甘肅省武威腫瘤醫院始建于1978年，全國三級甲等腫瘤專科醫院，開放床位1000張，年門診量20萬人次，住院治療2.6萬人次；現為蘭州大學、張掖醫學高等專業學校、武威職業學院臨床教學醫院，是一所以腫瘤疾病專科診療為特色的現代化品牌醫院。現承擔省部級科研項目7項，獲國家專利28項，承建了我國第一臺自主知識產權重離子治療設備，該治療項目已經進入臨床試運行階段。

醫院全面完成了省衛計委指定的全省衛生支農工作任務，在近三年內無償為農村鄉鎮開展了肝癌、胃癌早診早治篩查，為扎實推進分級診療和醫療資源縱向整合，成立了武威市物聯網醫院，與甘肅省第二人民醫院以及全市縣醫院、鄉鎮衛生院等104家醫院簽訂了互聯網醫院聯盟合作協議，實現了協同醫療、優勢互補、共同發展，以進一步滿足人民群眾對醫療衛生服務的需求。

醫院順應新興信息技術發展趨勢，規范和推動健康醫療大數據融合共享、開放應用，結合腫瘤專科特色，充分挖掘醫療大數據優勢，先后開展了“肝病大數據人工智能 AI 篩查與評估”、“臨床醫療風險智能管理”、“智能心電篩查”、“腫瘤輔助診斷”等多個大數據應用項目。

為了保證醫療安全，全面了解患者情況、降低治療風險，特別是降低危重病人死亡率，有效的提高疑難復雜疾病治療效果，減少醫療糾紛，因此在患者入院、術前、術中、術后、轉ICU、ICU治療、出ICU和出院等關鍵治療階段都要進行相應的醫療數據收集，完成相應的風險評估。

在諸多的臨床治療過程中，急重癥病人以發病急、病情重、惡化快的特點，死亡率一直居高不下。早期發現和干預是防止急重癥危及患者生命必不可少的手段。研究顯示，4%到17%的患者會在醫院遭遇心跳或呼吸驟停。在產生這些危及生命的癥狀前期，一些不尋常的生命體征就會出現，并伴隨著常見并發癥。

本案例以患者臨床風險管理為研究重點，收集和分析患者當前實時的生命體征數據、電子病歷數據、實驗室檢查數據、影像學數據以及醫護人員的操作數據，用大數據分析技術智能的進行風險評估，有效識別出病情可能惡化的患者，及早提供干預治療，不僅能夠最大程度上減輕患者的痛苦甚至挽救患者的生命，同時也能節省下寶貴的醫療資源。

臨床醫療風險管理是一種管理程序，是對現有和潛在的醫療風險的識別、評價和處理，以減少醫療風險事件的發生和風險事件對患者、醫護人員以及醫院的危害和經濟損失。臨床醫療風險管理包含3個步驟，風險識別、風險評估、風險處理。

風險識別，就是要及早準確識別出高危患者。高危患者有3個特征：生命體征不穩定，病情變化快；兩個以上的器官系統功能不穩定、減退或衰竭；病情發展可能會危及到患者生命。醫院把危重病人集中在ICU中，對危重病人進行連續或接近連續的觀察、診療和監護，以期得到良好的救治效果。但現階段用于收集患者生命體征的心電監護、呼吸機、超聲機、攝像頭等設備數據無法實現統一實時記錄，診療數據也分散在各個系統，給及早準確識別醫療風險帶來了難題。

本案例采用專用業務網絡，通過專線，MPLS VPN，Internet，5G/4G等多種手段直接接入臨床數據采集設備，實現臨床設備間互聯互通，輔以平臺前端提供的CIS 基本功能，可實現急危重癥完整信息記錄和共享。

風險評估，就是要客觀評價病情嚴重程度。在病人病情評估方面，APACHE和SAPS-II等評分模型已經廣泛應用在ICU內，輔助醫護人員對病人當前的生命體征狀況和危險程度作出評估。通過過去很長一段時間的使用，醫護人員們逐漸意識到了這些評分模型的局限性。一方面，這些評分模型只是通過患者當前生命體征狀況或者一些測試的反應來對患者危險狀況進行評估，沒有將之前的生命體征納入評分模型參考，沒有充分利用時序信息，造成了歷史信息的缺失；另一方面，這些評估模型在設計之初，通常只采用了某一地區的患者作為樣本，構建了統一的評分標準，這造成了這些評分模型的普遍性不足，個性化程度不高。

本案例采用收集患者基本信息、診斷信息、臨床檢驗結果、用藥信息、連續的生命體征數據等信息，利用先進的數據處理和機器學習算法，自動計算、自動評估量表，篩選出病情可能出現嚴重惡化的患者，及時提醒醫護人員進行干預。

風險處理，就是要選擇最佳治療方案和治療時機。目前ICU內病人的治療方案和手段主要依靠醫生的經驗和相關領域知識的積累，使得工作效率和診療參差不齊。

本案例中使用可視化系統，高效銜接院前院內的系統，當管理平臺預警顯示患者有風險時，提供實時評估預警，結合標準化的臨床路徑參考建議，醫生會對患者的病情進行評估，在適當的情況下調整診療方案。通過實時收集的反饋數據來評價治療效果，使救治體系完整統一、緊密配合，形成高效的閉環，提高病人救治成功率。

