“互联网+”模式下智慧医疗对疾病预防的预测模型

程宇卿

（安徽理工大学第一附属医院 安徽省淮南市 232001）

在现有医疗机构的发展进程中，想要促使临床医疗真正的迈入智能化时代，必然需要建立并完善现有的智慧医疗体系。依托互联网和云计算、大数据、物联网以及可穿戴设备等现代信息技术的“互联网+”医疗卫生服务体系与传统医疗卫生服务的深度融合，多种高新技术例如人工智能和传感技术的研发与利用，智慧医疗信息化技术对临床医疗事业起到越来越重要的作用，而传统的数字化医院势必会逐步向智慧医院发展，也势必会带来全新的医疗服务模式和公共卫生管理方式。

尽管各医疗机构都认识到信息化的重要性，而且在此方面逐渐加大投入， 但在推进智慧医疗建设各种医疗信息化项目时，仍然面临着一些难以解决的问题。 例如，医院运营成本高，人员工作压力繁重，巨资引进的医疗设备资产效率低下，存在被盗、遗失、闲置、浪费等问题。这些问题严重影响到医疗机构的整体效率，限制了发展。受到技术条件的限制，传统应用系统试图提高工作效率和管理力度，但实际上此种模式并不能解决问题。本文通过“互联网+”模式下智慧医疗对疾病预防的预测研究，为智慧医疗体系的建立、完善和实际运用提供理论依据和实践经验。

1 医疗智慧化

1.1 人工智能医疗发展背景

人工智能医疗健康是医药卫生行业与信息通信技术融合创新的产物，将成为医疗健康行业发展和转型升级的重要方向。人口老龄化、医疗资源配置结构失衡以及人工智能技术的快速发展等宏观环境大力推动人工智能医疗健康迈向巨大的发展空间，并且正处于发展的关键时期。未来，伴随着人工智能科技的飞快发展和创新技术开发的推进、并结合企业业务实力和技术创新的不断加强，人工智能医疗健康服务将向更纵深方面发展。

1.2 社会因素

人民最基本的需求就是医疗卫生健康服务问题。卫生服务行业宗旨在于保障和提高人民群众健康，主要包括医疗保健服务、健康教育和基本健康保障等有关方面，主要包括药物、医疗器械、基本保健用品和食物等基础领域，范围覆盖面较广且行业链长。而医学服务行业则是指对病人实施检查、护理、防疫、等方面的服务业务,主要包括与之有关的人员提供药物和医学产品、病人食宿和用餐等服务，是卫生服务的主要部分。

1.3 技术因素

随着计算能力、算法建模以及大数据资源等基本科技要求的逐步完善，人工智能也开始广泛应用于各个领域。

在计算建模技术方面，深度学习是当前研发和使用中的热门算法，同时也是人工智能的重点应用领域。深度学习主要是利用建立更多的隐层模式和掌握海量训练数据，从而能够提取到训练数据有用的特性。也利用对数据挖掘进行海量数据分析，可以自动学习训练数据特性，尤其适合于含有少量未标识数据的大数据集。而深度学习通过对层次网络的基本构造进行逐层特征变换，把旧样本的特性或表示转移到某个新特征空间，这样可以使得分析或预测过程变得更简单一些。在二零一二年，深度学习模型第一次被运用到ImageNet（图像识别竞赛）中，使错误率降低至百分之十六点四以下，并一举夺冠。二零一五年，微软公司成功利用了一百五十二层的深入网络技术，把图象认识的错误率降到百分之三点五七,远小于人眼的认识错误率（百分之五点一），证明深度学习模型的辨识能力已超越人类的眼睛。自从Hinton发明了DBN（深度置信网络）开始，深度学习的发展经过了一段快速更迭的周期，并且CNN(Convolutional Neural Network 卷积神经网络)目前已经是在图形识别技术快速发展中使用较为普遍的计算模式。在使用CNN 进行图像处理的过程中，由于图像都是以像素或矩阵形态成为最原始的输入，因此第一层神经网络的机器学习功能一般都是检查在某些方向和形式上的边界出现与否，以及这些边界在图像处理中所处的位置；而第二层通常也会检查各种边界的特殊布局，但同时忽略了边界位置的细微的改变；第三层能够将特定的边缘布局结合成实际事物的一个重要组成部分；而接下来的层次，则会使用全连接层来将以上的这些部分结合在一起，以便于进行实际事物的辨识。目前，CNN 技术已经应用于医学健康行业，尤其是通过医学影像辅助的诊断，可以用于实现疾病监测和对某些病症的早期检测。

