基于大數據挖掘技術建立圍手術期風險評估系統

范雙熾

醫學領域治療中手術治療是常用和有效的方法之一，外科系統承擔了醫院的主要手術治療隨著微創醫學的發展、內科體系中心內科、消化內科也都開展了手術治療。往往一些患者因外科治療困難轉做內科手術如微創介入下瓣膜置換（TAVI/TAVR）、內鏡下逆行胰膽管造影取石術ERCP。這些侵入性手術都需要進行麻醉，手術前對患者的評估是降低麻醉和手術并發癥和死亡率的有效措施和常規。術前風險預測是根據患者生理狀況、基礎疾病、麻醉和手術對機體的影響，量化評價風險水平的方法。麻醉醫生根據患者風險水平，制定和修訂麻醉和圍術期醫療方案和采取防范措施，從而降低潛在風險，提高安全性和醫護質量。目前醫療體系中手術治療是最常見的治療方式，麻醉手術中不同患者有不同的安全系數，不同的風險和并發癥，三級綜合醫院每天的手術量從數十到數百不等，對于不同患者的麻醉手術風險評估也有不同的方法，如Palmberg 提出的“老年患者術后死亡率預測方法”、Destky 對Coldman 設計的“非心臟手術患者心臟風險預測方法”、改進的ASA 麻醉風險預測方法等[1-6]。ASA 分級是最常用的分級方式，能對患者的狀況評估偏粗糙，綜合性能不夠。對于麻醉手術后的并發癥需要新的更智能的方法來提供有效預測，依據風險評級圍術期能夠提供指導價值修改制定最佳的麻醉手術方案，采取預防措施，降低圍術期潛在的風險，提高手術安全性和醫療質量。基于醫院信息系統數據平臺的功能，以解決圍術期并發癥風險評估預測為主要目標的系統方案，通過大數據技術科學的預測麻醉手術并發癥，指導臨床做好術前準備，降低手術患者圍術期風險。

1 材料與方法

1.1 臨床資料與數據

臨床數據取自福建醫科大學附屬三明第一醫院麻醉科信息系統，電子病歷系統、病案管理系統。以2016—2018 年全部手術病例納入范圍，分別提取術前相關資料、術后并發癥以及死亡等相關數據。

1.2 臨床因素篩選

目前臨床上常用的評估方法是ASA 分級，根據患者的身體狀況、檢查指標分為五個等級。由于使用上的局限先后出現了新的麻醉風險預測方法、麻醉和手術后心肺并發癥預測方法、老年患者術后死亡率預測方法、非心臟手術患者心臟風險預測方法，APACHE Ⅱ以及 POSSUM 評分體系主要針對術后并發癥的評估。以評估預測方法上所涉及的變量有，年齡、體重、BMI、生理指標（心率、血壓、呼吸、體溫）、檢驗指標（鈉、鉀、肌酐、尿素氮、血紅蛋白、紅細胞壓積、血糖）、心電圖、手術類型、手術分級、失血量、器官功能狀態、ASA 分級等。根據麻醉手術前各類指示的臨床價值和可獲得的數據資料我們選用了年齡、體質量、心率、血壓、鈉、鉀、肌酐、尿素氮、血紅蛋白、紅細胞壓積、血小板、血糖、心電圖、手術類型、手術分級、ASA 分級[7-9]。

1.3 圍手術期并發癥、死亡病例判定標準與手術分級

對于圍手術期的患者最危險的并發癥有呼吸、心跳驟停，這意味著可能導致生命終止，是其中第一要評估的風險，接下來是各個重要臟器的功能損傷，呼吸道感染、肺栓塞、呼吸衰竭，心臟發生心肌梗塞、腦梗、腦栓塞、血液系統并發癥重度貧血、低血小板、DIC，其它的電解質異常、神經損傷也是相關的危險因子。

手術分級手術依據其技術難度、復雜性和風險度，將手術分為四級。一級手術：手術過程簡單、技術難度較低、風險度較小的各種手術。二級手術：手術過程不復雜、技術難度一般、風險度中等的各種手術三級手術：手術過程較復雜、技術難度較大、風險度較大的各種手術。四級手術：手術過程復雜、技術難度大、風險度大的各種手術[2]。不同級別手術產生并發癥的風險也是不同，隨級別的增高并發癥的發生率也隨之增加。

