人工智能與大數據在傳染病防控中的理論研究*

安明揚 趙增仁 譚友文 潘習龍 王培玉 安 鵬

(北京大學公共衛生學院社會醫學與健康教育系 北京 100191) (河北醫科大學第一醫院石家莊 050030) (江西省人民醫院 南昌 330006)(北京大學公共衛生學院社會醫學與健康教育系北京 100191) (北京京東叁佰陸拾度電子商務有限公司北京 100176)

1 引言

呼吸道傳染性疾病的產生、傳播、影響與防范等環節都具有很強的社會學特性。在傳染性疾病管理過程中，常常在病例出現之后相關部門才通過傳染病申報系統逐級上報，很難做到防患于未然。在人工智能[1-2]、大數據[3]和云計算[4]等互聯網技術飛速發展的背景下，管理部門可以改變高投入、低效率、遲響應的傳染性疾病管理現狀。為了消除或緩解呼吸道傳染性疾病給人民健康、生命財產、國家經濟帶來的巨大損失，可以運用大數據與人工智能技術，根據氣候、環境、病原學、人群等要素提前做出預警；當病例出現后，根據患者體征、傳播速度、傳播途徑、影響范圍等要素，即刻啟動相應防控級別，將損失控制在最小范圍。因此本項研究具有重要現實意義。

2 國內外人工智能與大數據研究現狀

人工智能(Artificial Intelligence，AI)技術是指深入研究、發展并用于模擬、擴充和拓展人的智慧的理論、方式、技能和運用體系的一種新興技術。隨著“人工智能+X”上升為國家戰略,我國開始全力推進人工智能在各個領域的創新融合。人工智能技術在健康保健、精準醫療、患者治療、新藥開發等領域發揮著顯著作用。1999年1月研制的“達芬奇”智能機器人手術系統，是世界上第1套真正在手術室中應用的人工智能機器人手術控制系統。在微創、無創手術治療領域獲得巨大成功,在某種程度上代表著世界范圍內智能醫療手術機器人的最高水平。國內研究者將人工智能技術運用到傳染性疾病監控領域，取得了一些理論和實踐方面的成果[5-6]。

云計算作為計算機領域的一種新興科技,受到商業界和學術界的關注。2008年谷歌集團通過云計算平臺發布谷歌健康(Google Health)服務，其目的是將海量醫療數據存儲于云端,通過云服務供患者查看。微軟公司也研發過類似的健康管理服務(HealthVault)。在醫療大數據應用領域,許多研發機構和人員已經開始利用Hadoop大數據框架開展醫療服務與醫療臨床項目管理研發工作[7-8]。Taylor R C[9]詳盡闡述Hadoop在生物信息學中的廣泛應用，Schatz M C[10]研發一款名為CloudBurst的開源軟件包,為生物醫學信息分析提出一種采用Hadoop MapReduce技術的并行算法。

國內學者對醫療大數據的學術研究與應用探討也非常廣泛。中國工程院院士鄔賀銓[11]在2012年中國科技論壇上提岀，智慧醫療應該是大數據應用研究的前沿領域，重點應用領域為臨床決策支持、藥品分析、誤診分析等多個方面。姚志洪[12]提出醫療信息化發展的10大重點，包括電子健康檔案標準化、大數據與NoSQL、健康物聯網、健康云和個性化醫療等方面。周光華、辛英和張雅潔等[13]在綜合論述我國醫療數據資源現狀的基礎上，詳細分析大數據在醫藥研發、公共衛生、疾病管理和健康管理4個方面的應用。陳鶴群[14]提出醫療大數據面臨的兩大挑戰：一方面患者隱私數據保護應細化到標識隱私匿名保護、位置隱私保護、關系匿名保護等方面; 另一方面應促進醫療數據標準化，做好醫療大數據共享和開放。張振、周毅和杜守洪等[15]論述醫療大數據帶給醫藥研究、智慧醫療和商業智能的發展機遇，提出醫療大數據實施過程中面臨信息孤島、醫療數據標準化和醫務人員信息意識缺乏等難題，同時在技術應用上存在數據集成、數據存儲、數據檢索和數據分析利用等方面的挑戰。

3 人工智能與大數據在呼吸道傳染病方面的應用研究

3.1 概述

基于大數據和人工智能算法，預計部署22個模塊及3萬個感染類疾病監控預警節點，實現全過程實時閉環監控，結合大數據與人工智能技術對傳染性疾病的計算，構建事前異常狀態預警體系。融合信息技術、臨床醫學與重大公共衛生事件相關知識，實現云部署、跨平臺、多醫院、多區域的數據同步，達到系統云端一體化、線上線下一體化，建立標準化、智能化、云服務化的呼吸道傳染性疾病防范與管理體系。

3.2 傳染性疾病監控點研究方法

3.2.1 建立質控云平臺 根據呼吸道傳染病SAFECARE體系設置，結醫院個性化管理需求，以敏感事件、敏感癥狀及敏感體征為切入點定義相關數據源，觸發數據采集監聽模塊，形成符合傳染性疾病特點的質控云平臺。實時監測所有影響傳染性疾病事件的重要節點與重要過程，記錄所有事件從啟動到終止的全過程，保存可跟蹤的歷史數據，做到有據可查。AI在控制各個環節時并非按照一個質量控制點進行管控而是按照功能模塊，各個模塊均可對應多個質量監控點。

