陳妍妍 葉 慶 陳勇飛 聶麗麗

華中科技大學(xué)同濟醫(yī)學(xué)院附屬同濟醫(yī)院信息管理科，武漢，430030

腦卒中(Stroke)是危及人類生命的重大疾病，具有高病死率、高致殘率、易復(fù)發(fā)和治療費用昂貴等特點［1］。我國每年腦卒中死亡率約為0.157%，已超過心臟病成為成人死亡和致殘的首要原因［2］，卒中復(fù)發(fā)是導(dǎo)致卒中幸存患者死亡和殘疾的主要原因［3］。每年我國腦卒中患者醫(yī)療費用高達(dá)400億元［4］，這給家庭及社會帶來了沉重的經(jīng)濟負(fù)擔(dān)。盡管溶栓被認(rèn)為是確實有效的治療方法，但受嚴(yán)格的時間窗、患者信息獲取以及就診綠色通道的限制使能夠接受該治療的患者僅有3%［5］。因此，腦卒中的預(yù)防以及卒中后預(yù)防再復(fù)發(fā)顯得尤為重要。有研究報道，通過積極有效的預(yù)防和治療，可以有效降低卒中復(fù)發(fā)率，減少患者的死亡和殘疾［6］。本文擬通過文獻(xiàn)研究、專家咨詢構(gòu)建基于云平臺的腦卒中智能隨訪模型，為構(gòu)建科學(xué)合理的隨訪體系提供理論指導(dǎo)和實踐依據(jù)。

1 資料來源與方法

1.1 資料來源

本文研究資料源自中國知網(wǎng)學(xué)術(shù)期刊數(shù)據(jù)庫，以“隨訪”、“云平臺”、“腦卒中”為關(guān)鍵詞檢索2010－2014年文獻(xiàn)資料，得到相關(guān)文獻(xiàn)47萬條，其中與本研究相關(guān)文獻(xiàn)120條。腦卒中復(fù)發(fā)風(fēng)險評估模型資料來源于國際認(rèn)可的一系列評分量表和復(fù)發(fā)風(fēng)險預(yù)測工具，包括針對缺血性腦卒中的Essen卒中風(fēng)險分層量表、針對短暫性缺血的ABCD2評分及危險程度分組［7－8］。

1.2 方法

文獻(xiàn)研究:通過查閱近幾年關(guān)于隨訪模式以及移動醫(yī)療相關(guān)研究，掌握隨訪模式研究動態(tài)和研究內(nèi)容，并借鑒同類研究方法和成果。專家咨詢:組織醫(yī)學(xué)及醫(yī)學(xué)信息專家10人，其中神經(jīng)科教授4人，醫(yī)學(xué)信息專家(副高級職稱以上)6人。通過專家咨詢確定基于云平臺的腦卒中智能隨訪模型框架、干預(yù)機制和腦卒中復(fù)發(fā)風(fēng)險評估預(yù)警模型。

2 結(jié)果

2.1 傳統(tǒng)隨訪模式存在的問題

2.1.1 工作量大，隨訪率低。傳統(tǒng)隨訪模式主要由醫(yī)護人員參與，通過郵件，電話等方式采集患者信息，工作效率低下，需要耗費大量人力物力。由于隨訪工作人員相對較少，出院患者數(shù)量大，一般采取抽樣隨訪，不能覆蓋全部出院患者，隨訪率低，隨訪效果差。

2.1.2 信息不連續(xù)，難以持久。傳統(tǒng)隨訪模式下，隨訪工作人員在固定的間隔周期對患者進(jìn)行隨訪調(diào)查，間斷性的采集患者信息，導(dǎo)致隨訪信息不連續(xù)。

2.1.3 過于被動、干預(yù)不及時。傳統(tǒng)隨訪模式主要是隨訪工作人員發(fā)起的隨訪信息采集活動，采集的時間和對象由隨訪工作人員決定，不會因為隨訪患者的個體差異而發(fā)生改變。隨訪活動過于被動，干預(yù)措施不及時，患者依從性不高。

2.1.4 失訪率、拒訪率高。傳統(tǒng)隨訪模式下隨訪工作人員主要通過電話或者地址與患者取得聯(lián)系，在隨訪時點不合適或者患者不知情的情況下，往往會導(dǎo)致患者的不配合甚至拒訪。隨著時間推移，電話或者地址的改變往往會造成隨訪對象的失聯(lián)，最終導(dǎo)致隨訪中斷，信息源丟失。

