在國(guó)家政策及大數(shù)據(jù)、人工智能技術(shù)發(fā)展的驅(qū)動(dòng)下，北京大學(xué)第三醫(yī)院結(jié)合醫(yī)院實(shí)際需求進(jìn)行臨床決策支持研究，建立一套契合臨床診療流程、高效實(shí)用的綜合性臨床決策支持體系，以提高診療效率、減少醫(yī)療差錯(cuò)、提升醫(yī)療質(zhì)量。系統(tǒng)基于全量數(shù)據(jù)中心，深入挖掘醫(yī)院10年來(lái)累積的大量?jī)?yōu)質(zhì)歷史病歷數(shù)據(jù)，并融合全球權(quán)威BMJ循證醫(yī)學(xué)知識(shí)庫(kù)，在雙引擎驅(qū)動(dòng)下，實(shí)現(xiàn)智能化診斷及治療的輔助決策。構(gòu)建綜合預(yù)警規(guī)則平臺(tái)，實(shí)現(xiàn)診療全過(guò)程綜合預(yù)警提醒。搭建智能化病歷內(nèi)涵質(zhì)控平臺(tái)，實(shí)現(xiàn)實(shí)時(shí)統(tǒng)一的病歷內(nèi)涵質(zhì)量控制。建設(shè)基于院內(nèi)主數(shù)據(jù)的標(biāo)準(zhǔn)化術(shù)語(yǔ)本體，實(shí)現(xiàn)融入業(yè)務(wù)系統(tǒng)的基于語(yǔ)義的知識(shí)檢索服務(wù)。在多系統(tǒng)集成及海量數(shù)據(jù)支撐的基礎(chǔ)上，實(shí)現(xiàn)覆蓋診療全過(guò)程的實(shí)時(shí)輔助診療決策，有效降低誤診率，提升臨床診療水平及效率。

有研究表明，因決策失誤所致的用藥錯(cuò)誤或處置不當(dāng)是造成醫(yī)療差錯(cuò)甚至責(zé)任事故的重要原因。隨著醫(yī)院就診人次攀升和向患者提供優(yōu)質(zhì)服務(wù)的需求，降低誤診率，臨床決策支持系統(tǒng)成為各大醫(yī)療機(jī)構(gòu)關(guān)注與發(fā)展的熱點(diǎn)。現(xiàn)行臨床工作在很大程度依賴于臨床經(jīng)驗(yàn)，承擔(dān)一線工作的低年資醫(yī)生臨床經(jīng)驗(yàn)不足、醫(yī)學(xué)知識(shí)體系不完善，需要基于循證醫(yī)學(xué)實(shí)踐及醫(yī)院臨床實(shí)踐的便捷輔助決策支持工具。

臨床決策支持系統(tǒng)（CDSS），基于全量數(shù)據(jù)中心，采用自然語(yǔ)言處理技術(shù)、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法，深入挖掘醫(yī)院近10年來(lái)累積的大量?jī)?yōu)質(zhì)歷史病歷數(shù)據(jù)，并融合全球權(quán)威BMJ的循證醫(yī)學(xué)知識(shí)庫(kù)，涵蓋文獻(xiàn)、指南、循證醫(yī)學(xué)證據(jù)一千四百多萬(wàn)條，制定全科及專科預(yù)警規(guī)則近2萬(wàn)條。

該系統(tǒng)從底層數(shù)據(jù)到頂層應(yīng)用的系統(tǒng)架構(gòu)如下圖所示。底層由數(shù)據(jù)中心、BMJ知識(shí)庫(kù)、臨床指南作為數(shù)據(jù)基礎(chǔ)，經(jīng)過(guò)數(shù)據(jù)處理，整合得到：臨床最佳實(shí)踐庫(kù)和循證醫(yī)學(xué)最佳實(shí)踐庫(kù)。通過(guò)算法分析、構(gòu)建模型，搭建后臺(tái)支撐體系，支持前端臨床應(yīng)用。如圖1

圖1 臨床決策支持系統(tǒng)系統(tǒng)架構(gòu)

