20.甘肃省武威肿瘤医院：临床医疗风险智能管理平台 【CHIMA 2019案例分享】

甘肃省武威肿瘤医院始建于1978年，全国三级甲等肿瘤专科医院，开放床位1000张，年门诊量20万人次，住院治疗2.6万人次；现为兰州大学、张掖医学高等专业学校、武威职业学院临床教学医院，是一所以肿瘤疾病专科诊疗为特色的现代化品牌医院。现承担省部级科研项目7项，获国家专利28项，承建了我国第一台自主知识产权重离子治疗设备，该治疗项目已经进入临床试运行阶段。

医院全面完成了省卫计委指定的全省卫生支农工作任务，在近三年内无偿为农村乡镇开展了肝癌、胃癌早诊早治筛查，为扎实推进分级诊疗和医疗资源纵向整合，成立了武威市物联网医院，与甘肃省第二人民医院以及全市县医院、乡镇卫生院等104家医院签订了互联网医院联盟合作协议，实现了协同医疗、优势互补、共同发展，以进一步满足人民群众对医疗卫生服务的需求。

医院顺应新兴信息技术发展趋势，规范和推动健康医疗大数据融合共享、开放应用，结合肿瘤专科特色，充分挖掘医疗大数据优势，先后开展了“肝病大数据人工智能 AI 筛查与评估”、“临床医疗风险智能管理”、“智能心电筛查”、“肿瘤辅助诊断”等多个大数据应用项目。

为了保证医疗安全，全面了解患者情况、降低治疗风险，特别是降低危重病人死亡率，有效的提高疑难复杂疾病治疗效果，减少医疗纠纷，因此在患者入院、术前、术中、术后、转ICU、ICU治疗、出ICU和出院等关键治疗阶段都要进行相应的医疗数据收集，完成相应的风险评估。

在诸多的临床治疗过程中，急重症病人以发病急、病情重、恶化快的特点，死亡率一直居高不下。早期发现和干预是防止急重症危及患者生命必不可少的手段。研究显示，4%到17%的患者会在医院遭遇心跳或呼吸骤停。在产生这些危及生命的症状前期，一些不寻常的生命体征就会出现，并伴随着常见并发症。

本案例以患者临床风险管理为研究重点，收集和分析患者当前实时的生命体征数据、电子病历数据、实验室检查数据、影像学数据以及医护人员的操作数据，用大数据分析技术智能的进行风险评估，有效识别出病情可能恶化的患者，及早提供干预治疗，不仅能够最大程度上减轻患者的痛苦甚至挽救患者的生命，同时也能节省下宝贵的医疗资源。

临床医疗风险管理是一种管理程序，是对现有和潜在的医疗风险的识别、评价和处理，以减少医疗风险事件的发生和风险事件对患者、医护人员以及医院的危害和经济损失。临床医疗风险管理包含3个步骤，风险识别、风险评估、风险处理。

风险识别，就是要及早准确识别出高危患者。高危患者有3个特征：生命体征不稳定，病情变化快；两个以上的器官系统功能不稳定、减退或衰竭；病情发展可能会危及到患者生命。医院把危重病人集中在ICU中，对危重病人进行连续或接近连续的观察、诊疗和监护，以期得到良好的救治效果。但现阶段用于收集患者生命体征的心电监护、呼吸机、超声机、摄像头等设备数据无法实现统一实时记录，诊疗数据也分散在各个系统，给及早准确识别医疗风险带来了难题。

本案例采用专用业务网络，通过专线，MPLS VPN，Internet，5G/4G等多种手段直接接入临床数据采集设备，实现临床设备间互联互通，辅以平台前端提供的CIS 基本功能，可实现急危重症完整信息记录和共享。

风险评估，就是要客观评价病情严重程度。在病人病情评估方面，APACHE和SAPS-II等评分模型已经广泛应用在ICU内，辅助医护人员对病人当前的生命体征状况和危险程度作出评估。通过过去很长一段时间的使用，医护人员们逐渐意识到了这些评分模型的局限性。一方面，这些评分模型只是通过患者当前生命体征状况或者一些测试的反应来对患者危险状况进行评估，没有将之前的生命体征纳入评分模型参考，没有充分利用时序信息，造成了历史信息的缺失；另一方面，这些评估模型在设计之初，通常只采用了某一地区的患者作为样本，构建了统一的评分标准，这造成了这些评分模型的普遍性不足，个性化程度不高。

本案例采用收集患者基本信息、诊断信息、临床检验结果、用药信息、连续的生命体征数据等信息，利用先进的数据处理和机器学习算法，自动计算、自动评估量表，筛选出病情可能出现严重恶化的患者，及时提醒医护人员进行干预。

风险处理，就是要选择最佳治疗方案和治疗时机。目前ICU内病人的治疗方案和手段主要依靠医生的经验和相关领域知识的积累，使得工作效率和诊疗参差不齐。

本案例中使用可视化系统，高效衔接院前院内的系统，当管理平台预警显示患者有风险时，提供实时评估预警，结合标准化的临床路径参考建议，医生会对患者的病情进行评估，在适当的情况下调整诊疗方案。通过实时收集的反馈数据来评价治疗效果，使救治体系完整统一、紧密配合，形成高效的闭环，提高病人救治成功率。

