算法驱动的临床护理决策支持系统基本组成

张 山 吴 瑛

首都医科大学护理学院，北京 100069

算法驱动的临床护理决策支持系统是将传统临床护理决策支持系统与大数据技术进行融合，通过大数据分析将临床数据转化为知识或直接进行决策[1,2]，主要是挖掘海量的临床病例、护理记录、护理效果和费用等数据，对疾病症状、实验室检查数据、用药方案、护理措施等进行分析，将护士的临床经验与数据挖掘技术结合起来，辅助护士作出临床护理决策，降低护理差错发生率，进而提高护理效果和护理质量[3-5]。算法驱动的临床护理决策支持系统多采用人工神经网络、深度学习、数据挖掘、文本分析等多种方法实现，既能直接分析临床资料得到决策结果，又能通过分析这些数据补充临床知识库，进行知识推理实现临床决策[6-8]。算法驱动的临床决策支持系统主要包括数据源、数据集成、大数据分析、决策分析、人机交互等5个部分。

1 数据源

数据源是指用于提供某种应用程序所需要的原始数据。算法驱动的临床护理决策支持系统的数据源主要来自患者在诊疗护理服务过程中所产生的记录，如患者基本信息、护理服务信息、实验室检查数据、疗效信息等[9,10]。这些数据来源于医院的信息系统，如护理信息系统、药品管理系统、医嘱系统等[1]。数据源作为临床护理决策支持系统架构的最基础部分，为整个系统提供数据支撑，在数据源中存储了所有建立数据库连接的信息，即通过提供正确的数据源名称，可以找到相应的数据库连接[11]。随着临床护理决策支持系统应用的范围逐渐扩大，数据源将不再局限于患者诊疗护理服务数据，未来会更多地融入互联网医疗数据、其他相关行业及学科数据[9,10]。

2 数据集成

数据集成是把不同来源、类型、结构的数据在逻辑或物理上进行整合[12]。由于医疗护理数据增长速度极快，用于规则驱动的临床决策支持系统的数据库难以满足大数据分析需求，因此医院需要建立信息集成平台和临床数据中心，将不同来源、数据类型、结构化、非结构化的医疗护理数据，通过医院信息集成平台进行抽取、转换、加载，统一存储到临床数据中心[13,14]。医院集成平台可以完成各类业务数据的采集、共享、处理、存储和使用，扩展性良好，可便于临床护理决策支持系统进行数据分析时采集数据[14]。

3 大数据分析

在传统的以规则驱动的临床护理决策支持系统基础上引入大数据分析方法，最常用的是数据挖掘，是指从大量的数据中发掘模式和关系的信息的过程，即将数据转化为有意义的信息，是数据库中知识发现的重要步骤，数据挖掘发现的新模式可以用于描述和预测。描述侧重于寻找新模式并以一种易于理解的形式呈现给用户；预测是在数据中寻找到关键变量和字段，用以预测某些实体未来行为的过程[15]。数据挖掘包含决策树方法、人工神经网络、遗传算法、聚类方法等方法[16]。

3.1 决策树方法

决策树类似于流程图，主要由决策节点（正方形表示）、机会节点（圆圈表示）和结束节点（三角形表示）3部分构成。决策树采用自上而下的策略来测试事例数据，在每个节点上进行算法测试并确定属性和属性值，据此来划分事例数据，这个过程反复迭代，直到数据无法进行分离[17,18]。决策树能帮助确定不同场景的最坏和最好的预期值，缺点是不稳定，即微小的数据变化会导致最优决策树结构发生巨大的变化；另外，当许多值不确定或许多结果相关时，计算会变得非常复杂。图1建立了一个简易的决策树，通过判断属性X和Y的值，将不同事例数据进行分类，最终形成了4个类别：类别1、类别2、类别3、类别4。从某种方面来看，应用决策树进行分析的过程相当于使用“如果–则”（if–then）的规则模型集合的过程。

