【摘" 要】 針對(duì)權(quán)威的循證醫(yī)學(xué)知識(shí)庫、規(guī)則引擎無法覆蓋醫(yī)院臨床實(shí)踐經(jīng)驗(yàn)的問題，文章提出利用人工智能技術(shù)構(gòu)建醫(yī)院臨床最佳實(shí)踐庫，以優(yōu)化臨床決策支持系統(tǒng)，使之更貼合醫(yī)院實(shí)際診療情況，提升決策支持的精準(zhǔn)性。

【關(guān)鍵詞】 人工智能；自然語言處理；臨床決策支持；臨床最佳實(shí)踐

醫(yī)療技術(shù)不斷發(fā)展，醫(yī)療工作者遇到疑難病例的時(shí)候，難以從海量的信息中快速發(fā)現(xiàn)有用的知識(shí)。為此，利用大數(shù)據(jù)技術(shù)收集整理數(shù)據(jù)，并建立起邏輯關(guān)系點(diǎn)，關(guān)聯(lián)知識(shí)點(diǎn)，通過與醫(yī)院信息系統(tǒng)結(jié)合，采用警告、提醒、文檔管理以及相關(guān)數(shù)據(jù)表達(dá)形式，為相關(guān)的醫(yī)療工作者提供實(shí)時(shí)、權(quán)威、有效的臨床決策支持的臨床決策支持系統(tǒng)顯得尤為必要。

阮彤、高炬等人總結(jié)了臨床醫(yī)療大數(shù)據(jù)挖掘的核心流程。流程包括以臨床數(shù)據(jù)集成、基于知識(shí)圖譜的臨床專病庫的構(gòu)建過程、電子病歷數(shù)據(jù)質(zhì)量的評(píng)估方法以及以臨床療效分析與疾病預(yù)測(cè)為核心的臨床醫(yī)療大數(shù)據(jù)應(yīng)用等任務(wù)，進(jìn)而對(duì)流程中的每個(gè)任務(wù)提出了解決方案，給出了實(shí)驗(yàn)結(jié)果。因此，利用臨床決策支持系統(tǒng)（Clinical Decision Support System， CDSS）挖掘以醫(yī)院電子病歷為核心的臨床數(shù)據(jù)記錄的患者的疾病、診斷和治療信息，可以輔助醫(yī)生進(jìn)行臨床科研與臨床診療。

CDSS不但要有權(quán)威的循證醫(yī)學(xué)知識(shí)庫、規(guī)則引擎，還要利用大數(shù)據(jù)與人工智能技術(shù)從真實(shí)世界中挖掘出海量臨床數(shù)據(jù)，進(jìn)行整合、清洗、機(jī)器學(xué)習(xí)等，通過人工智能技術(shù)（Artificial Intelligence技術(shù)，AI技術(shù)），讓機(jī)器來“讀懂”海量的病歷數(shù)據(jù)，構(gòu)建醫(yī)院臨床最佳實(shí)踐庫。

臨床最佳實(shí)踐庫能夠充分地總結(jié)臨床實(shí)踐經(jīng)驗(yàn)，最真實(shí)地反映臨床診療行為取得的療效，以此推薦最佳診療活動(dòng)。臨床最佳實(shí)踐庫應(yīng)用在診療過程中，能夠充分利用病例中結(jié)構(gòu)化以及非結(jié)構(gòu)化數(shù)據(jù)，通過多方渠道及時(shí)以正確的干預(yù)模式向醫(yī)療工作者以及患者提供正確的診療決策支持信息。

一、自然語言處理

自然語言處理NLP（Natural Language Processing），是對(duì)自由文本進(jìn)行結(jié)構(gòu)化處理，最終實(shí)現(xiàn)計(jì)算機(jī)對(duì)人類自然語言的有效翻譯。而自然語言處理在醫(yī)學(xué)領(lǐng)域中又產(chǎn)生了醫(yī)學(xué)自然語言處理MLP（Medical Language Processing），把自然語言處理應(yīng)用到醫(yī)學(xué)領(lǐng)域當(dāng)中，從自由文本當(dāng)中得到結(jié)構(gòu)化數(shù)據(jù)，提取有效信息。NLP技術(shù)的發(fā)展將有效提高大數(shù)據(jù)挖掘和分析能力，這些技術(shù)對(duì)臨床智能支持、循證醫(yī)學(xué)研究，構(gòu)建醫(yī)院臨床最佳實(shí)踐庫，優(yōu)化臨床決策支持系統(tǒng)具有重大意義。