2.2 基于云平臺的腦卒中智能隨訪模型

2.2.1 基于云平臺的腦卒中智能隨訪模型框架?；谠破脚_的腦卒中智能隨訪模型包含移動端應(yīng)用和云端服務(wù)。系統(tǒng)模型圖見圖1。

圖1 系統(tǒng)模型

移動端應(yīng)用包含患者版和臨床醫(yī)生版，主要在移動終端實現(xiàn)?；颊叨说闹饕δ馨S訪業(yè)務(wù)信息的采集和與云端后臺的交互。根據(jù)腦卒中隨訪業(yè)務(wù)需求，建立腦卒中患者隨訪數(shù)據(jù)采集模型，包括患者整個隨訪期的用藥情況、檢驗檢查結(jié)果、運動和飲食習(xí)慣、生活環(huán)境(氣溫和空氣質(zhì)量)以及心理狀態(tài)的變化等信息。患者端與云端服務(wù)保持持續(xù)連接，實時接收服務(wù)端推送的用藥提醒信息、危險因素預(yù)警信息和健康教育信息。臨床醫(yī)生版主要功能是接收云端后臺推送的患者隨訪信息、卒中復(fù)發(fā)預(yù)警信息等，并及時給予干預(yù)措施。

腦卒中隨訪云端服務(wù)負(fù)責(zé)患者移動端采集信息的儲存和共享、危險因素監(jiān)測預(yù)警、健康教育信息推送以及臨床醫(yī)生與患者的在線溝通。隨著隨訪數(shù)據(jù)的不斷累積，云端服務(wù)還承擔(dān)著大數(shù)據(jù)的分析和挖掘，為臨床醫(yī)生提供科研的數(shù)據(jù)支持。

2.2.2 腦卒中患者智能隨訪模型干預(yù)機制。傳統(tǒng)的腦卒中隨訪模式是采用查閱住院病歷、電話隨訪、信件訪問等方式按照既定的時間點收集資料。隨訪資料主要為出院后的主要治療情況、是否復(fù)發(fā)、生存或死亡，同時包括患者的人口學(xué)特征、既往史、腦卒中家族史、生化指標(biāo)等。該模式無法獲知患者連續(xù)的體征信息，患者往往在出現(xiàn)明顯的復(fù)發(fā)癥狀時才會主動聯(lián)系醫(yī)生，從而錯過最佳治療時機。防止卒中患者復(fù)發(fā)需要醫(yī)患雙方共同積極參與，基于云平臺的腦卒中智能隨訪模型具備雙向觸發(fā)機制，見圖2?；谠贫说囊苿俞t(yī)療應(yīng)用，目前已在孕期護理等領(lǐng)域得到廣泛應(yīng)用，其最大的特點就是將傳統(tǒng)的健康管理變被動為主動。

隨訪觸發(fā)機制。根據(jù)國內(nèi)外相關(guān)標(biāo)準(zhǔn)及臨床診療指南，針對每個患者設(shè)定危險因素的類別和觸發(fā)閾值、隨訪計劃、用藥計劃等，服務(wù)端實時監(jiān)測并定時發(fā)出提醒信息。腦卒中數(shù)據(jù)需要長期的積累，而傳統(tǒng)的記錄模式下容易丟失，不夠全面，沒有連續(xù)性，也可能不太規(guī)范，容易造成偏差。智能化隨訪模型中，患者也可主動上傳隨訪信息，通過與智能體征監(jiān)測設(shè)備連接，實現(xiàn)實時連續(xù)的隨訪信息監(jiān)測。

隨訪反饋機制。隨訪平臺根據(jù)危險因素觸發(fā)邏輯，如患者生活習(xí)慣改變，服務(wù)端主動向患者推送個性化的健康教育信息;監(jiān)測到患者血糖或者血壓超過閾值，服務(wù)端將執(zhí)行雙向反饋，既告知患者危險因素的存在，也同時通過平臺提醒臨床醫(yī)生要給與相關(guān)處理措施。

圖2 干預(yù)機制

2.2.3 腦卒中患者復(fù)發(fā)風(fēng)險評估預(yù)警機制。對腦卒中患者復(fù)發(fā)風(fēng)險評估的建模是實現(xiàn)智能化高復(fù)發(fā)風(fēng)險患者預(yù)警的基礎(chǔ)。目前國際認(rèn)可的一系列評分量表和復(fù)發(fā)風(fēng)險預(yù)測工具，包括針對缺血性腦卒中的Essen卒中風(fēng)險分層量表、針對短暫性缺血的ABCD2評分及危險程度分組。結(jié)合目前國際認(rèn)可的復(fù)發(fā)風(fēng)險判斷標(biāo)準(zhǔn)和已確定的復(fù)發(fā)相關(guān)因素，構(gòu)建腦卒中復(fù)發(fā)風(fēng)險預(yù)警指標(biāo)體系并設(shè)定閾值，云平臺對采集的患者信息進(jìn)行實時分析，并將評估結(jié)果和預(yù)警信息反饋給醫(yī)護人員和腦卒中患者。

