基于大数据挖掘技术建立围手术期风险评估系统

范双炽

医学领域治疗中手术治疗是常用和有效的方法之一，外科系统承担了医院的主要手术治疗随着微创医学的发展、内科体系中心内科、消化内科也都开展了手术治疗。往往一些患者因外科治疗困难转做内科手术如微创介入下瓣膜置换（TAVI/TAVR）、内镜下逆行胰胆管造影取石术ERCP。这些侵入性手术都需要进行麻醉，手术前对患者的评估是降低麻醉和手术并发症和死亡率的有效措施和常规。术前风险预测是根据患者生理状况、基础疾病、麻醉和手术对机体的影响，量化评价风险水平的方法。麻醉医生根据患者风险水平，制定和修订麻醉和围术期医疗方案和采取防范措施，从而降低潜在风险，提高安全性和医护质量。目前医疗体系中手术治疗是最常见的治疗方式，麻醉手术中不同患者有不同的安全系数，不同的风险和并发症，三级综合医院每天的手术量从数十到数百不等，对于不同患者的麻醉手术风险评估也有不同的方法，如Palmberg 提出的“老年患者术后死亡率预测方法”、Destky 对Coldman 设计的“非心脏手术患者心脏风险预测方法”、改进的ASA 麻醉风险预测方法等[1-6]。ASA 分级是最常用的分级方式，能对患者的状况评估偏粗糙，综合性能不够。对于麻醉手术后的并发症需要新的更智能的方法来提供有效预测，依据风险评级围术期能够提供指导价值修改制定最佳的麻醉手术方案，采取预防措施，降低围术期潜在的风险，提高手术安全性和医疗质量。基于医院信息系统数据平台的功能，以解决围术期并发症风险评估预测为主要目标的系统方案，通过大数据技术科学的预测麻醉手术并发症，指导临床做好术前准备，降低手术患者围术期风险。

1 材料与方法

1.1 临床资料与数据

临床数据取自福建医科大学附属三明第一医院麻醉科信息系统，电子病历系统、病案管理系统。以2016—2018 年全部手术病例纳入范围，分别提取术前相关资料、术后并发症以及死亡等相关数据。

1.2 临床因素筛选

目前临床上常用的评估方法是ASA 分级，根据患者的身体状况、检查指标分为五个等级。由于使用上的局限先后出现了新的麻醉风险预测方法、麻醉和手术后心肺并发症预测方法、老年患者术后死亡率预测方法、非心脏手术患者心脏风险预测方法，APACHE Ⅱ以及 POSSUM 评分体系主要针对术后并发症的评估。以评估预测方法上所涉及的变量有，年龄、体重、BMI、生理指标（心率、血压、呼吸、体温）、检验指标（钠、钾、肌酐、尿素氮、血红蛋白、红细胞压积、血糖）、心电图、手术类型、手术分级、失血量、器官功能状态、ASA 分级等。根据麻醉手术前各类指示的临床价值和可获得的数据资料我们选用了年龄、体质量、心率、血压、钠、钾、肌酐、尿素氮、血红蛋白、红细胞压积、血小板、血糖、心电图、手术类型、手术分级、ASA 分级[7-9]。

1.3 围手术期并发症、死亡病例判定标准与手术分级

对于围手术期的患者最危险的并发症有呼吸、心跳骤停，这意味着可能导致生命终止，是其中第一要评估的风险，接下来是各个重要脏器的功能损伤，呼吸道感染、肺栓塞、呼吸衰竭，心脏发生心肌梗塞、脑梗、脑栓塞、血液系统并发症重度贫血、低血小板、DIC，其它的电解质异常、神经损伤也是相关的危险因子。

手术分级手术依据其技术难度、复杂性和风险度，将手术分为四级。一级手术：手术过程简单、技术难度较低、风险度较小的各种手术。二级手术：手术过程不复杂、技术难度一般、风险度中等的各种手术三级手术：手术过程较复杂、技术难度较大、风险度较大的各种手术。四级手术：手术过程复杂、技术难度大、风险度大的各种手术[2]。不同级别手术产生并发症的风险也是不同，随级别的增高并发症的发生率也随之增加。

