16.陆军军医大学第一附属医院：大数据驱动的临床智能辅诊系统研发与应用【CHIMA 2019案例分享】

在大数据时代，数据更新之迅速远远超出了个人的学习和接受能力，大量新的医学论文发表，新的临床研究数据发布，令临床医生应接不暇。当前，从医疗大数据的处理到利用还需迫切解决以下问题。

1.医院已积累的海量医疗数据缺乏有效深度利用。

绝大多数医院经过近二十年医疗信息化的发展积累，形成了大量结构化和非结构化的数据，且随着可穿戴设备监测数据、基因测序数据等新模态数据的出现，医疗大数据的增长更为迅猛。然而，医院临床数据的利用水平不高，绝大部分数据处于“沉睡”状态，不能进行临床决策支持与科研，更没有对数据进行知识发现并转化为知识。

2.现有信息环境难以满足诊疗过程中的知识需求。

现有诊疗过程中，医生对辅助知识的获取方式和内容都非常匮乏，特别鲜见使用广泛的医学知识推荐和查询，且缺少实用的知识服务手段。而实质上，临床诊疗工作中，有大量的知识需求亟待通过计算机来提供，这其中就包括基础知识库、临床诊疗知识库、参考文献和从历史病例挖掘形成的知识。

3.传统技术手段不能支撑智能、高效的知识获取方式。

传统数据处理的技术手段只能应对相对少量的医学数据，如果医生在诊疗过程中获取知识的效率太低，医生一般都会选择尽可能少用。因此，我们需要利用最新的医疗大数据技术，构建一套高效的知识获取系统，实现对医生知识需求的快速响应，并尽可能做到智能化，即能够智能感知诊疗过程，精准的为医生提供知识服务。

临床智能辅诊系统，是基于我院医疗大数据平台和医院海量真实病历数据，结合医学文献、临床知识库等资源，利用分布式存储和计算、自然语言处理、机器学习等技术构建的，深入挖掘医院近20年累积的大量优质历史病历数据，并融合医学知识库，涵盖文献、指南、循证医学证据，系统囊括了8种癌症的临床指南，1070余条医学知识规则，可链接近2000万份电子病历文档资料和400多万篇文献摘要及70多万篇文献全文。

系统架构如图1所示，包括在线智能引擎架构、离线数据处理架构两部分。

图1 临床决策支持系统系统架构

其中数据源来自我院大数据平台和链接的各类知识库文献库等，系统通过CDSS引擎模块调取数据。在线智能引擎部分主要负责根据医生实时输入，通过实时处理计算，完成诊疗行为推荐、相似病历统计、检索等功能，并将结果展示给医生，该模块在客户端包含辅助决策客户端程序，服务端包含CDSS引擎模块。离线数据处理部分主要按照一定周期或人工触发后，获取海量临床病历、文献知识等原始数据，按照算法设计的规则清洗数据，提取关键信息，并训练算法模型，使得在线系统可以调用算法模型实现特征提取和诊疗行为推荐。

1.医疗大数据集成与处理基础技术

将医院HIS、EMRS、LIS、PACS 等医疗数据通过ETL工具进行抽取、汇集、结构化，映射到兼容国际国内医疗数据规范标准的全局Schema中，对字段信息清洗和语义归一，为上层应用服务提供准确的基础数据支撑和业务模型训练。采用了Hadoop技术框架搭建分布式计算，利用22台服务器组建大数据处理平台，共225T存储空间，进行数据采集、清洗、处理、存储等工作。

2.多元异构医学数据的后结构化处理与分析技术

通过自然语义处理技术，结合医疗专业术语的语义结构，将医疗语义信息从原始的自然语言表达，扩展分析为结构化的Key-Value模式，为后续的应用、挖掘、机器学习提供基础数据支持。对2600多万份病历数据建立临床专业语料库，构建数据索引，并进行结构化与归一化处理，为大数据应用、挖掘、机器学习提供结构化数据。