（一）樸素貝葉斯算法

針對(duì)電子病歷中日常病程記錄來說，往往記錄著住院患者的每日病情和診療情況的具體變化，主要包含當(dāng)前病情記錄和診療計(jì)劃章節(jié)信息。但是在病歷中，這兩個(gè)章節(jié)的內(nèi)容往往寫在一起，不容易讓機(jī)器準(zhǔn)確地分離出這兩個(gè)章節(jié)的信息。樸素貝葉斯算法主要應(yīng)用于將當(dāng)前病情記錄和診療計(jì)劃這兩個(gè)章節(jié)的內(nèi)容準(zhǔn)確地從病程記錄中分離出來，然后再對(duì)每個(gè)章節(jié)的內(nèi)容進(jìn)行信息提取，從而形成更精準(zhǔn)的結(jié)構(gòu)化數(shù)據(jù)。

（二）改進(jìn)的Jieba分詞算法

信息抽取過程中的首要工作就是對(duì)文本信息做分詞抽取工作。對(duì)醫(yī)療領(lǐng)域來說，其專業(yè)的醫(yī)學(xué)術(shù)語十分復(fù)雜，開源工具Jieba分詞算法直接應(yīng)用于電子病歷數(shù)據(jù)并不能得到理想的結(jié)果，需要根據(jù)實(shí)際情況進(jìn)行改進(jìn)。首先對(duì)Jieba分詞算法中的自定義字典進(jìn)行了整理，其次將專業(yè)的醫(yī)學(xué)字典加載到Jieba自定義字典中，再對(duì)模型進(jìn)行訓(xùn)練，得到初步改進(jìn)的Jieba分詞算法。最后對(duì)Jieba分詞算法中進(jìn)行了二次開發(fā)處理，加入一些醫(yī)學(xué)數(shù)據(jù)抽取規(guī)則，將未分出的醫(yī)學(xué)術(shù)語進(jìn)行了二次提取，將分詞錯(cuò)誤的結(jié)果進(jìn)行修改操作，從而不斷提高數(shù)據(jù)準(zhǔn)確性。

二、機(jī)器學(xué)習(xí)

（一）KNN算法

KNN（K-NearestNeighbor）分類算法是數(shù)據(jù)挖掘分類技術(shù)中最簡(jiǎn)單的方法之一，可以計(jì)算出預(yù)測(cè)病例在歷史病例中最為相似的K個(gè)病例，統(tǒng)計(jì)K個(gè)病例的疾病標(biāo)簽，從而計(jì)算出該病例的疾病概率。該模型適合對(duì)稀有疾病進(jìn)行分類，對(duì)于類域的交叉或重疊較多的疾病分類效果與其他模型相比較好。

（二）隨機(jī)森林算法

隨機(jī)森林（Random Forest，RF）算法是Leo Breiman提出的一種利用多個(gè)樹學(xué)習(xí)器進(jìn)行分類預(yù)測(cè)和回歸預(yù)測(cè)的組合算法。將現(xiàn)有的病例放回的隨機(jī)采樣，模擬K個(gè)醫(yī)生，每個(gè)醫(yī)生通過學(xué)習(xí)等量的不同的隨機(jī)樣本集，使用決策樹建立自己的模型，最后當(dāng)決策一個(gè)新的病例時(shí)，采用投票法或平均分值法來決定。在當(dāng)前的很多數(shù)據(jù)集上，相對(duì)其他算法有著很大的優(yōu)勢(shì)，能夠處理很高維度的數(shù)據(jù)，并且不用做特征選擇。