1.患者基本信息

2.實時監測數據信息

3.其他信息

大數據技術的不斷發展，為臨床醫療風險管理領域提供了良好的平臺和數據基礎，使得人工智能技術可以真正從科研進入到臨床應用中。關鍵技術分2個部分:數據采集和大數據分析預警模型。

數據采集

采用智能物聯網覆蓋ICU臨床設備的數據采集設備，將數據獲取直接延伸至臨床設備。數據來源將從ICU科室的臨床設備（心電監護、呼吸機、超聲機、攝像頭等）直接自動獲取，輔以平臺前端提供的CIS 基本功能，可實現急危重癥完整信息記錄和共享。

圖1智能物聯網數據采集

病情惡化預警模型

我研發團隊與美國Barnes-Jewish Hospital共同研發的病情惡化預警模型能夠有效發現病情可能出現嚴重惡化的患者。模型用Logistic回歸篩選出與病人病情轉歸有明顯相關性的臨床指標，并建立回歸方程，計算死亡概率P值。模型驗證結果顯示，當P＞0.5667時，病情惡化甚至死亡的可能性較大，該模型的預測結果與實際情況基本一致。

ICU死亡預警模型

我團隊研發的ICU死亡預警模型，能夠有效識別出未來24小時有可能出現生命危險的患者，該成果也成功獲得了AMIA（醫療信息領域最著名年會） 2015年最佳論文獎。

圖2  ICU死亡預警模型

ICU死亡預警模型利用ICU患者前48小時的30多項生命體征時序數據和患者基本信息等數據，對病人的生命危險進行評估。利用信息論、混沌理論和小波變換等數據處理方法，我們從時序數據中抽取出32項特征，通過滑動窗口動態更新數據，再采用先進的Time-Slicing Cox模型進行建模，最終可以動態、準確評估ICU患者死亡風險。

感染性休克預警模型

在住院病人中，大約 1%到2%的人可能發生敗血癥，而在ICU病房中，這一比例可能高達25%。與此同時，敗血癥的死亡率也非常高。根據患者所患疾病的不同，敗血癥的死亡率高達30%，嚴重敗血癥的死亡率高達50%，而感染性休克的死亡率最高可以達到80%。敗血癥發病率高，死亡率高，因此盡早發現那些可能發生感染性休克的患者，并提前干預治療，對降低ICU患者死亡風險有著重要的意義。

我研發團隊與臨床專家深度合作，建立基于規則的感染性休克預警模型，利用ICU患者實時的生命體征數據，血液動力學參數和實驗室檢測數據，對患者感染性休克的發生概率進行預測。在這些數據的支持下，前沿的人工智能算法相比較醫護人員傳統的檢查方法能夠更早發現感染性休克患者的生命體征特點，有效識別出那些可能發生感染性休克的患者，并提醒醫護人員進行干預。

病情惡化預警模型基于普通病房中病人過去24小時的數據，包括患者基本信息、臨床檢驗結果、用藥信息以及診斷信息等數據，利用先進的數據處理和機器學習算法，篩選出病情可能出現嚴重惡化的患者。

結合病情惡化預警模型和ICU死亡預警模型的預警系統能夠有效降低患者死亡率。在有預警干預組中，當預警系統顯示患者有風險時，醫生會對患者的病情進行評估，并在適當的情況下調整診療方案；無預警干預組為對照組，不進行任何干預。最終臨床實驗結果顯示，有預警干預組相對于無預警干預組的死亡率明顯降低，也就是說，在預警系統的幫助下醫護人員能夠有效降低患者的死亡率，如表3所示。

表 1 預警系統能夠有效降低患者死亡率

依托感染性休克預警模型，利用ICU患者實時的生命體征數據和實驗室檢測數據，對患者感染性休克的發生概率進行預測。在預警模型和醫護人員的幫助下，患者的ICU存活率得到明顯提升。

圖 3 采用感染性休克預警模型能有效增加ICU病人的存活率

經過大量臨床實驗，以上模型得到了有效的驗證，我院正在將ICU全景化數據與5G+AI技術結合，嵌入急重癥臨床業務流程中，提供臨床科學指導及預警。

圖4 5G+AI全景化應用場景

在國家衛生健康委印發的《2019年深入落實進一步改善醫療服務行動計劃重點工作方案》中，明確提出要繼續優化急診急救服務。建立院前醫療急救中心（站）與院內急診的信息共享機制，力爭到2020年，各地逐步建立起基于“五大中心”的急危重癥患者救治體系和院前院內信息共享網絡，實現急危重癥患者醫療救治快速、高效、高質量。鼓勵有條件的地方整合資源，探索開展有醫療服務需求的非院前醫療急救患者的轉運服務，加強相關工作管理，保證醫療質量和安全。

圖 5  臨床醫療風險智能管理平臺整體規劃

為提高醫護人員醫療質量水平和減少醫院危急重病人死亡率,更大程度的拯救病人生命,我院在實現ICU臨床數據的互通的前提下， 引進了臨床醫療風險智能管理平臺，將世界領先的人工智能算法投入到臨床應用中，進而提供了從數據平臺建設到智能輔助決策服務的完整解決方案。平臺未來會在保障患者個人隱私和數據安全的前提下，為醫護人員提供臨床信息存儲、共享、追溯、分析等科研數據支撐，建立覆蓋院前、院中的危重病人的風險評估管理，以及跨科室、跨院、跨區域的會診、指導、遠程查房等信息化服務。