1.病歷多層次醫(yī)療術(shù)語(yǔ)抽取

病歷文書及檢查報(bào)告利用的基礎(chǔ)在于非結(jié)構(gòu)化文件的處理，這里使用病歷多層次醫(yī)療術(shù)語(yǔ)抽取方法，在本體的術(shù)語(yǔ)標(biāo)準(zhǔn)化基礎(chǔ)上，以極細(xì)的顆粒度，對(duì)癥狀、體征、持續(xù)時(shí)間、治療手段、治療效果等實(shí)體進(jìn)行提取，并按照時(shí)間關(guān)系加以組織，最終完成病歷的后結(jié)構(gòu)化處理，為形成醫(yī)院臨床最佳實(shí)踐庫(kù)提供數(shù)據(jù)支撐。

2.雙引擎驅(qū)動(dòng)的輔助診療決策推薦

CDSS基于真實(shí)最佳臨床實(shí)踐案例和BMJ循證醫(yī)學(xué)知識(shí)庫(kù)雙引擎驅(qū)動(dòng)，在病歷多層次醫(yī)療術(shù)語(yǔ)抽取的基礎(chǔ)上，深入挖掘我院10年來(lái)累積的大量?jī)?yōu)質(zhì)歷史病歷數(shù)據(jù)，融合權(quán)威BMJ循證醫(yī)學(xué)知識(shí)庫(kù)，利用神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等機(jī)器學(xué)習(xí)算法來(lái)搭建診斷及治療方案推薦模型，實(shí)現(xiàn)智能化診斷及治療的輔助決策。

3.臨床數(shù)據(jù)實(shí)時(shí)處理

CDSS提供的診斷、治療方案推薦，預(yù)警提醒，病歷質(zhì)量監(jiān)控等，要求有一定的實(shí)時(shí)性，系統(tǒng)根據(jù)當(dāng)前患者的病歷、檢查/檢驗(yàn)指標(biāo)變化，提供及時(shí)推薦和提醒。比如，對(duì)于病歷內(nèi)涵質(zhì)控，當(dāng)臨床醫(yī)生書寫病歷時(shí)，輔助臨床決策系統(tǒng)需完成與應(yīng)用系統(tǒng)的數(shù)據(jù)傳輸，系統(tǒng)的數(shù)據(jù)處理及結(jié)果返回。對(duì)臨床應(yīng)用系統(tǒng)與臨床決策系統(tǒng)之間的信息交互提出更高要求，對(duì)臨床決策系統(tǒng)的處理服務(wù)提出更高要求。

4.系統(tǒng)異步通訊

CDSS與臨床應(yīng)用系統(tǒng)采用異步通信，在提供推薦、提醒服務(wù)的同時(shí)，不影響臨床業(yè)務(wù)處理速度，提供非打斷式提醒服務(wù)。

CDSS建立診療模型，搭建預(yù)警系統(tǒng)，構(gòu)建規(guī)則應(yīng)用平臺(tái)、病歷質(zhì)控平臺(tái)、知識(shí)檢索平臺(tái)。在多系統(tǒng)及平臺(tái)的支撐下，實(shí)現(xiàn)面向臨床的輔助臨床診療決策、多維綜合臨床預(yù)警預(yù)測(cè)、實(shí)時(shí)統(tǒng)一病歷內(nèi)涵質(zhì)控、語(yǔ)義知識(shí)檢索服務(wù)。

1.雙引擎驅(qū)動(dòng)實(shí)現(xiàn)智能化診斷及治療的輔助決策

結(jié)合當(dāng)前患者病歷，借助雙引擎驅(qū)動(dòng)，實(shí)現(xiàn)診斷決策導(dǎo)航，包括：診斷概率列表直接推薦、檢驗(yàn)檢查項(xiàng)目推薦輔助確定診斷、鑒別診斷推薦驗(yàn)證診斷，如圖2。通過(guò)提供有概率比較的診斷列表，以及多渠道驗(yàn)證機(jī)制，輔助臨床確定診斷，減少誤診誤治。

