基于云平台的脑卒中智能随访模型研究

陈妍妍 叶 庆 陈勇飞 聂丽丽

华中科技大学同济医学院附属同济医院信息管理科，武汉，430030

脑卒中(Stroke)是危及人类生命的重大疾病，具有高病死率、高致残率、易复发和治疗费用昂贵等特点［1］。我国每年脑卒中死亡率约为0.157%，已超过心脏病成为成人死亡和致残的首要原因［2］，卒中复发是导致卒中幸存患者死亡和残疾的主要原因［3］。每年我国脑卒中患者医疗费用高达400亿元［4］，这给家庭及社会带来了沉重的经济负担。尽管溶栓被认为是确实有效的治疗方法，但受严格的时间窗、患者信息获取以及就诊绿色通道的限制使能够接受该治疗的患者仅有3%［5］。因此，脑卒中的预防以及卒中后预防再复发显得尤为重要。有研究报道，通过积极有效的预防和治疗，可以有效降低卒中复发率，减少患者的死亡和残疾［6］。本文拟通过文献研究、专家咨询构建基于云平台的脑卒中智能随访模型，为构建科学合理的随访体系提供理论指导和实践依据。

1 资料来源与方法

1.1 资料来源

本文研究资料源自中国知网学术期刊数据库，以“随访”、“云平台”、“脑卒中”为关键词检索2010－2014年文献资料，得到相关文献47万条，其中与本研究相关文献120条。脑卒中复发风险评估模型资料来源于国际认可的一系列评分量表和复发风险预测工具，包括针对缺血性脑卒中的Essen卒中风险分层量表、针对短暂性缺血的ABCD2评分及危险程度分组［7－8］。

1.2 方法

文献研究:通过查阅近几年关于随访模式以及移动医疗相关研究，掌握随访模式研究动态和研究内容，并借鉴同类研究方法和成果。专家咨询:组织医学及医学信息专家10人，其中神经科教授4人，医学信息专家(副高级职称以上)6人。通过专家咨询确定基于云平台的脑卒中智能随访模型框架、干预机制和脑卒中复发风险评估预警模型。

2 结果

2.1 传统随访模式存在的问题

2.1.1 工作量大，随访率低。传统随访模式主要由医护人员参与，通过邮件，电话等方式采集患者信息，工作效率低下，需要耗费大量人力物力。由于随访工作人员相对较少，出院患者数量大，一般采取抽样随访，不能覆盖全部出院患者，随访率低，随访效果差。

2.1.2 信息不连续，难以持久。传统随访模式下，随访工作人员在固定的间隔周期对患者进行随访调查，间断性的采集患者信息，导致随访信息不连续。

2.1.3 过于被动、干预不及时。传统随访模式主要是随访工作人员发起的随访信息采集活动，采集的时间和对象由随访工作人员决定，不会因为随访患者的个体差异而发生改变。随访活动过于被动，干预措施不及时，患者依从性不高。

2.1.4 失访率、拒访率高。传统随访模式下随访工作人员主要通过电话或者地址与患者取得联系，在随访时点不合适或者患者不知情的情况下，往往会导致患者的不配合甚至拒访。随着时间推移，电话或者地址的改变往往会造成随访对象的失联，最终导致随访中断，信息源丢失。

2.2 基于云平台的脑卒中智能随访模型

2.2.1 基于云平台的脑卒中智能随访模型框架。基于云平台的脑卒中智能随访模型包含移动端应用和云端服务。系统模型图见图1。

图1 系统模型

移动端应用包含患者版和临床医生版，主要在移动终端实现。患者端的主要功能包括随访业务信息的采集和与云端后台的交互。根据脑卒中随访业务需求，建立脑卒中患者随访数据采集模型，包括患者整个随访期的用药情况、检验检查结果、运动和饮食习惯、生活环境(气温和空气质量)以及心理状态的变化等信息。患者端与云端服务保持持续连接，实时接收服务端推送的用药提醒信息、危险因素预警信息和健康教育信息。临床医生版主要功能是接收云端后台推送的患者随访信息、卒中复发预警信息等，并及时给予干预措施。

脑卒中随访云端服务负责患者移动端采集信息的储存和共享、危险因素监测预警、健康教育信息推送以及临床医生与患者的在线沟通。随着随访数据的不断累积，云端服务还承担着大数据的分析和挖掘，为临床医生提供科研的数据支持。

2.2.2 脑卒中患者智能随访模型干预机制。传统的脑卒中随访模式是采用查阅住院病历、电话随访、信件访问等方式按照既定的时间点收集资料。随访资料主要为出院后的主要治疗情况、是否复发、生存或死亡，同时包括患者的人口学特征、既往史、脑卒中家族史、生化指标等。该模式无法获知患者连续的体征信息，患者往往在出现明显的复发症状时才会主动联系医生，从而错过最佳治疗时机。防止卒中患者复发需要医患双方共同积极参与，基于云平台的脑卒中智能随访模型具备双向触发机制，见图2。基于云端的移动医疗应用，目前已在孕期护理等领域得到广泛应用，其最大的特点就是将传统的健康管理变被动为主动。

