2495.

[24] ZHAO H S，SHI J P，QI X J，et al. Pyramid Scene Parsing Network [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），Honolulu：IEEE，2017：6230-6239.

[25] 王麗嘉，蘇新宇，李亞，等.基于COLLATE融合多圖譜的心臟電影MRI右心室分割 [J].波譜學雜志，2018，35（4）：407-416.

作者簡介：馮佳怡（1983.09—），女，漢族，上海人，工程師，碩士，研究方向：可穿戴人工智能、圖像處理;通訊作者：柳立平（1983.01—），女，漢族，上海人，研究方向：智慧護理、重癥醫學、呼吸理療。F3521F5E-FEDC-48F0-9D92-299061994CD7