圖2 診斷概率列表推薦

循證醫(yī)學(xué)知識(shí)庫(kù)檢索+歷史病歷挖掘雙引擎驅(qū)動(dòng)，輔助臨床進(jìn)行治療決策。結(jié)合當(dāng)前患者的主訴、既往史、現(xiàn)病史、輔助檢查等內(nèi)容，以臨床指南治療為基礎(chǔ)，通過(guò)學(xué)習(xí)BMJ循證醫(yī)學(xué)知識(shí)庫(kù)以及我院相似病例經(jīng)典治療方案，如圖3、4所示，輔助臨床形成精準(zhǔn)化、個(gè)性化的治療方案。

圖3 循證醫(yī)學(xué)知識(shí)庫(kù)+個(gè)性化治療方案推薦圖

圖4 歷史相似病例推薦

2.構(gòu)建綜合預(yù)警規(guī)則平臺(tái)，實(shí)現(xiàn)診療全過(guò)程綜合預(yù)警提醒

構(gòu)建綜合預(yù)警規(guī)則平臺(tái)，制定異常指標(biāo)、預(yù)警提醒規(guī)則近2萬(wàn)條，實(shí)現(xiàn)異常指標(biāo)、預(yù)警提醒規(guī)則的可配置管理；利用自然語(yǔ)言處理、機(jī)器學(xué)習(xí)算法提取患者檢驗(yàn)、檢查及文本信息的后結(jié)構(gòu)化數(shù)據(jù)，對(duì)臨床診斷、用藥、檢驗(yàn)、檢查等處置方案進(jìn)行規(guī)則判斷，實(shí)現(xiàn)診療全過(guò)程綜合預(yù)警提醒。通過(guò)提取歷史相似病歷危急重情況的相關(guān)數(shù)據(jù)，監(jiān)測(cè)患者各項(xiàng)指標(biāo)變化，預(yù)測(cè)患者病情發(fā)生及發(fā)展成危急重情況的概率，如圖5、6所示。

圖5 預(yù)警提醒圖

圖6 病情快速進(jìn)展評(píng)估

3.搭建智能化病歷內(nèi)涵質(zhì)控平臺(tái)，實(shí)現(xiàn)實(shí)時(shí)統(tǒng)一的病歷內(nèi)涵質(zhì)控

搭建智能化病歷內(nèi)涵質(zhì)控平臺(tái)，建立基于國(guó)家病歷質(zhì)控標(biāo)準(zhǔn)為核心的病歷內(nèi)涵質(zhì)控規(guī)則引擎。通過(guò)對(duì)病歷結(jié)構(gòu)化解析，實(shí)現(xiàn)實(shí)時(shí)、統(tǒng)一標(biāo)準(zhǔn)的病歷數(shù)據(jù)的智能化問(wèn)題檢出，輔助臨床醫(yī)生在書寫病歷環(huán)節(jié)及時(shí)發(fā)現(xiàn)缺陷、修改缺陷，有效提高病歷書寫質(zhì)量,如圖7所示。

圖7 病歷質(zhì)控實(shí)例

借助病歷質(zhì)量監(jiān)控平臺(tái)，幫助病歷質(zhì)量管理者實(shí)現(xiàn)全院高效病歷質(zhì)量水平監(jiān)管，如圖8所示。

圖8 病歷質(zhì)控監(jiān)控平臺(tái)

4.提供融入業(yè)務(wù)系統(tǒng)的基于語(yǔ)義的知識(shí)檢索服務(wù)

在院內(nèi)主數(shù)據(jù)標(biāo)準(zhǔn)化基礎(chǔ)上建設(shè)標(biāo)準(zhǔn)化術(shù)語(yǔ)本體，完成疾病、藥品、體征同義及層級(jí)關(guān)系的對(duì)照，有強(qiáng)大的醫(yī)學(xué)知識(shí)庫(kù)支撐，并將檢索服務(wù)集成于業(yè)務(wù)系統(tǒng)，提供融入業(yè)務(wù)系統(tǒng)的基于語(yǔ)義的知識(shí)檢索服務(wù)，如圖9所示。