1.患者基本信息

2.实时监测数据信息

3.其他信息

大数据技术的不断发展，为临床医疗风险管理领域提供了良好的平台和数据基础，使得人工智能技术可以真正从科研进入到临床应用中。关键技术分2个部分:数据采集和大数据分析预警模型。

数据采集

采用智能物联网覆盖ICU临床设备的数据采集设备，将数据获取直接延伸至临床设备。数据来源将从ICU科室的临床设备（心电监护、呼吸机、超声机、摄像头等）直接自动获取，辅以平台前端提供的CIS 基本功能，可实现急危重症完整信息记录和共享。

图1智能物联网数据采集

病情恶化预警模型

我研发团队与美国Barnes-Jewish Hospital共同研发的病情恶化预警模型能够有效发现病情可能出现严重恶化的患者。模型用Logistic回归筛选出与病人病情转归有明显相关性的临床指标，并建立回归方程，计算死亡概率P值。模型验证结果显示，当P＞0.5667时，病情恶化甚至死亡的可能性较大，该模型的预测结果与实际情况基本一致。

ICU死亡预警模型

我团队研发的ICU死亡预警模型，能够有效识别出未来24小时有可能出现生命危险的患者，该成果也成功获得了AMIA（医疗信息领域最著名年会） 2015年最佳论文奖。

图2  ICU死亡预警模型

ICU死亡预警模型利用ICU患者前48小时的30多项生命体征时序数据和患者基本信息等数据，对病人的生命危险进行评估。利用信息论、混沌理论和小波变换等数据处理方法，我们从时序数据中抽取出32项特征，通过滑动窗口动态更新数据，再采用先进的Time-Slicing Cox模型进行建模，最终可以动态、准确评估ICU患者死亡风险。

感染性休克预警模型

在住院病人中，大约 1%到2%的人可能发生败血症，而在ICU病房中，这一比例可能高达25%。与此同时，败血症的死亡率也非常高。根据患者所患疾病的不同，败血症的死亡率高达30%，严重败血症的死亡率高达50%，而感染性休克的死亡率最高可以达到80%。败血症发病率高，死亡率高，因此尽早发现那些可能发生感染性休克的患者，并提前干预治疗，对降低ICU患者死亡风险有着重要的意义。

我研发团队与临床专家深度合作，建立基于规则的感染性休克预警模型，利用ICU患者实时的生命体征数据，血液动力学参数和实验室检测数据，对患者感染性休克的发生概率进行预测。在这些数据的支持下，前沿的人工智能算法相比较医护人员传统的检查方法能够更早发现感染性休克患者的生命体征特点，有效识别出那些可能发生感染性休克的患者，并提醒医护人员进行干预。

病情恶化预警模型基于普通病房中病人过去24小时的数据，包括患者基本信息、临床检验结果、用药信息以及诊断信息等数据，利用先进的数据处理和机器学习算法，筛选出病情可能出现严重恶化的患者。

结合病情恶化预警模型和ICU死亡预警模型的预警系统能够有效降低患者死亡率。在有预警干预组中，当预警系统显示患者有风险时，医生会对患者的病情进行评估，并在适当的情况下调整诊疗方案；无预警干预组为对照组，不进行任何干预。最终临床实验结果显示，有预警干预组相对于无预警干预组的死亡率明显降低，也就是说，在预警系统的帮助下医护人员能够有效降低患者的死亡率，如表3所示。

表 1 预警系统能够有效降低患者死亡率

依托感染性休克预警模型，利用ICU患者实时的生命体征数据和实验室检测数据，对患者感染性休克的发生概率进行预测。在预警模型和医护人员的帮助下，患者的ICU存活率得到明显提升。

图 3 采用感染性休克预警模型能有效增加ICU病人的存活率

经过大量临床实验，以上模型得到了有效的验证，我院正在将ICU全景化数据与5G+AI技术结合，嵌入急重症临床业务流程中，提供临床科学指导及预警。

图4 5G+AI全景化应用场景

在国家卫生健康委印发的《2019年深入落实进一步改善医疗服务行动计划重点工作方案》中，明确提出要继续优化急诊急救服务。建立院前医疗急救中心（站）与院内急诊的信息共享机制，力争到2020年，各地逐步建立起基于“五大中心”的急危重症患者救治体系和院前院内信息共享网络，实现急危重症患者医疗救治快速、高效、高质量。鼓励有条件的地方整合资源，探索开展有医疗服务需求的非院前医疗急救患者的转运服务，加强相关工作管理，保证医疗质量和安全。

图 5  临床医疗风险智能管理平台整体规划

为提高医护人员医疗质量水平和减少医院危急重病人死亡率,更大程度的拯救病人生命,我院在实现ICU临床数据的互通的前提下， 引进了临床医疗风险智能管理平台，将世界领先的人工智能算法投入到临床应用中，进而提供了从数据平台建设到智能辅助决策服务的完整解决方案。平台未来会在保障患者个人隐私和数据安全的前提下，为医护人员提供临床信息存储、共享、追溯、分析等科研数据支撑，建立覆盖院前、院中的危重病人的风险评估管理，以及跨科室、跨院、跨区域的会诊、指导、远程查房等信息化服务。