BPPV智能辅助诊断系统的开发与验证

2021-09-01刘娜韩军良赵帝付炜谢瑱赵云松张俊嘉孙凡蒋文娇李朝阳费笑非张赟何风赵钢

中华耳科学杂志 2021年4期

关键词：查体诊断系统符合率

刘娜韩军良赵帝付炜谢瑱赵云松张俊嘉孙凡蒋文娇李朝阳费笑非张赟何风赵钢*

1西安交通大学第一附属医院（西安710061）

2空军军医大学第一附属医院（西安710032）

3西北大学生命科学与医学部（西安710069）

4陕西领创精准医疗科技有限公司（西安710065）

良性位阵发性位置性眩晕(Benign Paroxysmal Positional Vertigo,BPPV)是临床最常见的周围前庭性疾病之一[1]。眩晕门诊就诊患者中，约17～ 42%的患者被确诊为BPPV[2]，18～ 39岁人群年患病率约为0.5%，60岁以上人群年患病率约为3.4%，女性较男性患病率高[3,4]，多数中老年患者合并高血压病、糖尿病等慢性疾病，使得BPPV诊断更加困难[5]。BPPV患者常因头位变化诱发眩晕，对生活质量带来了极大的影响。虽然BPPV具有一定的自限性，但也极易复发，总复发率约为36%[6]。2006年中华医学会耳鼻咽喉头颈外科分会和中华耳鼻咽喉头颈外科杂志编委会发布《良性阵发性位置性眩晕（benign positional paroxysmal Vertigo，BPPV）的诊断依据和疗效评估》[7]后，我国BPPV检出率有所增高[8]，但与其他发作性前庭综合征，如前庭性偏头痛、梅尼埃病等疾病的鉴别仍存在一定困难，往往需要详细的询问病史及仔细行床旁体格检查。想要很好的做到相关疾病的鉴别诊断，不仅需要规范扎实的眩晕知识基础，也需要很强的眩晕诊疗实践经验，这对诊疗医生有很高的技术水平要求。

近年来，人工智能已广泛应用于辅助诊断、图像识别、新药研发等多个医疗领域，为很多疾病的诊治提供新的解决方法[9]。有关眩晕的辅助诊断系统，早在20世纪80年代就有学者研发，例如辅助诊断周围前庭性眩晕的“Vertigo”系统[10]，通过问卷调查形式采集患者信息，然后对信息进行整合，依据早期设置的规则，给出可能的诊断结果，但存在的问题在于系统纳入的临床数据不足，其诊断结果的可参考性较差[11]。另外一种专家系统“ONE”[12]，通过对引起眩晕疾病的症状、体征和检查结果进行加权评分，评分最高的成为最可能的诊断结果。它的诊断符合率达65%[13]，可靠性与特异性明显高于“Vertigo”系统。后期Kentala等专家在ONE数据库的基础上通过决策树建立诊断模型，对99%的眩晕患者进行了正确分类[14]。以上智能辅助诊断方式为临床医生诊断眩晕带来便利，但目前尚未报道只针对BPPV设立的诊断系统。我们拟基于人工智能探索建立一个针对BPPV的智能辅助诊断系统，协助临床医生明确诊疗思路、规范诊疗行为，提高BPPV诊断符合率。

1 方法

1.1 建立BPPV智能辅助诊断专家系统

BPPV智能辅助诊断系统的实现，需要建立知识库、设计BPPV专家系统诊断模型和程序研发与实现三个步骤。

（1）建立知识库。在阅读大量有关BPPV文献、综述、书籍的基础上，整理2015年巴拉尼协会（Bárány Society）前庭疾病分类委员会关于BPPV的诊断标准[15]、2017年巴拉尼协会前庭疾病分类委员会关于BPPV的诊断标准[16]和我国《BPPV诊断和治疗指南(2017)》[17]等诊疗标准，并在2017年12月-2019年3月期间跟随西京医院眩晕专家收集BPPV临床诊治经验以及病例信息，对BPPV患者眩晕的特点、持续时间、发作频次、诱发因素、伴随症状、查体、辅助检查等特征进行总结。

（2）设计BPPV专家系统诊断模型。将BPPV的重要诊断内容进行梳理，设定相关参数，分为一级参数、二级参数、三级参数和四级参数。一级参数为眩晕的形式、特点、既往史、家族史、查体和检查。其中晕的形式的二级参数为自身或环境的旋转摆动感、头脑不清晰感等。晕的特点的二级参数为持续时间、发作次数、发作频率、诱发因素、伴随症状、缓解因素。查体的二级参数有一般查体、耳科查体、神经系统查体、神经耳科学查体。各参数均下设三、四级参数（对内容的详细解释参数），其中诱发因素的三级参数为起卧床、侧翻身、头部转动、快速行走、噪声、光等，伴随症状的三级参数为耳蜗症状、头痛、神经系统受损症状、自主神经功能紊乱、睡眠情绪障碍等。然后对这些参数分别进行加权评分，同时设定最低诊断分数。依据以上信息模拟眩晕专家诊断疾病的逻辑思维，建立BPPV专家系统诊断模型。