并发症类型我们选用死亡、心跳骤停、伤口感染、肺部感染、肺栓塞、脑栓塞、心肌梗塞、入住ICU。

2 结果

2.1 建立数据库分配数据集

临床数据取自福建医科大学附属三明第一医院麻醉科信息系统，电子病历系统、病案管理系统。以2016—2018 年全部手术病例纳入范围，分别提取术前相关资料、术后并发症以及死亡等相关数据。

2.2 相关数据挖掘和模型建立

数据挖掘是通过各种分型模型发现各因变量与结果变量之间的逻辑关系，主要步骤是数据准备、数据清洗、数据挖掘（建立预测模型）、结果表达与分析[3]。5 种数据挖掘方法有回归模式（regression）、分类模式（classification）、关联模式（association）、聚类模式（clustering）、偏差模式（deviation）等[10-11]。

项目组使用了5 种数据挖掘方法进行分析，旋转随机森林（rotating random forest）、随机森林（random forest）、贝叶斯网络（bayesiannetwork）及朴素贝叶斯网络（naive bayesiannetworks）支持向量机SVM 等[5]。之前所得的数据集按2：1 的比例随机分成两组训练集和测试集，对并发症的预测准确性验证中，随机森林模型预测准确率达到87%（如表1），该模型的拟合度和准确性都较高，接受者操作特征曲线（receiver operating characteristic，ROC）最终选取随机森林模型作为核心模型。

图1 围手术期步骤

图2 风险评估软件数据流程

表1 各预测模型预测的准确率

3 评估系统软件开发

3.1 梳理围术期业务流程

患者手术安排实施业务流程与手术前评估流程，详见图1 ～2。

3.2 评估系统应用结果

利用我院住院部和门诊电子病历系统，采用国际先进的J2EE 技术，支持Windows、Linux 等多种操作系统。所有的数据都保存在数据库服务器，所有对数据库的操作都通过应用服务器进行，从而有利于系统的安装、维护、更新和数据的集中管理，增加了数据的安全性。临床应用评估的结果为低、中、高风险者三个等级，中高风险根据临床需进一步检查或纠正功能支持，详见图3 ～4。

4 讨论

图3 风险评估软件评估页

图4 风险评估软件预测结果

手术是一项高风险的治疗措施，不同部位，不同手术方式带来的风险也不一样，围术期安全是手术、麻醉学科最关注的问题，安全包括术前、术中、术后的全程管理，减少并发症的发生[12]。本课题通过收集整理全院2016—2018 年手术麻醉病例的围术期数据经过数据提取、整理、补缺建立围术期并发症数据库。通过对变量权重的分析、应用机器学习的方法建立数据预测模型，通过验证集的方案交叉确认模型的可靠性，而后开发出围手术期风险预测评估系统，在国内较早的人工智能在围术期风险预测的大数据应用。

经过优化以后的软件可以通过麻醉信息系统连接HIS 系统、电子病历系统、检验系统、心电系统综合提取患者术前检查诊断等相关数据，在手术前对全院手术麻醉患者批量进行风险评估，筛选出高中低三个级别风险的患者，中低风险患者手术风险小，高风险患者需要重点分析风险的原因、并发症发生的方向，对于麻醉方案的进行重新选择、调整、修改、让患者的器官功能状态改善，必要时进行全院会诊。这些措施可以有效降低围手术期的风险，提高患者围手术期的安全保障。

疾病预测未来的发展方向将是基于多态数据，即包涵结构化数据如文本、数据中心、影像、心电中心数据，时间序列数据，非结构化的数据，对于这样多态的数据进行整合预测具有重要的技术挑战。有了这次项目的研究成果我们将与多家医合作优化风险评估系统的模型，提高预测的智能化和准确度。对于麻醉质量管理上将引入更多数据分析的新方法。在变量选择上也将融合专业的医学理论、医疗领域长期使用积累的风险评估方案结合机器学习的方法与临床价值共同筛选，使评估系统的精度将进一步提高具有更强的指向性和指导价值，增加按专科疾病手术进行分类预测并发症、按器官系统功能的风险预测，让手术麻醉风险评估更加智能、科学、规范。