（三）FM推薦算法

此算法不僅將病例中的特征進(jìn)行權(quán)重學(xué)習(xí)，而且通過將病例的癥狀特征和知識(shí)庫中的疾病癥狀特征做組合特征學(xué)習(xí)。通過學(xué)習(xí)和修正特征權(quán)重計(jì)，該模型解決稀疏數(shù)據(jù)下的特征組合問題，能夠表示特征與特征之間的關(guān)聯(lián)關(guān)系。

（四）深度神經(jīng)網(wǎng)絡(luò)

通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)，輸入層為病例特征，輸出層為標(biāo)準(zhǔn)化后的疾病，通過迭代訓(xùn)練不斷更新修正隱層神經(jīng)元的權(quán)重值，最后訓(xùn)練出一個(gè)泛化能力較好的模型，可用于新病例的預(yù)測(cè)。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，該模型神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)量的訓(xùn)練集的多分類問題，往往擁有較高的準(zhǔn)確率。

（五）規(guī)則引擎

規(guī)則引擎是指利用知識(shí)庫中的已知診斷規(guī)則進(jìn)行診斷，將病人的癥狀、檢查檢驗(yàn)異常數(shù)據(jù)等來匹配診斷規(guī)則。應(yīng)用規(guī)則引擎技術(shù)，構(gòu)建疾病分類處理技術(shù)平臺(tái)，有助于臨床決策支持系統(tǒng)的不斷完善和質(zhì)量管理知識(shí)庫的積累與形成，對(duì)于不斷擴(kuò)展的業(yè)務(wù)系統(tǒng)以及更加精細(xì)化的質(zhì)量管理需求有更好的適應(yīng)性。

（六）模型整合

通過比較以上幾種不同算法的優(yōu)缺點(diǎn)，采用投票、特定模型優(yōu)先、權(quán)值相加等策略整合各個(gè)模型的預(yù)測(cè)結(jié)果，以得到最準(zhǔn)確的輸出。主要優(yōu)點(diǎn)體現(xiàn)在：1. 可以避免某單個(gè)模型的局限性和不完全性；2. 不同模型的思想側(cè)重點(diǎn)不一樣，通過結(jié)合不同模型的結(jié)果，會(huì)降低漏診和誤診的可能性；3. 傳統(tǒng)算法和深度學(xué)習(xí)算法結(jié)合，相對(duì)于某單個(gè)子算法，診斷疾病準(zhǔn)確率有所提升。

三、構(gòu)建醫(yī)院臨床最佳實(shí)踐庫

（一）搭建資源中心

以梅州市人民醫(yī)院為例，醫(yī)院數(shù)據(jù)來源主要由BMJ循證醫(yī)學(xué)知識(shí)庫和臨床數(shù)據(jù)中心（CDR）構(gòu)成。BMJ循證醫(yī)學(xué)最佳實(shí)踐主要為資源中心系統(tǒng)提供要點(diǎn)式、精準(zhǔn)化標(biāo)準(zhǔn)邏輯支撐，構(gòu)建循證醫(yī)學(xué)最佳實(shí)踐庫；臨床數(shù)據(jù)中心能夠?qū)崿F(xiàn)醫(yī)院不同業(yè)務(wù)系統(tǒng)的有效集成與實(shí)時(shí)信息共享，包括醫(yī)院各業(yè)務(wù)系統(tǒng)中的歷史病例資料，利用大數(shù)據(jù)與人工智能技術(shù)從真實(shí)世界中挖掘出海量臨床數(shù)據(jù)，進(jìn)行整合、清洗、機(jī)器學(xué)習(xí)等，構(gòu)建醫(yī)院臨床最佳實(shí)踐庫。

（二）建立診療模型

在資源中心架構(gòu)基礎(chǔ)上，以臨床數(shù)據(jù)倉庫、BMJ循證醫(yī)學(xué)知識(shí)庫作為數(shù)據(jù)基礎(chǔ)，將清洗后的病歷數(shù)據(jù)與基礎(chǔ)數(shù)據(jù)融合，構(gòu)建臨床、循證醫(yī)學(xué)最佳實(shí)踐庫。利用KNN算法、FM推薦算法等機(jī)器學(xué)習(xí)算法訓(xùn)練模型并持續(xù)優(yōu)化，從而得到臨床決策支持模型，輔助臨床診療方案制訂。

