2023年醫院新興技術創新應用典型案例征集活動正在進行中，歡迎各醫療機構踴躍提交案例。CHIMA將組織專家對案例進行評選，入選典型案例將在CHIMA 2023大會路演并獲頒證書。

1項目簡介

　　本項目致力于利用AI技術與MIMIC開放數據集相結合，實現醫療科研服務的創新與提升。MIMIC(Medical Information Mart for Intensive Care)是一個由麻省理工學院(MIT)和貝斯以色列女執事醫療中心共同創建的大型公開醫療數據集，包括約40,000名重癥監護病例的臨床數據，如生理數據、實驗室檢查結果、診斷信息和用藥記錄。目標是運用AI技術，例如大語言模型、Python、ChatGPT API和Langchain等，挖掘和利用這些豐富的數據資源，從而提高醫療科研服務的質量和效率。

　　為實現此目標，我們深入研究了MIMIC數據集的結構和特點，發現其具有多樣化、復雜性和實時性等特征。MIMIC IV數據集采用了PostgreSQL作為數據存儲平臺。基于此，構建了一個以大語言模型和Python為核心的分析平臺，運用Python調度ChatGPT API和Langchain，從數據集中提取有價值信息。

　　通過整合MIMIC數據集中的信息，實現了對醫療科研服務的各個領域的知識應用。這一方法加速了科研數據挖掘過程，大幅提升了分析效率，為醫療科研服務的質量和效率帶來了持續的優化與改進。

2建設與開發

　　本項目的建設與開發階段遵循了以下步驟來確保系統的高效性和穩定性：

　　需求分析：首先對醫療開放公共數據集的需求進行了深入分析，明確了系統所需解決的核心問題。通過與相關領域的專家和實際用戶進行討論，確定了系統的功能需求和性能目標。

　　技術選型：在對多種技術進行評估后，選擇了大語言模型、Python、ChatGPT API、Langchain、PostgreSQL等先進技術作為系統的核心組件。這些技術不僅能夠滿足項目需求，還具有較強的可擴展性和穩定性。

　　系統設計：在確立技術選型后，對系統的架構和模塊進行了詳細的設計。這包括了數據處理流程、AI模型的訓練和優化、API接口的設計等。同時，制定了嚴格的開發規范和測試標準，以確保系統的質量。

　　數據脫敏與匿名化： MIMIC數據集采用了數據脫敏與匿名化技術，確保患者隱私不會被泄露。通過對數據進行脫敏處理，可以在保護患者隱私的同時，確保數據的有效利用。

　　訪問控制：實施了嚴格的訪問控制策略，確保只有授權的用戶和系統能夠訪問MIMIC數據集。通過對用戶權限的管理和控制，可以防止未經授權的訪問和數據泄露。

　　開發實施：在系統設計完成后，我們組織了一支由多領域專家組成的開發團隊，按照設計文檔進行系統的開發。開發過程遵循敏捷開發模式，通過多次迭代和優化，確保系統功能的完善和穩定。

圖1 項目開發實施甘特圖

　　測試與優化：在開發階段完成后，進行了嚴格的系統測試，包括功能測試、性能測試、安全測試等。針對測試過程中發現的問題，及時進行了調整和優化，確保系統達到預期的性能指標。

　　部署與應用：經過測試和優化后，將系統部署到醫療科研服務的實際環境中，對其進行了實際應用和驗證。

圖2 項目登錄界面

圖3 自然語言查詢數據(NLQ)

圖4 自然語言查詢數據(NLM)

　　通過這一系列建設與開發過程，我們成功地實現了AI技術與MIMIC開放數據集的完美融合，為醫療科研服務帶來了創新與提升。

3關鍵技術或產品描述

　　本項目運用了以下關鍵技術來實現AI技術與MIMIC開放數據集的完美融合，為醫療科研服務提供了高質量的支持：

　　大語言模型：作為AI技術的核心，大語言模型能夠理解和處理自然語言，從而實現對醫療數據集中臨床信息的挖掘與分析。借助大語言模型，我們可以對醫療數據進行深入理解，提取有價值的知識和洞察。

　　Python：Python是一種廣泛應用于數據科學和AI領域的編程語言，具有豐富的庫和易于使用的特點。本項目利用Python實現了數據處理、模型訓練、API調用等關鍵功能。

　　ChatGPT API：ChatGPT API為開發者提供了與大語言模型的交互能力，實現了自然語言查詢和處理的功能。通過使用ChatGPT API，能夠將AI技術與MIMIC數據集相結合，實現對醫療數據的智能挖掘與分析。

　　LangChain：LangChain是一個基于LLMs的框架，可以用于聊天機器人、生成式問答、摘要等等。通過LangChain可以“鏈接”不同的組件來創建更高級的LLMs用例。

　　PostgreSQL：作為MIMIC IV數據集的數據存儲平臺。

　　PostgreSQL是一個高性能、可擴展的關系型數據庫管理系統。通過與PostgreSQL的整合，我們能夠實現對MIMIC數據集的高效存儲和查詢，提高系統的性能。

　　SQL：SQL(Structured Query Language)是一種用于管理關系型數據庫的語言。在本項目中，我們利用SQL實現了對MIMIC數據集的查詢和篩選，從而提取出有價值的醫療信息。

　　通過運用這些關鍵技術，我們實現了AI技術與MIMIC開放數據集的高效結合，為醫療科研服務的創新與提升提供了強有力的支持。

4應用效果

　　通過將AI技術與MIMIC開放數據集完美融合，我們為醫療科研服務帶來了顯著的應用效果，具體表現在以下幾個方面：

　　提高數據挖掘效率：借助大語言模型、Python、ChatGPT API等先進技術，我們實現了對MIMIC數據集的智能挖掘與分析。這大大提高了數據挖掘的效率，為醫療科研服務提供了更迅速的數據支持。

　　豐富科研服務內容：通過整合MIMIC數據集中的臨床信息，我們將這些知識應用于醫療科研服務的各個領域，實現了服務內容的豐富與優化。這有助于滿足醫療科研人員在病例研究、臨床試驗和數據分析等方面的需求。

　　提升服務質量：運用AI技術對醫療數據進行智能挖掘和分析，有助于發現潛在的規律和關聯，為醫療科研人員提供有價值的洞察。這有助于提升醫療科研服務的質量，為醫療機構和科研人員提供更高效的支持。

　　創新醫療科研方法：通過將AI技術應用于醫療科研服務，我們為醫療科研領域帶來了新的研究方法和工具。這有助于推動醫療科研的創新發展，提高科研成果的質量和影響力。

　　用戶滿意度提升：隨著醫療科研服務質量和效率的提升，用戶滿意度得到了顯著提高。這有助于加強醫療科研人員對醫療科研服務的信任和依賴，為項目帶來了良好的口碑和持續發展的基礎。

5總結

　　綜上所述，通過運用AI技術與MIMIC開放數據集的完美融合，為醫療科研服務帶來了顯著的應用效果，實現了服務質量與效率的顯著提升。未來，我們將繼續關注新興技術的發展，積極探索更多可能性，為醫療科研服務帶來更多創新與突破。

　　申報單位：

　　福建省立醫院

　　技術方向：

　　醫學人工智能

　　業務領域：

　　醫學科研