基于智能預警模型的院內VTE防治管理實踐

摘要：文章介紹了廣西醫科大學第一附屬醫院引入 VTE 防治系統的應用效果。該系統基于智能預警模型，通過量化管理和動態監控，顯著提升了 VTE 風險識別率和防治水平，并有效減輕了醫護人員的工作負擔，提高了專科運營效率。

關鍵詞：VTE防治系統；機器學習；醫療安全

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2025）09-0045-03 開放科學（資源服務） 標識碼（OSID） ：

0 引言

深靜脈血栓形成（VTE） 是一種嚴重的醫療狀況，其發病的隱蔽性和癥狀的非特異性使得它成為醫療質量和患者安全的一個潛在威脅[1]。由于VTE的早期識別和預防至關重要，因此，尋求高效、準確的風險評估和預防手段成為當前醫學研究的熱點。鑒于上述背景，醫院提出構建VTE防治管理系統，提高防治效率，更有效地規范VTE的臨床管理。近年來，人工智能技術的迅猛發展及其在醫學領域的廣泛應用，為臨床VTE防治提供了新的解決思路。特別是機器學習算法，它能夠從海量的醫療數據中挖掘出深層模式，構建出精確的靜脈血栓栓塞（VTE） 預測模型[2]。這種技術的引入，無疑為提升血栓風險評估和預防能力帶來了新契機。已有研究展示了機器學習在VTE風險評估中的應用潛力[3]。例如，一項涵蓋7 家醫院、57000余例手術患者的研究顯示，通過機器學習技術構建的Gradient Boosting模型在預測性能上顯著優于傳統的Caprini評分系統[4]。這不僅證明了機器學習在醫療領域的實用性，也揭示了其相較于傳統方法的優越性。因此如果VTE防治管理系統通過機器學習，能智能自動血栓風險評估和預警，實現實時監控，則可以大幅提升VTE防治的效率和效果，從而保障患者的安全與健康[5]。

1 項目建設與開發

1.1 數據采集與標準化治理

通過應用程序編程接口（API） 直接與醫院信息系統（例如HIS、LIS、PACS等） 進行集成，實現患者數據的實時或定期獲取，降低了因人工操作而產生的錯誤。對于復雜的數據結構和格式，采用專業的數據抽取工具，如ETL工具，對醫院信息系統中的數據進行有效抽取、轉換和加載，以滿足各種數據采集需求。對于那些對實時性要求極高的數據，比如患者生命體征監測數據，通過抓取系統日志的方式來獲取，以保證數據的實時更新，為VTE防治提供即時支持。這些數據構成了智能預警及輔助決策的基礎。醫院信息技術人員通過標準化的數據治理流程，在數據采集的過程中，實施了嚴格的數據校驗機制，包括字段長度校驗、數據類型校驗、值范圍校驗等，以及時發現并糾正數據中的錯誤和異常，確保數據的準確性。采集到的數據將經過清洗，去除重復、無效或錯誤的數據，并將不同來源、不同格式的數據轉換為統一的格式和標準。此外，還建立了數據監控機制，對數據采集、存儲和處理的整個過程進行實時監控，確保數據的準確性和可用性。

1.2 知識庫與規則引擎構建

針對靜脈血栓栓塞癥（VTE） 的防治，信息中心的技術團隊與臨床醫務人員緊密合作，廣泛搜集與VTE 相關的疾病知識、臨床指南、共識文件以及最新的研究文獻，并精心篩選整理出權威、準確且對臨床實踐具有指導價值的知識內容。這些知識被分類整理，例如基礎規則、創新規則、智能規則等。此外，對知識進行了結構化處理，提取了關鍵信息，如疾病診斷標準、治療方案、預防措施等，形成了標準化的知識條目。這些結構化后的知識條目被整合到一個全面的引擎知識庫中。基于知識庫中的內容，定義了各類規則，如不良事件識別規則、禁忌證提示規則、危急值報警規則等。技術人員編寫規則邏輯，將規則轉化為可執行的代碼；通過上述知識庫的構建過程和規則引擎的設計方案，成功構建了一個智能的VTE防治系統。系統支持根據不同場景和業務需求靈活配置和調用規則集。