3.2.2 建立事前提醒和預警、事中監護、事后評價管理體系 除已實現的質控預警平臺以及部分監控點之外，還計劃開發危急值立體閉環監控、發熱門診管控、傳染病管理、重大公共衛生事件地區化管控等模型。這套體系將有助于地區疾病預防控制中心、綜合性醫療機構、門診急診醫生和臨床醫務人員全面掌握對呼吸道等感染性疾病的篩查，在管理工作中把握主動權，將傳統事后申報轉為建立事前提醒和預警、事中監護、事后評價的管理體系。

3.3 AI質控云平臺系統架構優化升級方法

3.3.1 建立標準化、智能化、云服務的傳染性疾病預警、防控與管理系統 從業務層面梳理，按行為活動劃分，融合了豐富完備的臨床知識庫、質控系統、管理監控、輔助策略等。醫院管理系統將整體拆分成對接層、大數據管理層、決策層、多功能中臺業務層、應用層5個層面，實現醫療系統平臺即服務(Platform as a Service，PaaS)，完成服務平臺化設計，支持業務云端部署，支持多院區、多平臺、多機構大數據同步、即時管控。實現系統云端一體化、線上線下一體化、臨床管理一體化，見圖1。

圖1 預警、醫療、管理運作框架

3.3.2 數據對接及數據標準化 為解決多源異構造成的診療數據分散、難以共享等問題，采用創建主數據管理(Master Data Management，MDM)中心、建立臨床數據中心(Clinical Data Repository，CDR)的方法，進行數據治理、清洗和集成。采用大數據分析技術和人工輔助的形式，形成標準化、結構化的醫院系統底層數據結構，通過CDR、運營數據中心(Operational Data Repository，ODR)，支持中臺服務層的深度學習策略模型調用。中臺服務通過先拆分、抽離等方式拆分為單獨的支持點，然后對不同業務場景梳理運算、聚合成為中臺服務點，以支持WAP、H5、APP等不同應用層展示，支持不同場景獨立運行。

3.3.3 遵循系統獨立性、數據低冗余和資源剝離的原則建立醫院監控系統 運用Hadoop體系架構進行分布式數據存儲、運算，底層通過Hdfs搭建分布式存儲；運用MapReduce映射和化簡編程模型提高數據處理效率，解決單機性能瓶頸限制。通過Hive建立數據倉庫。策略層引入深度學習中TensorFlow框架自然語言處理算法，以及部分受限波爾茲曼機(Restricted Boltzmann Machine，RBN)算法，提供策略模型算法支持，通過Hue算法工具支持數據可視化展示。使用“大數據+AI+知識圖譜+語言識別”等技術手段，使機器可以讀懂大量病例從而實現信息標準化，同時通過數據邏輯判斷，將更多信息自動轉換為可分析、可計算、可利用的數據，見圖2。

圖2 醫院監控微服務架構

3.3.4 實現消息系統與策略系統無縫對接以及管理結果快速提醒 服務于患者，構建簡潔、易用、方便的醫療監測體系；服務于醫務人員，設置便于應用、高效管理、少差錯的信息平臺功能；服務于管理人員，提供信息監控、工作流程管控、決策過程綜合分析的管理工具。從部分應用到全部應用，從信息分散到大數據融合，從事務處理到智能控制，提供完整、安全、可靠、實時的患者信息訪問和檔案管理系統，進一步優化內部工作流程，有效減少醫療差錯，見圖3。

圖3 實時消息系統架構

4 結語

本研究基于大數據和AI算法，預計部署22個模塊及3萬個感染類疾病監控預警節點，實現全過程實時閉環監控，結合大數據與人工智能技術對傳染性疾病進行計算，構建事前異常狀態預警體系。自2015年起課題組聯合國內多所大中型公立醫院的臨床專家，按照我國醫院質量監督管理有關文件精神初步建立了醫療質量監控平臺。該平臺融合信息技術、臨床醫學與重大公共衛生事件相關知識，實現云部署、跨平臺、多醫院、多區域數據同步，達到系統云端一體化、線上線下一體化，實現標準化、智能化、云服務的呼吸道傳染性疾病防范與管理。該平臺有效打通醫院各信息系統，實現各功能系統的數據整合與清洗并對收集到的數據進行監聽和預警。目前已在中南大學湘雅二院、廣東省第二人民醫院、山東棗莊市立醫院、山西省長治人民醫院、鄭州市第六人民醫院5家醫院建立疫情應急醫院合作研究基地。該系統監控點更多側重于醫療質量，在呼吸性傳染病的數據監控精準性、信息共享延時性等方面有待完善。為此課題組將聯合傳染病學專家與人工智能專家，從理論與實踐方面進一步完善，提出傳染性疾病監控點標準體系，部署傳染性疾病監控關鍵節點，優化架構，研究人工智能深度學習功能，搭建更廣泛、智能化的傳染性疾病監控系統。