（3）程序研发与实现。与软件开发人员讨论分析设计好的诊断模型，共同完成软件开发，其中包含了整个疾病所需的诊疗过程，如问诊包含的晕的形式、晕的特点、既往史、家族史，查体中尤为重要的神经耳科学查体（Dix-Hallpike实验、Roll test实验）等，检查中需要的纯音测听、视频眼震电图、视频头脉冲检查等。以上内容完全符合医生问诊的思维过程，医生在问诊后勾选相关参数，以确保问诊信息规范统一，最后给出诊疗建议，该诊疗建议可具体到半规管病变的部位（左右后半规管BPPV或左右水平半规管BPPV），但对于较少见的前半规管病变尚未涉及。系统给出的进一步治疗建议，可以指导临床医生完善后续检查，也可指导医生对患者进行手法复位。临床医生只需在手机上下载APP即可使用该系统进行辅助诊断，具有便捷快速的优点。

1.2 对建立的系统进行验证

通过回顾性收集西京医院眩晕门诊2017年1月-2018年1月的病例，对BPPV智能辅助诊断系统进行验证。首先用30例BPPV确诊病例对初步建立的BPPV智能辅助诊断系统，进行校正优化，使之更加切合临床工作。然后用100例BPPV确诊病例对其诊断的符合率进行验证（以西京医院眩晕专家诊断为金标准）。经测试，系统诊断符合率高达98%。用来优化和验证系统的病例均保护了患者的隐私，不显示患者姓名等身份信息。

1.3 对完成优化的系统通过临床实践验证其诊断效能

我们准备了20份来自四家不同医院经眩晕专家确诊的BPPV病例，分别纳入两组临床医生进行测试，每组10人。A组为神经内科医师5人，耳鼻喉科医师5人，其中8位医生接受过BPPV诊治培训。B组为普通大内科医师10人，其中3位医生对BPPV有耳闻，但未深入学习，7位医生完全不了解BPPV。每次随机抽取10份BPPV病例，与20份其他原因造成的眩晕病例相混淆。A、B两组医生分别浏览病例进行诊断，C组应用BPPV智能辅助诊断系统进行诊断。最后比较不同组对BPPV诊断的符合率。

1.4 统计学方法

使用SPSS 23.0对本研究所得数据进行分析和处理。计数资料使用χ2检验，以[n(%)]表示，P＜0.05为差异有统计学意义。

2 结果

2.1 成功建立BPPV智能辅助诊断系统

成功建立了BPPV智能辅助诊断系统（如图1），它可以在输入患者基本信息和点选病例参数后即时给出诊疗建议，在查体参数详细的情况下可以对病变部位予以判断。从系统后台提取的数据中，我们发现，在BPPV诊疗过程中起病形式、发作时间、诱发因素、变位试验等参数在诊断中具有更高的价值。

图1 软件应用界面Fig.1 APP UI

2.2 不同组别对BPPV诊断符合率的比较

以专家诊断为金标准，三组符合率整体比较，差异显著（χ2=50.278，P=0.000）。其中A组符合率明显高于 B组（χ2=24.754，P=0.000）。A 组（χ2=6.405，P=0.011）和B组（χ2=45.268，P=0.000）符合率均明显低于C组。见表1-4。

表1 A组对BBPV的诊断符合率[n(%)]Table 1 Diagnostic accuracy of BBPV in group A[n(%)]

表2 B组对BBPV的诊断符合率[n(%)]Table 2 Diagnostic accuracy of BBPV in group B[n(%)]

表3 C组对BBPV的诊断符合率[n(%)]Table 3 Diagnostic accuracy of group C on BBPV[n(%)]

表4 三种不同诊断方法对BBPV的诊断符合率比较[n(%)]Table 4 Diagnostic accuracy of three diagnostic approach on BBPV[n(%)]

3 讨论

3.1 BPPV智能辅助诊断系统的应用价值

BPPV为眩晕疾病中最多见的病种之一，约占门诊头晕患者的16.3%[18]，BPPV的年发病率为（10.7-64.0）/10.0万，能接受恰当治疗的患者约占10%-20%，误诊误治及延误治疗特别常见[19]。治疗后6个月的复发率为5-13.5%，1年的复发率为10-18%，对患者造成了极大的负担[3]。而BPPV的诊治依靠医生的认知程度与复位技巧[20]。为使患者有更好的就医体验，使临床医生尤其是基层医生在接诊眩晕患者时，能很快分辨出BPPV，现在我们建立了BPPV智能辅助诊断系统，虽然国外已经有学者研发了辅助诊断眩晕的相关软件，并且诊断符合率较高，但在国内还不能普及应用。我们开发的诊断系统以手机、iPad端展示给临床医生，方便、快捷，诊断符合率高。通过建立该系统发现，在BPPV的诊断过程中，其起病形式、发作时间、诱发因素以及神经耳科学查体中的变位试验具有更高的价值。同时，对于基层医师而言，该智能辅助诊断系统可以帮助其建立良好的诊断思维，快速获得诊断意见。对眩晕诊治的规范化能起到很好的助推作用。所以BPPV智能辅助诊断系统对BPPV的诊断达到了我们的预期目标。

3.2 BPPV智能辅助诊断系统的不足

该系统尚有不足与遗憾，首先它目前只是一个专家系统，还没有进行机器学习，我们会不断收集新的临床数据，在大数据的条件下，为机器学习提供条件。其次该系统目前只能对BPPV做出智能辅助诊断，仍有多种眩晕疾病未能包括，我们正在研发更多引起眩晕的疾病的智能辅助诊断，只有这样才能更好的应用于临床实践，为广大基层医生服务。