并發癥類型我們選用死亡、心跳驟停、傷口感染、肺部感染、肺栓塞、腦栓塞、心肌梗塞、入住ICU。

2 結果

2.1 建立數據庫分配數據集

臨床數據取自福建醫科大學附屬三明第一醫院麻醉科信息系統，電子病歷系統、病案管理系統。以2016—2018 年全部手術病例納入范圍，分別提取術前相關資料、術后并發癥以及死亡等相關數據。

2.2 相關數據挖掘和模型建立

數據挖掘是通過各種分型模型發現各因變量與結果變量之間的邏輯關系，主要步驟是數據準備、數據清洗、數據挖掘（建立預測模型）、結果表達與分析[3]。5 種數據挖掘方法有回歸模式（regression）、分類模式（classification）、關聯模式（association）、聚類模式（clustering）、偏差模式（deviation）等[10-11]。

項目組使用了5 種數據挖掘方法進行分析，旋轉隨機森林（rotating random forest）、隨機森林（random forest）、貝葉斯網絡（bayesiannetwork）及樸素貝葉斯網絡（naive bayesiannetworks）支持向量機SVM 等[5]。之前所得的數據集按2：1 的比例隨機分成兩組訓練集和測試集，對并發癥的預測準確性驗證中，隨機森林模型預測準確率達到87%（如表1），該模型的擬合度和準確性都較高，接受者操作特征曲線（receiver operating characteristic，ROC）最終選取隨機森林模型作為核心模型。

圖1 圍手術期步驟

圖2 風險評估軟件數據流程

表1 各預測模型預測的準確率

3 評估系統軟件開發

3.1 梳理圍術期業務流程

患者手術安排實施業務流程與手術前評估流程，詳見圖1 ～2。

3.2 評估系統應用結果

利用我院住院部和門診電子病歷系統，采用國際先進的J2EE 技術，支持Windows、Linux 等多種操作系統。所有的數據都保存在數據庫服務器，所有對數據庫的操作都通過應用服務器進行，從而有利于系統的安裝、維護、更新和數據的集中管理，增加了數據的安全性。臨床應用評估的結果為低、中、高風險者三個等級，中高風險根據臨床需進一步檢查或糾正功能支持，詳見圖3 ～4。

4 討論

圖3 風險評估軟件評估頁

圖4 風險評估軟件預測結果

手術是一項高風險的治療措施，不同部位，不同手術方式帶來的風險也不一樣，圍術期安全是手術、麻醉學科最關注的問題，安全包括術前、術中、術后的全程管理，減少并發癥的發生[12]。本課題通過收集整理全院2016—2018 年手術麻醉病例的圍術期數據經過數據提取、整理、補缺建立圍術期并發癥數據庫。通過對變量權重的分析、應用機器學習的方法建立數據預測模型，通過驗證集的方案交叉確認模型的可靠性，而后開發出圍手術期風險預測評估系統，在國內較早的人工智能在圍術期風險預測的大數據應用。

經過優化以后的軟件可以通過麻醉信息系統連接HIS 系統、電子病歷系統、檢驗系統、心電系統綜合提取患者術前檢查診斷等相關數據，在手術前對全院手術麻醉患者批量進行風險評估，篩選出高中低三個級別風險的患者，中低風險患者手術風險小，高風險患者需要重點分析風險的原因、并發癥發生的方向，對于麻醉方案的進行重新選擇、調整、修改、讓患者的器官功能狀態改善，必要時進行全院會診。這些措施可以有效降低圍手術期的風險，提高患者圍手術期的安全保障。

疾病預測未來的發展方向將是基于多態數據，即包涵結構化數據如文本、數據中心、影像、心電中心數據，時間序列數據，非結構化的數據，對于這樣多態的數據進行整合預測具有重要的技術挑戰。有了這次項目的研究成果我們將與多家醫合作優化風險評估系統的模型，提高預測的智能化和準確度。對于麻醉質量管理上將引入更多數據分析的新方法。在變量選擇上也將融合專業的醫學理論、醫療領域長期使用積累的風險評估方案結合機器學習的方法與臨床價值共同篩選，使評估系統的精度將進一步提高具有更強的指向性和指導價值，增加按專科疾病手術進行分類預測并發癥、按器官系統功能的風險預測，讓手術麻醉風險評估更加智能、科學、規范。