3.构建诊疗过程知识生成的智能算法与规则体系

采用聚类、分类、协同过滤、推荐等算法分析数据结构，对不同的医学数据进行标注，进而建立分类数据集；再结合数据集和机器训练，达到新数据自动识别与归类的目的，进而为临床诊疗活动挖掘出符合条件的业务模型和知识服务。结合医学数据集结构化字段5792个，通过机器学习实现结构化字段的自定义，拓展符合特定诊疗场景的知识服务。

4.研发大数据驱动的临床智能辅诊系统

基于医院海量真实病历数据，结合医学文献、临床指南、专病库等知识库，研发了大数据驱动的临床智能辅诊系统。系统自动获取患者就诊信息，并为医生诊疗过程提供多维度数据的辅助决策，提供操作便捷、实用高效的辅助工具，与医生工作站进行融合。

面向临床医生的辅助决策和推荐系统，支持自动从医生工作站获取当前就诊的患者信息，多维度为医生诊疗过程提供辅助决策，让医生在传统的诊疗环境获得创新的诊疗手段。

1.诊断推荐

根据患者基本信息和主诉、现病史等临床信息，智能推荐疑似诊断，并提供这些诊断的典型症状、常用检查、常用检验以及历史相似病历，如图2所示。

图2 诊断推荐示意图

2.检查检验推荐

根据初步诊断，结合基本信息、一诉五史，自动推荐适合的检验、检查项目，并挖掘展示历史病历中的开立占比及相关文献，如图3所示。

图3 检查检验推荐示意图

3.治疗方案推荐

根据最终诊断自动推荐最佳治疗方案，并挖掘展示各治疗方案在历史病历中的开立占比及相关文献，如图4所示。

图4 治疗方案推荐示意图

4.智能提醒

结合知识库和知识挖掘，智能提醒不适合患者病情的处置和预警，如图5所示。

图5 智能提醒示意图

5.病历分析

根据患者主诉、现病史、诊断、检查检验、用药等信息，基于历史数据找出相似病历及各维度的统计数据，如图6所示。

图6 病历分析示意图

6.知识搜索

提供最新最全医学文献、临床指南、临床路径等循证医学知识，如图7所示。

图7 知识搜索示意图

本案例研发的大数据驱动的临床智能辅诊系统，突破了医疗大数据分析方法与应用的制约点，为终端用户提供了功能较实用、简便图形化界面的诊疗决策辅助工具，形成了在临床智能辅助方面有价值的应用，对精准医疗的进一步实施与实现具有有价值的参考意义。截止目前，系统已在医院各临床科室推广使用，已累计为医生诊疗行为服务8万多人次，为临床医生和患者带来了较好的就诊体验。

首先，临床智能辅诊对临床医生特别是年轻医生、临床实习生和轮转医生都有很好的指导作用，可以让他们学习已经积累的先进经验，并可同时了解到国内外研究进展与治疗规范，帮助其在临床工作过程中不断提升诊疗水平。

其次，基于医疗大数据的智能辅诊应用会使医生的诊疗过程更加科学、合理、精准；特别是形成了更加有针对性的检查、用药和治疗方案，可进一步减轻患者负担，节约就诊时间，也可进一步提升临床工作效率，提升床位周转率。

再次，该系统的研发大大提升了临床诊疗的信息化环境水平，通过大数据、人工智能等相关技术的集成与应用，使得医院临床诊疗信息化向智慧医疗、精准诊疗方向进一步探索，形成了新技术应用的知识储备。

将临床智能辅诊系统深度融合到诊疗流程中，不断扩充、完善包括影像、生物样本库等在内的各类医疗数据，进一步利用大数据与人工智能技术提升系统的智能化与亲和度，提高整体辅诊能力。

同时，此系统可进一步拓展应用到各基层医疗机构，实现将大型医疗机构的丰富临床经验与知识辐射到基层，对提升基层医生的诊疗水平，带动区域内整体医疗水平的进步具有十分重要的参考价值，市场前景也较广阔。