1.3 VTE 風險關鍵控制點與指標研究

為深入分析靜脈血栓栓塞癥（VTE） 的發生因素，臨床醫務人員首先運用文獻檢索法，廣泛搜集了關于靜脈血栓栓塞癥（VTE） 發生因素的眾多研究資料。對這些文獻進行了系統的回顧與分析，初步篩選出可能與VTE發生相關的因素。隨后，設計并發放了針對醫護人員的調查問卷，了解他們對VTE的認知、態度以及在臨床實踐中的經驗。通過問卷調查，收集到了醫護人員對VTE發生因素的直接反饋和觀察數據。此外，對具有豐富臨床經驗的醫務人員進行了深入訪談，從而獲取了更多關于VTE發生機制的深入見解和臨床經驗。將通過文獻法、調查法和訪談法收集到的數據進行整合。運用統計學方法對數據進行處理和分析，以識別出與VTE發生顯著相關的因素。根據數據分析結果，初步篩選出可能影響VTE發生的一系列潛在因素。這些因素可能包括患者年齡、性別、基礎疾病、手術史、臥床時間、血液指標等。利用醫院信息系統中的臨床數據，對初步篩選出的潛在因素進行進一步的驗證和分析。通過客觀數據，評估這些因素與VTE發生之間的關聯強度和可靠性。組織專家團隊對初步篩選出的因素進行評審和討論。運用德爾菲法（Delphi法） 進行多輪篩選和驗證，進行多輪專家咨詢，最終確定了影響VTE發生的關鍵潛在因素。這些因素包括血液速度減慢（如長期臥床、活動減少） 、血管壁損傷（如手術、創傷） 、血液高凝狀態（如妊娠、產后、外科大手術后） 等。信息中心技術人員利用自然語言處理（NLP） 引擎，從文本信息中提取了關鍵信息，并將其轉化為結構化的數據。為進一步確保信息的一致性和標準化，信息技術人員同時將這些信息映射至國際醫學術語標準系統SNOMED-CT，為每個信息元素分配了唯一的標識符，便于后續的數據管理和深度分析（圖1） 。

1.4 智能VTE 風險預警模型構建

在構建智能VTE風險預警模型時，特征工程、模型訓練及評估是核心環節。系統首先全面收集患者的基本信息（如年齡、性別、體重等） 和血液學指標（如凝血指標、血小板計數等） ，這些信息構成了模型輸入的原始特征。對于不同類型的特征，采用了相應的預處理方法，如編碼轉換和歸一化處理，以消除量綱差異并提升模型性能。如將年齡轉換為具體數值，將性別編碼為二進制變量（如男性為1，女性為0） ，確保模型能夠處理這些特征。對于類別型特征，采用編碼轉換，如使用獨熱編碼（One-Hot Encoding） 將離散的類別值轉換為二進制向量。對于數值型特征，進行歸一化處理，如使用最小—最大歸一化或Z-score標準化，以消除量綱差異，使特征值處于同一尺度上，從而提升模型性能。選擇隨機森林算法作為血栓風險預測模型的基礎，因其具有處理高維數據、抗過擬合能力強、易于實現和解釋等優點。基于特征工程方法，運用隨機森林算法構建了血栓風險預測模型。通過采用bootstrap方法，從原始訓練集中隨機抽取樣本，生成了多棵決策樹，并通過投票機制整合了它們的預測結果。這種集成學習策略顯著提高了模型的穩定性和精確度。此外，為了充分利用多元異構數據并捕捉其中的時間依賴性，項目組還采用了深度學習技術。具體來說，提取了患者生物標志物在過去一段時間內的測量值，形成了時間序列數據。通過應用滑動窗口方法和降維技術，捕捉了不同時間尺度的變化特征并降低了數據的復雜性。隨后，采用了循環神經網絡（RNN） 和長短時記憶網絡（LSTM） 等模型來處理這些序列數據，并捕捉其中的復雜相互作用和動態變化。最終，系統將靜態特征和動態時序特征相結合，送入隨機森林模型進行血栓風險預測。當預測概率超過預設閾值時，系統會觸發智能預警，及時提醒醫療人員采取必要的防治措施。為了全面評估模型的性能，采用了多個指標進行衡量：準確率（Accuracy） ：準確率是指模型預測正確的樣本數占總樣本數的比例。它是評估模型整體性能的基本指標。召回率（Recall） ：召回率是指模型正確識別出的正類樣本數占實際正類樣本數的比例。對于VTE風險預警模型來說，召回率越高，意味著模型能夠識別出更多的高風險患者。F1值（F1 Score） ：F1值是準確率和召回率的調和平均數，它綜合考慮了模型的精確性和召回能力。F1 值越高，說明模型在平衡精確性和召回率方面表現越好。此外，還可以根據實際需求選擇其他性能指標，如精確率（Precision） 、AUCROC曲線下的面積等，以更全面地評估模型的性能。通過上述特征工程、模型訓練和性能評估的步驟，可以構建一個高效、準確的智能VTE風險預警模型，為臨床醫務人員提供有力的決策支持。同時，醫院管理部門將該模型嵌入醫院HIS系統，以便對每例發生VTE的患者進行分析，并根據不同原發病和危重程度為患者推薦最優化的治療方案。

