院内静脉血栓栓塞症智能评估与辅助决策系统的开发与应用

胡龙军，陈蓓敏，田梅梅，尹小兵，赵慧丽，钱明平，杨佳芳，侯冷晨

上海市第十人民医院 a. 医务处；b. 护理部，上海 200072

引言

静脉血栓栓塞症（Venous Thrombo Embolism，VTE）包括深静脉血栓形成（Deep Vein Thrombosis，DVT）和肺血栓栓塞症（Pulmonary Thromboembolism，PTE）[1]，由于临床上VTE发生率高，且发生隐秘、临床症状不典型，易造成患者死亡或致残风险，因此对VTE的预防一直是医疗安全、医疗质量关注的重点，而提高对VTE发生评估效率是预防VTE的核心点，对特殊患者的药物预防是临床医生防治VTE的难点，所以如何帮助临床尽早识别中高危患者并辅助决策，成为医院VTE防治管理工作的重要出发点。

随着人工智能（Artificial Intelligence，AI）技术不断应用于医疗服务领域，如疾病风险预测[2]、疾病诊断[3]、辅助治疗[4]、新药研发[5]、问诊[6]以及慢病管理[7]等，表明我国医疗服务发展正从“信息化”向“智慧化”转变。为解决医院VTE防治过程中的一系列问题，提升防治效率，将AI技术引入VTE防治领域成为研究热点。相关研究已建立预防VTE风险的智能预警系统[8-10]，但只是单纯预警，本研究将介绍某三级医院基于AI技术开发的VTE评估与辅助决策于一体的防治系统，为提高院内VTE防治能力提供借鉴与参考。

1 VTE智能系统整体架构

首先，集成院内医院信息系统（Hospital Information System，HIS）、 电 子 病 历（Electronic Medical Record，EMR）、医学影像存档与通讯系统（Picture Archiving and Communication Systems，PACS）、实验室信息管理系统（Laboratory Information Management System，LIS）等业务系统数据，通过数据仓库技术将这些分布的、异构的数据抽取到临床数据中心，进行标准化清洗、转换；其次基于自然语言处理、知识图谱、机器学习等AI技术，进行数据的再次治理与集成，实现临床数据的标准化、归一化、后结构化，为前端应用奠定基础；然后通过规则引擎、AI引擎、医学知识将处理的数据转化为计算机能识别的内容，为临床实现智能化VTE防治提供支撑。VTE智能评估与辅助决策系统开发架构如图1所示。

图1 VTE智能评估与辅助决策系统开发架构

2 VTE智能系统建立过程

2.1 数据治理引擎

由于医院内大量的信息以电子文档的形式存储，需要以结构化的形式描述。故借助自然语言处理算法、深度学习算法，深度治理海量信息，完成信息抽取、分词、命名实体识别，以实现结构化变量的输出。另外，构建术语网络，整合医学逻辑范畴网络以及中文语用范畴网络，使术语网络同时具备精确性、形式性、计算性、可读性等特点，让计算机能通过网络理解中文，理解医学逻辑[11]。

2.2 知识生产引擎

知识生产是整个VTE智能防治体系的核心，是所有内容运转起来的标准内容，知识生产按照病种进行，是以患者诊断为依据，根据临床治疗指南将诊疗行为划分为若干阶段。VTE知识生产引擎会根据患者诊疗的数据，触发相应的规则内容（图2）。这些规则的内容以IF满足XX条件THEN 推荐XX，是把当前提交给引擎的数据对象与加载在引擎中的业务规则进行测试和比对，激活那些符合当前数据状态下的业务规则，根据业务规则中声明来执行逻辑，触发应用程序中对应的操作。

图2 VTE知识生产引擎模块

为保障临床知识的权威性和及时性，知识生产按照病种进行拆解，每个病种按照对应的救治指南及最新文献，以及就诊的筛查、诊断等治疗步骤进行拆解，实现临床知识规则的建立。

2.3 VTE风险评估模型研制

为弥补现有Caprini等量表缺乏亚洲人群数据的不足，并提升预测的灵敏度与特异度，项目组研制新的VTE风险评估模型。首先累积院内的历年医疗大数据进行全量集成，选择院内获得性DVT患者，将做过血管CT或CTPA或超声并在检查报告中发现有血栓作为阳性样本，共180例；取未发现有血栓的人群作为阴性总体，并从其中随机抽样作为阴性样本，共2086例（由于PTE是由DVT发展而来，故对DVT的预防可有效预防PTE，这里研制的VTE风险评估模型是以DVT数据为基础）。

经过检索大量文献，模型所采纳的变量遵循医学逻辑形成术语网络，并结合Caprini、wells-DVT量表指标、临床医生建议、病历本文、诊断、病史、检验、检查、主诉、体征、医嘱等，并通过在相应合适的时间窗内进行统计学适当地聚合、衍生，最终形成具有一定代表性的变量，通过挖掘分析及机器学习分析，最终研制出涵盖48个指标变量的VTE风险预测模型。