（三）輔助臨床診療決策

從病例數(shù)據(jù)中提取的數(shù)據(jù)進(jìn)行數(shù)學(xué)方式和計(jì)算機(jī)建模，形成結(jié)構(gòu)化數(shù)據(jù)，并構(gòu)建好知識(shí)圖譜?？梢詮牟±龜?shù)據(jù)庫中獲得相關(guān)的醫(yī)學(xué)規(guī)律，從而探究癥狀、體征以及疾病之間更加深層次的、不易被發(fā)現(xiàn)的潛在關(guān)系。

在醫(yī)生進(jìn)行決策時(shí)，臨床決策在資源中心的基礎(chǔ)上，將療效評(píng)價(jià)模型嵌入醫(yī)院電子病歷，采集患者癥狀、主訴、病史、處方、檢查結(jié)果、檢驗(yàn)指標(biāo)等電子病歷數(shù)據(jù)信息，再進(jìn)行真實(shí)世界數(shù)據(jù)挖掘，從不同角度計(jì)算療效，并以此為依據(jù)，然后通過智能推理，形成并自動(dòng)篩選合適的推薦診斷以及精準(zhǔn)化、個(gè)性化的治療方案等臨床決策支持知識(shí)，幫助醫(yī)生有效提高初診正確率，縮短確診時(shí)長(zhǎng)，減少誤診誤治。

（四）全過程綜合預(yù)警提醒

在資源中心的基礎(chǔ)上，梅州市人民醫(yī)院將112個(gè)異常指標(biāo)、19523條預(yù)警提醒規(guī)則通過可配置的方式添加到規(guī)則應(yīng)用平臺(tái)并嵌入到各個(gè)信息系統(tǒng)，在臨床醫(yī)生錄入診斷、書寫病歷、用藥、檢驗(yàn)報(bào)告、檢查報(bào)告等各環(huán)節(jié)為其提供實(shí)行的預(yù)警提醒和病情發(fā)展評(píng)估，從不同角度計(jì)算療效并自動(dòng)篩選后推薦多種可供參考的治療方案。除此之外，根據(jù)事件的輕重緩急平臺(tái)將預(yù)警等級(jí)化，分為藍(lán)色預(yù)警、黃色預(yù)警、橙色預(yù)警、紅色預(yù)警，程度依次加重，醫(yī)生可根據(jù)其程度進(jìn)行決策。

（五）實(shí)時(shí)統(tǒng)一的病歷內(nèi)涵質(zhì)量控制

通過數(shù)據(jù)資源中心搭建了智能化病歷內(nèi)涵質(zhì)控平臺(tái)，不僅輔助臨床醫(yī)生在書寫病歷環(huán)節(jié)及時(shí)發(fā)現(xiàn)缺陷、修改缺陷，提高病歷書寫質(zhì)量，還借助病歷質(zhì)量監(jiān)控平臺(tái)，實(shí)現(xiàn)對(duì)全院病歷質(zhì)量水平的監(jiān)管，為病歷質(zhì)控決策提供參考。

（六）知識(shí)檢索服務(wù)

由于有BMJ循證醫(yī)學(xué)知識(shí)庫強(qiáng)大的支撐，醫(yī)院共收錄疾病知識(shí)近4萬條，藥學(xué)知識(shí)近3萬條，輔助檢查近1萬條，文獻(xiàn)、指南、循證醫(yī)學(xué)證據(jù)1000多萬條數(shù)據(jù)，據(jù)此完善知識(shí)檢索語義分析，創(chuàng)建疾病同義詞對(duì)照16121對(duì)，層級(jí)關(guān)系24881個(gè)；藥品同義詞對(duì)照8764對(duì)，層級(jí)關(guān)系8117種；737類3萬多種癥狀體征的同義及層級(jí)關(guān)系術(shù)語集等，改變以往的數(shù)據(jù)庫低效率的搜索邏輯，醫(yī)生在使用時(shí)可根據(jù)自身業(yè)務(wù)進(jìn)行分類搜索，提升檢索質(zhì)量及效率。