随访触发机制。根据国内外相关标准及临床诊疗指南，针对每个患者设定危险因素的类别和触发阈值、随访计划、用药计划等，服务端实时监测并定时发出提醒信息。脑卒中数据需要长期的积累，而传统的记录模式下容易丢失，不够全面，没有连续性，也可能不太规范，容易造成偏差。智能化随访模型中，患者也可主动上传随访信息，通过与智能体征监测设备连接，实现实时连续的随访信息监测。

随访反馈机制。随访平台根据危险因素触发逻辑，如患者生活习惯改变，服务端主动向患者推送个性化的健康教育信息;监测到患者血糖或者血压超过阈值，服务端将执行双向反馈，既告知患者危险因素的存在，也同时通过平台提醒临床医生要给与相关处理措施。

图2 干预机制

2.2.3 脑卒中患者复发风险评估预警机制。对脑卒中患者复发风险评估的建模是实现智能化高复发风险患者预警的基础。目前国际认可的一系列评分量表和复发风险预测工具，包括针对缺血性脑卒中的Essen卒中风险分层量表、针对短暂性缺血的ABCD2评分及危险程度分组。结合目前国际认可的复发风险判断标准和已确定的复发相关因素，构建脑卒中复发风险预警指标体系并设定阈值，云平台对采集的患者信息进行实时分析，并将评估结果和预警信息反馈给医护人员和脑卒中患者。

3 讨论

3.1 实时连续监测脑卒中复发危险因素，提高患者依从性

基于云平台的脑卒中智能随访模型通过移动终端实时、连续监测患者高血压、糖尿病、血脂代谢异常、冠心病、房颤、风心病等心脏病和吸烟等卒中复发危险因素，服用药物、生活方式、神经功能恢复等详细情况，由云端后台智能推送服药和就医提醒，从被动的接受随访转化为主动提交随访信息，从而提高患者随访依从性。

3.2 智能识别复发高危患者并及时干预，降低复发风险

通过脑卒中风险评估模型实时分析脑卒中随访数据，智能识别卒中复发高危患者，并提醒随访医生，便于医生及时干预，降低脑卒中复发风险。

3.3 个体化分层治疗和健康教育，提高脑卒中二级预防效果

脑卒中并发症以及新发卒中的预防、治疗康复过程中的干预管理极为重要。基于云平台的脑卒中智能随访模型根据个体差异采取更为积极有效的个体化分层治疗和针对性的健康宣教，同时为医生提供一体化的随访档案，对卒中二级预防起到积极地促进作用。

综上所述，通过构建基于云平台的脑卒中智能随访模型，能够实现康复、随访、科研一体化，提高患者随访依从性，降低卒中复发风险，提高二级预防效果，对于脑卒中的防控和提高群众健康水平具有积极的促进作用。基于云平台的脑卒中智能随访模型是对传统随访模式的一个改进和补充，可以为其他慢性病的随访工作提供参考。基于云平台的脑卒中智能随访模型采用了最新的科学技术和操作模式，模型的适用性会受到患者地域分布、文化水平、收入水平等多方面因素的影响，也是我们下一步要研究的内容。

［1］Johnston SC，Mendis S，Mathers CD.Global variation in stroke burden and mortality:estimates from monitoring，surveillance，and modeling［J］.Lancet Neurol，2009(8):345 －354.

［2］Wei JW，Wang JG，Huang Y，et al.Secondary prevention of ischemic stroke in urban China［J］.Stroke，2010，41(5):967－974.

［3］Liu M，Wu B，Wang WZ，et al.Stroke in Chinaepidemiology，prevention，and management strategies［J］.Lancet Neurol，2007，6(5):456 －464.

［4］Feng W，Hendry RM，Adams RJ.Risk of recurrent stroke，myocardial infarction，or death in hospitalized stroke patients［J］.Neurology，2010，74(7):588 －593.

［5］Liu L，Wang D，Wong KS，et al.Stroke and stroke care in China:huge burden，significant workload，and a national priority［J］.Stroke，2011，42(12):3651 －3654.

［6］Wolfe CD.The impact of stroke［J］.Br Med Bull，2000，56(2):275－286.

［7］Weimar C1，Diener HC，Alberts MJ，et al.The Essen stroke risk score predicts recurrent cardiovascular events:a validation within the REduction of Atherothrombosis for Continued Health(REACH)registry［J］.Stroke，2009，40(2):350－354.

［8］Johnston SC1，Rothwell PM，Nguyen － Huynh MN，et al.Validation and refinement of scores to predict vrey early stroke risk after transient ischaemic attack ［J］.Lancet，2007，369(9558):283 －292.