图1 简易决策树

3.2 人工神经网络

人工神经网络可以被认为是相互连接的简单处理装置或模拟人脑神经元结构和功能的简化模型，由大量神经元节点（类似神经元）以连接模式（类似突触）连接在一起，并单向传递他们之间的信号[19,20]。人工神经网络包括3个单元：①输入单元（类似于感觉神经元），接收待处理的信息和数据；②隐藏单元（类似于所有其他神经元，不包括感觉或运动神经元），它在输入和输出单元之间工作，对输入的信息进行处理并将结果发送至输出单元；③输出单元（类似于运动神经元），显示最后的结果。每个神经元的节点可以有多个输入点，通过连接模式进行输入操作，如图2所示。在使用神经网络之前需要进行训练和调试以发现数据中的复杂关系和模式，进而得到满意的决策结果。对于每一个实例的输入，需要将输出结果与实际值进行比较并反馈。如果神经网络算法的输出结果与实际值相同，则无需再训练；如果神经网络算法的输出结果与实际值不同，则算法模型会调整导致输出错误的参数；调整参数后再进行训练，直至所有结果都稳定后，停止训练。

图2 简易神经网络模型

3.3 遗传算法

遗传算法是基于“自然选择，适者生存”的基本规则来模拟生物进化过程的一种算法，由选择、交叉、变异3个步骤组成。其基本原理可以被理解为将生物的进化过程抽象成一个数学模型，初始的数学模型集合中包含一定数量的随机数，而这些随机数通过一定规则反复迭代计算，然后制定一个评价体系，把不满足条件或者适应值的个体淘汰，将满足适应值或符合规则的个体保留[16]。

3.4 聚类算法

聚类算法以相似性为基础，通过提取观察对象之间的共同规律，将比较相似的归为一类，不相似的分在不同类中，即把一个给定的数据集合分成不同的类[21,22]。聚类算法包括K均值算法、系统聚类法和模糊聚类法等。

大数据分析主要应用于以下两方面[23,24]：①通过大数据分析方法，对临床病例数据进行分析，挖掘疾病症状与诊断、治疗护理方案与效果等隐含的规律信息，将数据转化为知识，建立临床决策推理模型，存储到临床诊疗护理知识库中，为临床护理的决策应用提供基础支撑[8]。②直接将大数据分析结果通过可视化方法呈现给临床医护人员，以辅助其进行临床护理决策。邱文强[25]采用数据分类的方法构建了心脏疾病患者的病情分类模型和相关算法，通过应用训练集对模型进行反复训练，得到了最优的参数和较好的准确率，建立了数据驱动的心脏疾病辅助决策系统，以推进医疗护理信息化和智能化。邓凯烽等[26]采用聚类分析等数据挖掘方法对目前关于中医外治法治疗膝骨关节炎的药物规律进行分析，发现3个有效聚类群，为临床治疗提供了用药方案参考。

4 决策分析

决策分析是利用大数据分析建立的决策分析模型，通过临床护理知识库制定的逻辑推理模型触发临床护理决策分析，实现临床护理决策支持辅助的作用；或通过数据挖掘模型来实现某一主题的分析，融合各种信息和综合决策，得出满意或合理的临床护理决策结果[27,28]。决策分析的步骤主要包括发现决策问题、确定目标、确定评价标准、制定多个可行方案、评价方案并做出选优和方案实施等过程。

5 人机交互

人机交互提供临床护理决策支持系统与护士之间输入输出的操作界面。系统根据电子病历系统、护理信息系统、药品管理系统、医嘱系统中的信息进行判断，通过大数据分析将决策结果、建议、警示等信息通过可视化界面展示给护士[24,28]。

6 小结及展望

算法驱动的临床护理决策支持系统是以数据资源为基础、以数据准确性为根本进行数据分析，以辅助完成临床决策的制定。临床护理过程中会产生大量潜在有用的信息和知识，以大数据分析方法为驱动的决策支持系统能够挖掘出大量历史数据之间的关联、规则，对数据进行预测。未来期望更多的医疗护理领域专家研发基于算法驱动的临床护理决策支持系统，以辅助医护人员进行满意的临床决策。