在数据资源方面,由医院与个人健康养老数据产生的服务场景主要可以分成四类：一是个人医疗机构数据，医疗院所每年都会生成相当大量的数据,但总体而言，一般医疗机构年均会生成大概1-20TB 的相关数据，而个别规模很大的医院年医疗数据更是可以超过PB 量级。从信息的类型上分析，医疗机构的信息不但包含了业务结算信息、行政业务管理信息等，还包含了大批繁杂的门诊信息，包含了门诊登记、医院登记、影像学登记、用药登记、治疗登记和基本医疗保险信息等；二是基础与临床实验的信息，大规模的遗传信息和临床实验资料的积累推动着人们对癌症和遗传间映射关联的理解进一步深入,面向患者个人的精确治疗和远程医学成为可能；三是病患信息，患者自己的，也包括在院外的身体动作和感官所产生的数据，主要涵盖了可穿戴设备、各类互联网医疗平台的采集数据、体征类卫生管理数据以及互联网行为数据分析，比如挂号问诊、网上买药、健康管理、与医患病友之间的互动等；四是对医保及其支出的统计，一切与支付方有关的审核和报销记录,主要涉及医疗的付款记录和报销记录、药品流通记录等。各类医学健康数据的互联与共用构成了个人整体生命周期的医学健康大数据分析，这都为人工智能技术在医学健康产业中的广泛应用提供了强大的技术基础。

1.4 医疗智慧化应用领域

在智慧医疗阶段，人工智能技术已渗透到诊前、诊中、诊后的医学整个过程：

（1）诊前阶段-主要运用于疾病防治和健康卫生管理；

（2）诊中阶段-主要运用于辅助检查、临床辅助决策、心理辅助诊断；

（3）诊后阶段-主要应用于康复辅助等。

同时，新一代人工智能科技也将与生物医药智能制造业技术发展深入紧密融合,并广泛应用于生命健康的生产（3D打印）、生物医疗产品的全生命周期管控、生物药品开发生产等领域。

2 智慧化医疗对疾病预防的预测

2.1 预测背景

智能医学相比于信息化医学的显著优点，是可以把人工智能技术整合于诊前、诊中和诊后的医学康复的整个过程，而不仅仅局限于诊中阶段。智能化医学的实际应用中对于诊前慢性病防控和健康管控特别关键，比如普通的心脑血管疾病，往往在发生前后都伴随着高血脂、高血压、糖尿病以及严重肥胖症等的表现,而如果可以有效筛查相关表现和改善不好的生活习惯比如减肥、戒烟等，就能够很好的实现防控心脑血管疾病的目的。

2.2 预测模型的建立

2.2.1 算法的选择

由于极限学习机(Extreme learning machine, ELM)相较于传统的神经网络学习的计算如BP 预测方法和传统的回归预测模型，具有更优秀的预测能力，只要求设定网络系统的隐层节点个数，从而在计算的整个过程中不需调节网络系统的输入连接权数和隐元的偏置，从而形成了真正的最优预测结果，利用其来进行智能化医疗对疾病的预防效果进行预测具有可行性及可操作性。因此选择使用基于极限学习机算法，建立了基于患者血压、血脂、血糖、体脂率、年龄等基础数据用于心脑血管发病的预测模型。

2.2.2 模型检验方法

心脑血管疾病在我国已经成为高发的一种老年疾病，而且近几年还有往低龄化发展的趋势，通过提取医院病人病例进行分析，三十多岁已经有心脑血管发病患者在临床体现，但是总体来说五十岁以上已经开始高发，心脑血管疾病的发病原因主要与患者的饮食，作息，年龄，以及日常生活习惯有很大关系，天气气候现在也成为引起心脑血管疾病高发的主要原因之一，一般在冬季气候寒冷的季节，临床表现为易高发期，在一年的周期内可以达到峰值，在此我们通过提取患者的在医院的电子病历系统中血糖、血脂、血压、年龄等数据、通过极限学习机算法在MATLAB 平台上来实现对心脑血管患者疾病的预测，在对各组数据指标进行分析预测后得出患病的风险机率，可以以此来作为医生在给病人诊病期间调整用药的依据，以及医生掌握病人的病情达到提前预防控制心脑血管疾病的目的。

单隐层神经网络学习的目标是使得输出的误差最小，可以表示为：

传统的一些基于梯度下降法的算法，可以用来求解这样的问题，但是基本的基于梯度的学习算法需要在迭代的过程中调整所有参数。而在ELM 算法中，一旦输入权重W和隐层的偏置b被随机确定，隐层的输出矩阵H 就被唯一确定。

训练单隐层神经网络可以转化为求解一个线性系统Hβ=T。并且输出权重β 可以被确定：

其中，是矩阵Moore-Penrose 的广义逆。且可证明求得的解的范数是最小的并且唯一。

2.3 实验与结果分析

2.3.1 实验环境

（1）硬件环境：系统Windows7，64 位操作系统，CPU i5-4300u，内存4.00GB。

（2）软件环境：此次研究设计的算法，主要在MATLAB 平台上分析实现。采用的版本为MATLAB2018a版本，MATLAB2018a 对于数据的处理非常的方便，特别是内置了很多的函数，对于数据处理有很大的优越性。本文设计的模型以及设计的代码均在MATLAB 上进行实现。