四、預(yù)期優(yōu)化效果

（一）疾病輔助診斷

模擬人類專家決策過程，從電子病歷得到的診斷要素，初步判斷疾病類型。然后獲取檢查、檢驗(yàn)結(jié)果，自動(dòng)匯總加入患者的病情信息，給出進(jìn)一步的診斷明確推薦信息或確診建議，其優(yōu)勢(shì)在于能為門診醫(yī)生提供豐富的臨床經(jīng)驗(yàn)，結(jié)合相關(guān)病例，輔助醫(yī)生鑒別診斷結(jié)果，有效提高醫(yī)生診斷水平。

（二）臨床預(yù)警提示

臨床預(yù)警提示貫穿于各個(gè)業(yè)務(wù)系統(tǒng)的診療過程當(dāng)中，通過預(yù)先配置的診療服務(wù)項(xiàng)目互斥、用藥禁忌等相關(guān)規(guī)則，系統(tǒng)根據(jù)臨床數(shù)據(jù)中心規(guī)則引擎在設(shè)定預(yù)警點(diǎn)進(jìn)行必要的預(yù)警提示，從而避免臨床出現(xiàn)不合理處方、不合理診療等情況，從而提升醫(yī)療質(zhì)量，減少醫(yī)療事故。

（三）質(zhì)控管理

系統(tǒng)打通患者整個(gè)診療過程的質(zhì)量控制環(huán)節(jié)，提供全面的、實(shí)時(shí)的、動(dòng)態(tài)的質(zhì)量控制，及時(shí)預(yù)警診療過程事件，適時(shí)干預(yù)診療缺陷，實(shí)時(shí)監(jiān)測(cè)病歷質(zhì)量，實(shí)現(xiàn)精細(xì)化的質(zhì)量控制閉環(huán)管理，規(guī)范診療，全方位保證患者安全，維持穩(wěn)定的醫(yī)療救治水平。

五、結(jié)語

隨著信息技術(shù)的發(fā)展和醫(yī)療信息化建設(shè)的不斷深入，使用科學(xué)合理的人工智能技術(shù)對(duì)醫(yī)院臨床最佳實(shí)踐庫的數(shù)據(jù)進(jìn)行挖掘和利用，在一定程度上能消除不同醫(yī)療結(jié)構(gòu)之間的信息壁壘，讓海量的醫(yī)療數(shù)據(jù)得以有效互通和共享。人工智能技術(shù)的發(fā)展和應(yīng)用讓數(shù)據(jù)挖掘更加快速、精準(zhǔn)、可靠地發(fā)現(xiàn)更多潛在的有價(jià)值的知識(shí)，為臨床決策支持提供了必要的基礎(chǔ)。人工智能技術(shù)的運(yùn)用，為構(gòu)建更全面的醫(yī)院臨床最佳實(shí)踐庫發(fā)揮更大的作用，基于人工智能建立的醫(yī)院臨床最佳實(shí)踐庫使臨床決策更加智能化。

醫(yī)院臨床最佳實(shí)踐庫具有深度學(xué)習(xí)能力，需要全方位、多層次、動(dòng)態(tài)性好的知識(shí)庫支持。人工智能技術(shù)使系統(tǒng)反饋處理實(shí)時(shí)診療數(shù)據(jù)更加快速，從而提供更加智能的決策支持，真正幫助一線醫(yī)療工作者解決疑難病例，減少診療失誤。

參考文獻(xiàn)：

［1］ 阮彤，高炬，馮東雷，等. 基于電子病歷的臨床醫(yī)療大數(shù)據(jù)挖掘流程與方法［J］. 大數(shù)據(jù)，2017，3（05）：83-98

［2］ 李昊曼，段會(huì)龍，呂旭東，等. 醫(yī)學(xué)語言處理技術(shù)及應(yīng)用［J］．中國(guó)數(shù)字醫(yī)學(xué)，2008，3（11）：11-13+30.

［3］ 孔曉風(fēng)，李瑩，李昊旻，等. 基于自然語言處理技術(shù)的消化科內(nèi)窺鏡檢查報(bào)告的結(jié)構(gòu)化［J］. 中國(guó)醫(yī)療器械雜志，2008，32（05）：348-351.