3 討論

3.1 實時連續(xù)監(jiān)測腦卒中復(fù)發(fā)危險因素，提高患者依從性

基于云平臺的腦卒中智能隨訪模型通過移動終端實時、連續(xù)監(jiān)測患者高血壓、糖尿病、血脂代謝異常、冠心病、房顫、風(fēng)心病等心臟病和吸煙等卒中復(fù)發(fā)危險因素，服用藥物、生活方式、神經(jīng)功能恢復(fù)等詳細(xì)情況，由云端后臺智能推送服藥和就醫(yī)提醒，從被動的接受隨訪轉(zhuǎn)化為主動提交隨訪信息，從而提高患者隨訪依從性。

3.2 智能識別復(fù)發(fā)高?；颊卟⒓皶r干預(yù)，降低復(fù)發(fā)風(fēng)險

通過腦卒中風(fēng)險評估模型實時分析腦卒中隨訪數(shù)據(jù)，智能識別卒中復(fù)發(fā)高?；颊?，并提醒隨訪醫(yī)生，便于醫(yī)生及時干預(yù)，降低腦卒中復(fù)發(fā)風(fēng)險。

3.3 個體化分層治療和健康教育，提高腦卒中二級預(yù)防效果

腦卒中并發(fā)癥以及新發(fā)卒中的預(yù)防、治療康復(fù)過程中的干預(yù)管理極為重要?；谠破脚_的腦卒中智能隨訪模型根據(jù)個體差異采取更為積極有效的個體化分層治療和針對性的健康宣教，同時為醫(yī)生提供一體化的隨訪檔案，對卒中二級預(yù)防起到積極地促進(jìn)作用。

綜上所述，通過構(gòu)建基于云平臺的腦卒中智能隨訪模型，能夠?qū)崿F(xiàn)康復(fù)、隨訪、科研一體化，提高患者隨訪依從性，降低卒中復(fù)發(fā)風(fēng)險，提高二級預(yù)防效果，對于腦卒中的防控和提高群眾健康水平具有積極的促進(jìn)作用。基于云平臺的腦卒中智能隨訪模型是對傳統(tǒng)隨訪模式的一個改進(jìn)和補充，可以為其他慢性病的隨訪工作提供參考?；谠破脚_的腦卒中智能隨訪模型采用了最新的科學(xué)技術(shù)和操作模式，模型的適用性會受到患者地域分布、文化水平、收入水平等多方面因素的影響，也是我們下一步要研究的內(nèi)容。

［1］Johnston SC，Mendis S，Mathers CD.Global variation in stroke burden and mortality:estimates from monitoring，surveillance，and modeling［J］.Lancet Neurol，2009(8):345 －354.

［2］Wei JW，Wang JG，Huang Y，et al.Secondary prevention of ischemic stroke in urban China［J］.Stroke，2010，41(5):967－974.

［3］Liu M，Wu B，Wang WZ，et al.Stroke in Chinaepidemiology，prevention，and management strategies［J］.Lancet Neurol，2007，6(5):456 －464.

［4］Feng W，Hendry RM，Adams RJ.Risk of recurrent stroke，myocardial infarction，or death in hospitalized stroke patients［J］.Neurology，2010，74(7):588 －593.

［5］Liu L，Wang D，Wong KS，et al.Stroke and stroke care in China:huge burden，significant workload，and a national priority［J］.Stroke，2011，42(12):3651 －3654.

［6］Wolfe CD.The impact of stroke［J］.Br Med Bull，2000，56(2):275－286.

［7］Weimar C1，Diener HC，Alberts MJ，et al.The Essen stroke risk score predicts recurrent cardiovascular events:a validation within the REduction of Atherothrombosis for Continued Health(REACH)registry［J］.Stroke，2009，40(2):350－354.

［8］Johnston SC1，Rothwell PM，Nguyen － Huynh MN，et al.Validation and refinement of scores to predict vrey early stroke risk after transient ischaemic attack ［J］.Lancet，2007，369(9558):283 －292.