2.3.2 实验数据

数据来源：本文所收集的数据来源于本市某三甲医院电子病历管理系统以及LIS 检验管理系统中的检验报告，重点收集了2020 年11 月至2021 年2 月之间冬季的体检就医的患者，包括的基础数据要素是：抽样病人的血糖值、血脂值、高低压值、体脂率及年龄，对于抽样的选择，考虑覆盖疑似患病的各年龄层次，从而保证抽样预测值的真实性、准确性、全面性。

数据特点：本文所提取的抽样数据具有真实性、隐私性、冗余性、全面性等特点，能够在一定层面具有代表性。

（1）真实性。测试采集到的数据全部全部来源于某三甲医院电子病历管理系统，系统数据来源医院LIS 系统上传数据，是电子病历采集到的数据之中的一部分数据，数据从医院各医疗信息系统之中导入或者医护人员人工录入，提取的数据真实可靠。

（2）隐私性。提取的各类别数据涉及到病人的个人隐私，比如：姓名、年龄、身份证号、电话号码、家庭住址、医保卡号、病史等，所以隐私数据在进行录入分析预测之前都要进行保护隐藏，保证数据的使用安全，预测出来的结果要保证患者隐私不会被暴露出来，最终展示出来的结果和数据都是可以公开的，不至于侵犯患者隐私。

（3）冗余性。在数据采集的过程中，势必会出现一些重复数据、没有使用价值的可能会影响预测结果的数据，比如患者重复入院，或者病人信息不完善没有测试价值等，这些问题会造成数据的冗余，因此提前检索出数据使用项目，剔除无用的或者是没有价值的数据，可以提高预测结果的准确性，以保证结果具有很强的说服力。

（4）全面性。数据为了预测分析的全面，采集的年龄层次从二十岁到八十岁，基本覆盖了心脑血管疾病的发病年龄，能够从多维度来计算发病的机率。

2.3.3 模型验证

通过MATLAB 平台来实现对心脑血管疾病的预测分析：

分类测试实现了粒子群优化极限学习机权值和预值。

（1）通过分类测试可以看出用训练集带入训练好的标准的极限学习机，测试极限学习机的拟合效果，测试结果可以明显看出，有些点没有拟合正确。

（2）通过测试集带入训练好的标准的极限学习机，测试极限学习机的分类能力，经过多次运行，极限学习机的分类准确率，百分之九十左右，虽然没有进行过优化，但是分类准确。

（3）粒子群优化极限学习机的迭代结果，以极限学习机的分类准确率为粒子群的适应度函数，起始适应度为百分之五十，经过大约7 次迭代，准确率达到百分百。说明粒子群优化极限学习机的权值和阈值，可以大大提高极限学习机的分类能力，可以看到ELM 的学习效率和强大的泛化能力。

（4）粒子群改进后的极限学习机的预测结果，测试数据同标准的测试数据一样，准确率有明显提高，说明改进后的粒子群分类能力有明显提高，展示出高效的学习算法。

（5）粒子群改进后的极限学习机的训练数据的拟合结果，数据同未改进的极限学习机的训练数据一样，拟合精度有很大提高，优化后的ELM 训练期望输出和粒子群优化的训练拟合实际输出重合，改进后的分类准确率非常高。

通过对比测试可以得出经过优化的ELM 拟合效果非常好，不用人工干预，具有高准确度的泛化能力，可以进行实时学习，分类准确率更高，预测更加准确，具有一定的准确度和可靠性，可以为心脑血管患者提供疾病预测。

3 总结与展望

随着数据资源、运算能力、算法模型等基础条件的日趋成熟，医疗信息化以及医疗智慧化通过专业技术开始应用于医疗健康的多个领域，能够帮助医生有效减少误诊漏诊，极大的提高了诊断效率，提升了医疗服务能力，促进医疗健康行业的蓬勃发展。

与医疗信息化的易推广性相比，医疗智慧化阶段面临的各种困难更难以攻克，尤其是技术瓶颈很难在短期内有所突破，但这并不能阻碍对于医疗智慧化的探索，智能医疗必然是今后一段时间内的发展方向。

在未来智慧医疗的建设进程中，政策条件、技术、人力资本等将变成约束其建设的因素。自2017 年以来，国家围绕人工智能和医疗健康的政策规划层出不穷，充分体现了我国对于发展智能医疗的政策导向。对于依靠人工智能和医疗大数据做医学辅助诊断的目标，充分保证数据的安全性和个人隐私，也是将会面临的重大挑战。最主要的困难就是中国计算机的发展目前仍处在弱人工智能时代,其技术研究领域和发达国家还具有很大的差异。同时，我国具有交叉学科知识的复合型人才非常短缺，尤其是计算机和医学专业都是专业性极强的，需要坚持培养和引进相结合，实现高端人才精准引进。

尽管现阶段我国医疗智慧化发展还处于起步阶段，众多的应用难点暂时无法攻克，但随着人工智能的发展及其在医学领域的逐渐普及和应用，必定成为医学发展的重要方向。我们可以相信，在能够预见的将来，人类的医生虽然不会被机器所取代，但是由于智能化医疗的发展绝对可以帮助医生在某些领域做出更好的临床决策，提高诊疗效率，实实在在的为我国医疗健康行业助力。