基于循证医学知识库的智能预问诊系统的研究与实践

2021-11-01曹茂诚胡莉

微型电脑应用 2021年10期

曹茂诚, 胡莉

(深圳市宝安区人民医院，广东深圳 518101)

0 引言

随着国内新冠疫情的有效控制，疫情防控已进入新常态，医院既要为广大市民提供良好的就医服务，第一时间诊治新冠患者，又要实现院内零感染，责任与压力并重。随着人工智能技术的快速发展，以及智能科技与医学的交叉融合，探索与健康中国相适应的新型医疗服务模式，构建以现代科技手段赋能全生命周期各个环节的新型健康服务体系，建立全流程的健康服务变得势在必行，特别是在疫情防控常态化新形势下，医疗机构势必全面拥抱互联网，快速进入智慧转型“深水区”。2020年，国家卫健委接连发布文件[1-3]，强调要充分发挥互联网优势，把新冠疫情防控工作落实、落细、落到位；充分发挥信息化在创新诊疗模式、提升服务效率、促进人员安全有序流动等方面的支撑作用。

如何有效利用互联网、物联网、5G等新兴技术，在确保院内零感染的基础上，给广大患者提供优质、便捷、安全的智慧医疗服务已成为当前各公立医院全面贯彻落实习近平总书记关于坚决打赢疫情防控阻击战亟待解决的关键问题之一。

常规诊疗流程主要由挂号、候诊、就诊、缴费、检查等组成。如何将疫情防控关口前移，将患者原先需要在医院才能完成的流程，借助互联网技术能够在家里完成，减少医院现场就诊时间，避免大量人群聚集带来的交叉感染风险就显得尤为重要。

国外人工智能应用在医疗服务领域起步较早[4-5]，2015年，IBM“沃森”仅用时10分钟就为一名女性病人精准诊断出白血病，并向相关医疗机构提出了治疗方案。尽管人工智能技术与医疗服务融合应用在国内才刚刚起步,但发展迅速，从2003年的非典SARS开始，人工智能技术已在疫情监测预警领域得到了广泛应用[6]。与2003年的SARS相比，本次新冠肺炎具有潜伏期更长、传播传染性更强、无症状携带者导致防控难度更大等特点。重庆医科大学附属第一医院的胡磊等[7]在人工咨询基础上，扩展了基于AI的新冠肺炎自诊、健康手册、热点问题速查等技术，为多学科线上诊疗打下了坚实根基。

我院将循证医学理论与人工智能技术深度融合[8-10]，通过智能预问诊系统对在线问诊植入AI能力，创新性地将门诊服务延伸到诊前，通过大众端人工智能与患者问答的形式，结构化采集患者的基础信息及病史信息。在新冠疫情防控期间，“互联网+医疗健康”创新服务模式有效避免了人群聚集，减少了医院现场就诊时间，大幅降低了新冠肺炎交叉感染概率，提升了医患高效沟通效率。

1 系统架构图

智能预问诊系统主要分为互联网区域和医院内网部分，如图1所示。

图1 智能预问诊系统架构图

互联网区域主要是给患者提供手机端服务，患者可以在手机端通过微信小程序形式录入个人信息；医院内网主要是实现服务器、存储、接口服务器等部署。由于系统要对外提供服务，对信息安全要求极高，方案采用网闸对医院内、外网进行物理隔离，医院内、外网通过端口映射方式提供外网访问。通过反向代理技术NGIX，隐藏了服务器具体位置及信息，实现了负载均衡，提高了系统安全性。

2 循证医学知识库

2.1 知识组织、标准化

循证医学知识客体主要包括收集、整理、分类、过滤、加工、提取、建模等流程。通过建立疾病库、药品库、检查库和疾病诊治相关的知识库实现对知识单元的描述和标引，明确知识节点之间的逻辑关系。建立疾病名称、疾病诊疗、药物体系、检查体系等区域医学知识库，规范诊疗行为，提高医疗质量。对诊疗行为全流程动态监控，辅助医生临床决策，减少漏诊、误诊。

2.2 基于知识库的临床支持模型

2.2.1 疾病数据库

包括各专科疾病谱信息，例如疾病名称、诊断、病因、并发症、流行病学、检验检查、其他辅助检查等信息。

2.2.2 药品数据库

包括药品所有详细信息，例如药品商品名称、通用名称、配伍禁忌、适应症、禁忌症、注意事项、用法用量、不良反应等信息。

2.2.3 检验检查数据库

包括各类检验检查项目信息，例如名称、临床作用、不良反应、是否空腹、正常值等信息。

2.2.4 循证医学数据库

包括临床指南、诊疗评价和临床基础研究，其中临床基础研究包括对照临床实验、非对照临床实验、随机对照实验、非随机对照实验、病理分析及横断面研究等信息。

2.2.5 临床辅助诊断

主要提供辅助诊断治疗，根据病人的症状，通过智能辅助诊断决策引擎，推断出患者的疑似诊断，提供鉴别诊断的检验、检查项目，在医生确诊后提供合适的治疗方案供医生参考。

3 关键技术

3.1 循证医学标准

临床医疗服务是严谨的、专业的，需要有一套国家标准作为服务的基础，因此首先对国际上、国家卫健委、中华医学会、各医学专委会等发布的指南、路径、规范等相关医学标准进行收集、整理，结合最新的信息化、人工智能，建立结构化、关联化、智能化的临床决策模型，再按照临床诊疗诊前、诊中、诊后实际场景的需求，按照不同病种的实际问题及患者回答的答案，实时动态生成预问诊问题，模拟临床医生问诊，全面收集主诉、现病史、既往史、家族史、过敏史等信息，通过系统的智能诊断模型，初步给出5个疑似诊断，系统再结合以上信息为医生推荐鉴别诊断需要的检验、检查项目，在医生确诊后，系统推荐国家标准治疗方案供医生参考。