3 VTE智能系统实施应用

3.1 VTE风险智能评估系统功能

在构建的VTE风险模型基础上开发VTE风险智能评估系统（图3）并嵌入医生工作站系统，VTE风险智能评估系统可从EMR系统、手麻系统、检验检测系统等自动采集患者相关信息，在患者入院8 h后、手术前、手术后、转科、病情变化（指一个新的检查检验报告发生如DD二聚体值、B超结果等，都有可能触发一次新的评分）、出院前会给出VTE风险评分结果。为保证结果的可靠性，护理人员需人工复核点击确认，完成评分的闭环。预警结果分低、中、高三个等级，在有VTE风险时，系统自动将结果推送到医生工作站系统和护士工作站系统（以“AI栓”字预警）。

图3 VTE风险评估系统示意图

另外本院将VTE出血量表也嵌入医生工作站系统,同时实现出血风险的自动评估，当临床医生需要评估患者出血评估时，系统会自动评估患者的出血风险，临床医生只需人工复核点击确认就可。

3.2 VTE智能辅助决策系统功能

根据住院患者当前的诊疗情况，VTE辅助决策系统会根据国内外权威指南和相关文献资料，生成临床决策知识库，并在EMR系统中提示临床医生需继续完善的相关检查项目、推荐符合当前患者的个体化治疗方案。另外，系统将依据诊治过程中的疑惑和不确定因素，智能推荐前沿最新的医学循证证据加以佐证VTE辅助诊疗推荐示意图，见图4。

图4 VTE辅助诊疗推荐示意图

4 VTE智能系统应用结果

4.1 VTE风险评估模型有效性

为验证所研制模型的有效性，取2019年上半年符合验证的本院患者做效能评估。符合验证的本院患者需做过下肢深静脉超声或下肢静脉造影或肺动脉CT血管造影，其中出现诊断DVT、PTE者作为病例组，未出现过DVT、PTE诊断者做对照组；病例组取首次阳性结果检查时刻，对照组随机选取1次检查时刻，记录相应时刻的AI评估结果，得到以下模型效能。

评测期间有16406例符合模型适用人群，做过金标准检查的样本有1438例（Caprini评为高危患者），其中67例为DVT或PTE阳性患者，即当前临床检查的阳性预测值67/1438=4.7%，而研制的模型高危线阳性预测值为18.9%（P<0.001），且高危阈值段，新研制的AI模型的灵敏度与特异度也高于Caprini量表相应值（P<0.001），具体效能如表1所示。

表1 不同VTE评估模型诊断效能比较

4.2 VTE智能系统应用整体效果

系统使用前指该院在工作电脑中使用Caprini量表进行人工评分的状态，应用系统后发现，VTE各项防治效率和效果指标均有较大改善，且差异均有统计学意义（P<0.001），见表2。

表2 VTE智能系统应用整体效果

5 讨论

5.1 VTE智能风险评估系统优势

目前临床上普遍使用的Caprini量表是识别VTE风险的经典评估工具，但由于包含30多个评分项，操作复杂、费时费力，很多医护人员难以很好地掌握或执行，加之临床工作繁重，医务人员的精力有限，更难做到根据最新诊断、最新检查结果实时为患者进行VTE风险评估。在一项针对三级医院医务人员的调研中发现，额外工作量增加是VTE防治工作中的首要顾虑因素[12]，尽管依靠信息化手段能提升工作效率，但多次评分的要求无疑会增加临床负担，依从性很难保证。本研究基于院内大数据，研制新的风险评估模型，并借助人工智能技术开发VTE智能风险评估系统，可从院内患者EMR系统中自动采集指标，并给出评估值和风险等级，能极大减轻医护人员的工作负担，提高其对VTE预防工作的依从性。

5.2 VTE辅助决策系统优势

VTE规范预防和治疗是医院VTE管理工作的难点。在针对32个国家的VTE预防调查中发现，欧美地区外科患者接受规范VTE预防措施比例约为60%～80%，亚洲国家相对更低[13]，亚洲各国医院加强对医生规范预防和治疗培训成为当务之急[14]。一项对我国华北地区医务人员的调查显示，仅37.6 %的医务人员会根据相关VTE指南选择防治方法[15]。研究显示，患者若能按指南接受VTE防治，37%已发生VTE的患者是可以避免的[16]，从文献分析来看，提升临床对VTE的规范化防治是当务之急。对此，本院开发应用的VTE辅助决策系统，可根据患者VTE风险等级和相关禁忌证，结合指南给出诊疗意见，智能辅助临床医生决策，进一步规范医疗行为，特别对于青年医生的成长有很大帮助，进而可降低临床因操作不当或用药不当造成的医疗事故概率，保障患者安全。

5.3 VTE风险评估模型的局限性与改进方向

尽管国际上已开发多种评估VTE风险的量表，但由于存在人群特征、疾病谱、人种、体质等差异，这些量表评估国内患者有一定局限性[17]。本院基于院内医疗大数据研制的VTE风险评估模型，相对于传统Caprini量表具有更高的灵敏性与特异性，但还存在以下局限性：① 模型的整体效果受人群代表性、验证方法限制，目前仅采用了单中心数据，对于特殊的人群或潜在的弱势人群，模型的效果可能不稳定；② 尚未进行金标准的前瞻性验证，实际的AUC、敏感度、特异度、阳性预测值可能会有偏差。这些都有待进一步的研究来揭晓。

因此，为更加严谨地证明模型有效性，未来需开展前瞻性研究，采用更多范围的人群、真实前瞻的实际分数、金标准样本，来对比不同方法间的效果，从而进一步证实基于AI的VTE风险评估模型的有效性。