2 項目應用效果

2.1 實現臨床質量的量化管理與動態監控

系統通過實時生成質控指標并自動預警，通過院內HIS醫生工作站、護士工作站、護士執行移動終端等渠道進行消息推送，從而實現了對靜脈血栓栓塞癥（VTE） 防治工作的動態監控。這一創新舉措極大地提高了VTE防治過程的管理水平和質量控制能力。管理者通過登錄專科質控平臺，可以方便地查閱各科室在特定時段內的VTE風險評估率、出血風險評估率以及VTE預防措施執行率等核心指標[1]。此外，系統還提供了對不同危險等級的VTE患者治療措施與結果的可視化追蹤，使管理者能夠更為直觀地監控VTE防治流程，進而有效提升診療質量。具體指標信息如表1所示。

2.2 精準決策支持與VTE風險防控，共筑醫療安全新防線

為確保醫務人員在關鍵時刻能夠獲得恰當的決策輔助，項目組還構建了具備規則引擎篩選功能的知識庫推薦信息展示系統。該系統能夠根據信息的緊急程度和重要性，將其分類為提醒、預警、彈窗等不同級別，通過PC端、PDA端等多種途徑展示。同時，系統后臺持續監測并記錄規則知識的調用頻次和操作引用頻次，以此為基礎，不斷優化規則設置，從而確保為醫務人員提供時效性和準確性兼備的決策支持。在VTE（靜脈血栓栓塞癥） 風險防控方面，項目組引入了先進的VTE風險預測和治療決策工具，實現了對患者VTE危險分層的精準識別、早期預警以及個體化治療方案的制定。系統能夠針對不同危險層級的患者，推薦相應的預防措施，通過及時有效的干預，顯著降低VTE的發生率。值得一提的是，相比傳統量表，AI 技術成功提前識別了更多VTE患者（27例相較于11 例） ，并大幅降低了NNT值（從12.0人降至5.5人） 。此外，隨著系統的廣泛應用，醫院各項VTE評估率及預防措施執行率均得到提升，全面超過95%，充分驗證了該系統在提升醫療安全方面的顯著成效（表2） 。

2.3 智能評估解放醫護資源，提升管理精準度

系統能夠自動完成基于傳統量表和AI 模型的VTE風險評估任務，實現實時有效的風險監測。這一功能極大地解放了醫護人員的雙手，使他們能夠將更多精力投入患者的個性化治療與關懷中。與傳統方式相比，智能評估縮短了90%的評估時間，并依托全鏈路、全流程的知識與規則支持實時監控醫生臨床診療行為。此外，系統還能針對重點指標進行統計分析，幫助管理者發現問題并提供改進建議，從而有效優化醫院管理流程、提升管理效率并節約管理成本。統計數據顯示，該系統預警準確率高達91.2%，且用戶黏性表現良好。

2.4 賦能醫生成長與高效運營，助力醫院全面發展

VTE防治系統的引入，不僅可以彌補實習醫生和新入職醫生在臨床經驗和辯證思維能力方面的不足，還通過其決策支持功能，幫助他們更快地掌握VTE防治的關鍵知識，提升專業水平。同時，該系統通過自動收集患者數據和完成診療量表的填寫等任務，顯著減輕了醫生的工作負擔，使他們能夠更高效地專注于診療工作。醫生只須簡單確認，即可獲得診療方案提醒，并支持將相關信息回寫到電子病歷系統中，極大地減少了重復勞動，提高了專科的運營效率，并為醫院節約了運營成本。

3結論

本研究基于大規模臨床數據，提出了一種機器學習方法的創新血栓風險評分模型。該模型結合了靜態的個人特征和動態的時序數據，能夠更全面地評估患者的血栓風險。通過引入VTE防治系統，不僅實現了臨床質量的量化管理與動態監控，還為醫務人員提供了決策支持，優化了醫療流程，并大幅提升了VTE 風險的識別率。最重要的是，該系統通過自動化功能減輕了醫生的工作負擔，提高了專科運營效率，為醫院節約了運營成本。綜上所述，VTE防治系統的引入是醫院在提升醫療質量、保障患者安全以及優化運營效率方面邁出的重要一步。