3.2 医学术语

医学专业术语对于普通大众来说是一个难题，系统通过手机患者医疗常用的俗语建立俗语与专业术语的关联库，在终端以通俗化用语呈现，辅助提供图文、音视频辅助患者对问题正确地理解并做出准确的回答。患者提供系统的问题和答案都是采用简练的词语，针对单独的词语怎样组成一份完整的病历(类似医生书写的病历)，系统对于患者的结构化录入后台有一套语言组装模型，可以自动生成一份完整病历，可以一键快速导入到病历系统。

3.3 人工智能

系统采用基于TensorFlow的深度学习框架，基于机器学习、人工智能和自然语言处理NLP等技术，通过对海量循证医学标准进行深度挖掘和学习，形成智能化问诊模型及智能辅助诊断模型，并进行推理运算将后期临床经验丰富的专家经验提炼成AI深层神经网络模型算法，将循证医学与本地化特色经验相结合。

在遵循医学规律的前提下结合医学业务逻辑，设计不同的决策模型，如药效评估模型、病史采集模型、手术方案决策模型等。通过使用统计学和机器学习方法，结合医学数据源的特点通过真实临床数据、样本数据对原始模型进行训练、评估、纠错多维度符合提升系统的智能化。

(1) 决策树归纳推荐算法

医疗数据的挖掘技术旨在从海量医疗数据中提取有效的模型、关联、规则、变化以及普遍的规律，加速医生决策诊断和提高其决策诊断的准确度，决策树算法目前是应用最为广泛的归纳推理算法之一。智能预问诊系统正是基于循证医学知识库结合决策树归纳算法对病人的病症进行分类预测以及数据分析。

(2) 贝叶斯定理

贝叶斯定理是统计学中非常重要的一个定理，智能预问诊系统基于循证医学知识模型应用贝叶斯定理来保证医疗诊断过程的有效性，对于新的实例的预测和预警都有很好的使用效果。

(3) 神经网络

智能预问诊系统底层基础医学逻辑基于循证医学标准利用类似于AlphaGo的神经网络算法模式，构建一个医疗界的AlphaGo，构建的前提是快速训练，可扩展。

3.4 大数据平台

智能预问诊系统在临床应用一段时间后，会产生大量的病历数据可以用于后续的临床研究。通过建立分布式大数据平台，将院内所有的数据实现统一集成、统一存储、统一管理，形成数据资产。通过大数据的数据建模、结构化处理、知识库建模、语义分析、基础库建设、专题库建设等技术，实现数据的研究分析，为医教研提供数据支撑。系统存储架构如图2所示。

图2 系统存储架构图

数据处理如图3所示。

图3 数据处理图

系统后台采用Hadoop分布式文件系统HDFS存储海量的结构化及半结构化数据，针对医疗数据查询分析的实时性和延时需求，对于实时性要求较高的需要采用Storm内存流式计划框架进行实时数据分析，对于离线数据采用Hadoop MapReduce计算框架，例如大量的医疗病历数据。平台主要以Hadoop 2.0技术框架为基础,采用Ubuntu16.04系统,由8台华为E5-2699服务器组成数据管理平台，每台服务器内存16×16G DDR4 2 400 MHz，机身自带硬盘1块1 200G PCI-E SSD盘, 2块300 GB 2.5寸≥10 Krpm工业级硬盘， 9块4TB SATA 盘，总存储容量近300 T。

医疗数据主要来源于临床指南、临床路径、诊疗规范、诊断学、临床用药指南、检验检查指南等相关的循证医学标准以及本院临床实例。存在形式主要分为半结构化和非结构化数据。数据通过初级转化存入HDFS中，结构化数据通过序列化后存入HDFS中，不能够序列化的数据，通过数据整理后统一存放在分布式数据库环境中，再经过序列化后放入HDFS中。数据处理是对收集到的数据进行加工整理，形成适合数据分析的数据资产，例如对非结构化、半结构化医疗数据经过数据的抽取、清洗、过滤、转换、加载等，并在数据处理过程中，剔除重复数据、补充缺失数据、处理格式不统一数据等，最终将大量杂乱无章难以理解的数据推导出有效数据，建立各种决策模型。

4 应用效果

预问诊系统采用了医院与深圳某软件企业联合开发模式，由系统架构师、软件设计师、需求分析师和临床医生等不同角色人员组成了8人开发团队，开发周期总耗时4个月，于2019年1月在我院选取患者数量多、陪诊家属也多的儿科进行了智能预问诊系统的试点上线工作。截止到目前，系统运行稳定，取得了阶段性的成果。系统使用前后对比如表1所示。

表1 系统使用前后对比

通过使用智能预问诊系统前后对比可以明显看出，一方面医生能够提前全面掌握患者病情，将门诊医生从大量繁琐的病历书写中解放出来，转而投入到更有价值的诊疗服务中，把时间留给患者；另一方面，在帮助临床医生提高服务上限的同时减少患者在医院就诊时间，避免了大量人群聚集带来的交叉感染风险，帮助医院管理者守住了安全底线，增加了医患沟通时间，有效改善了医患关系，提升了患者就医体验。