圖9 基于語(yǔ)義的知識(shí)檢索

分析2017年的既往病例，診斷推薦的第一命中率為75.46%，前三命中率高達(dá)87.53%。推薦診斷準(zhǔn)確率高。分析上線前5個(gè)月24個(gè)病區(qū)初診準(zhǔn)確率為70.4%，如圖10所示。上線后5個(gè)月相同病區(qū)的初診準(zhǔn)確率為72.6%，如圖11所示。提高了初診準(zhǔn)確率。分析上線前5個(gè)月24個(gè)病區(qū)平均確診時(shí)長(zhǎng)為3.25天，上線后5個(gè)月相同病區(qū)平均確診時(shí)長(zhǎng)為2.27天，減少近1天，如圖12所示，縮短了確診時(shí)長(zhǎng)。其中，第一命中是指出院主診斷位于推薦診斷第一位，前二命中是指出院主診斷位于前二位，同理為前三命中；推薦診斷準(zhǔn)確的判定為推薦診斷是出院主診斷或上一級(jí)診斷；初診準(zhǔn)確率的判定為入院主診斷等于出院主診斷；確診時(shí)長(zhǎng)的確定方式為文書中記錄確診的上級(jí)醫(yī)師查房記錄時(shí)間減入院時(shí)間。

圖10 推薦診斷準(zhǔn)確率圖

圖11 初診準(zhǔn)確率比較圖

圖12 確診時(shí)長(zhǎng)比較圖

分析上線前后10個(gè)月6個(gè)科室24個(gè)病區(qū)的病例，推薦診斷平均覆蓋總診斷數(shù)的81%，如表3所示，覆蓋疾病廣。在有診斷推薦的病歷中，各年齡段的前三命中率平均86.44%，命中比例高達(dá)93.33%，如表4所示，推薦診斷覆蓋全年齡段。其中，診斷數(shù)指病例中出現(xiàn)的診斷數(shù)量；推薦診斷命中數(shù)指有推薦診斷并命中的診斷數(shù)量；推薦命中占比=推薦診斷命中數(shù)/診斷數(shù)*100%；前三命中比例指出院診斷出現(xiàn)在推薦診斷列表前三位的百分比；命中比例指出院診斷出現(xiàn)在推薦診斷列表中的百分比。

表3 推薦診斷與總診斷數(shù)的占比表

表4 各年齡段推薦診斷命中情況表

分析上線后5個(gè)月6個(gè)科室24個(gè)病區(qū)的病歷，醫(yī)生平均修改率為73.41%，如表5所示；將某科上線后2018年12月問(wèn)題數(shù)與2017年12月病歷問(wèn)題數(shù)比較，從308降到105，減少了66%，如圖13所示。

表5 上線后5個(gè)月6個(gè)科室醫(yī)生修改率情況表

圖13 上線前后問(wèn)題病例數(shù)比較

通過(guò)推薦診斷準(zhǔn)確率、初診準(zhǔn)確率、確診時(shí)長(zhǎng)3個(gè)指標(biāo)來(lái)評(píng)估智能輔助決策推薦診斷的有效性，從推薦診斷覆蓋率、年齡段覆蓋率2個(gè)維度來(lái)分析推薦診斷的適用性，從病歷平均修改率和病歷問(wèn)題數(shù)2個(gè)角度分析病歷質(zhì)控有效性。通過(guò)這些數(shù)據(jù)分析，可以看到輔助診療體系對(duì)臨床工作起到了較好的輔助作用。

進(jìn)一步探索臨床決策系統(tǒng)應(yīng)用，為臨床提供更多基于大數(shù)據(jù)及人工智能技術(shù)的便捷有效工具；繼續(xù)探索利用醫(yī)院海量數(shù)據(jù)資源及人工智能新技術(shù)在醫(yī)院的新應(yīng)用，更深入地解決臨床醫(yī)療、醫(yī)院管理等問(wèn)題。