癲癇臨床診療數據規范化研究

張妮楠 曹馨宇 林睿凡 王斌 史華新 周洪偉 謝琪

摘 要：中醫常采用自然語言描述疾病癥狀，導致癥狀命名不統一，影響數據挖掘分析和臨床療效評價結果。該研究主要以中醫臨床專病診療數據為研究對象，示范性地探索和整理了臨床診療數據中術語該如何規范化的問題，從語義分析的角度來規范化整理癥狀術語，在首選術語制定過程中引入術語屬性和術語間關系的概念，解決了癥狀間多詞一義、多義一詞的問題。參照ICD-11中文版整理了疾病診斷術語;參照《中國藥典》規范了中藥藥名;按照“治愈”“好轉”“未愈”分類整理療效評價術語。最終整理獲得癥狀術語558條，其中首選術語164條，同義術語394條;診斷術語23條;療效評價術語21條，規范后的數據可用于數據挖掘分析。

關鍵詞：癲癇診療數據;數據規范化;首選術語;同義術語;術語屬性

中圖分類號：N04;R276文獻標識碼：ADOI：10.3969/j.issn.1673-8578.2021.02.006

Study on Standardization of Clinical Data of Epilepsy Diagnosis and Treatment//ZHANG Ninan， CAO Xinyu， LIU Ruifan， WANG Bin， SHI Huaxin， ZHOU Hongwei， XIE Qi

Abstract：Chinese medicine often uses natural language to describe the symptoms of the disease， which leads to inconsistent naming of the symptoms and affects the results of data mining analysis and clinical efficacy evaluation. Based on the diagnosis and treatment data of clinical special diseases of a famous Chinese medicine practitioner， this study explored on how to standardize the terminology in clinical diagnosis and treatment data. From the perspective of semantic analysis of standardization symptoms terms， we introduced the concept of the term properties and the relationships between terms in the process of establishing the preferred terms， and solved the problem of multi-word meaning and polysemy between symptoms. Also， we sorted out the disease diagnosis terms according to the ICD-11 Chinese version， standardized the names of traditional Chinese medicines according to Chinese Pharmacopoeia， and sorted the curative effect evaluation terms according to “cure”， “improvement”， and “unhealed”. We finally obtained 558 symptom terms， among which 164 were preferred terms， and obtained 394 synonymous terms， 23 diagnosis terms， 21 terms of efficacy evaluation. The standardized data can be used for data mining analysis.

Keywords： epilepsy diagnosis and treatment data; data standardization; preferred term; synonymous term; term properties

引言

開展中醫真實世界研究，基于臨床診療工作積累的病案，進行中醫藥個體化診療評價和分析，已經成為中醫藥專家學術經驗傳承、臨床有效藥物挖掘的重要途徑。中醫真實世界數據也已成為中醫臨床評價和藥物監管決策證據體構成的重要來源。從臨床診療病案中獲得的真實世界數據，要通過數據相關性和可靠性評估其適用性，而數據規范化的工作更是數據研究與利用的首要關鍵環節，只有規范化的數據，才能夠成為研究資料而發揮其應有的研究價值。

中醫真實世界數據有幾個特點：（1）非結構化，即醫案數據主要來源于醫院電子信息系統存儲的門診或住院電子病歷、患者保留的門急診病歷手冊，數據分布在主訴、現病史、既往史、刻下癥等段落，每段的文字，由醫生在診療過程中以自然語言書寫而成，而不是從預設的字段中勾選，整體段落連貫，沒有字詞間的拆分結構。（2）表達形式多樣。如痰熱相關證候術語，有痰熱內蘊、痰熱蘊結、痰熱壅盛、痰熱互結、痰熱互阻、痰熱內生等15種之多。（3）中醫癥狀術語外延模糊、復合癥狀隨意組合而癥狀的量化程度不足，如納呆有納差、納少、食少、飲食減少、食欲不振等表達，給數據的分析和利用帶來困難。這樣的問題引起了關注，全國科學技術名詞審定委員會先后審定發布了內婦兒外等多個學科的《中醫藥學名詞》，給中醫藥學名詞以標準化的定義。黎敬波[1]等收集大量文獻和臨床病案，整理了常見癥狀術語2069條，分析了術語的使用習慣，并進行了解釋和規范;張啟明等人[2]以古代及近現代名家的數百部醫案及著作為語料庫對中醫癥狀學進行研究，得到了內涵最小的癥狀399條，并按照五臟功能異常的臨床表現為分類框架，對癥狀術語進行分類;王永炎等人[3]通過文獻普查方式得到癥狀術語100余條、中西醫疾病1500余種。

這些工作為中醫術語的規范化提供了較好的基礎，但是規范化術語的臨床轉化應用相對不足，尤其體現在專病研究中。某種確定的病種或病證，術語相對密集，在整體的術語體系中呈偏性分布。如癲癇，我們在研究工作中嘗試采用現有術語集與病歷數據集中的術語進行比對和匹配，尚不能準確、成簇、翔實地刻畫癲癇的臨床表現。余瀛鰲在充分的文獻循證與臨床實踐的基礎上，提出“審因—辨病—辨證”相結合的“中醫通治”理論，癲癇促效方是其代表性通治方，他認為癲癇病理要素是痰、瘀，實多于虛。2014和2018年2篇博碩論文的主要結論也印證了這一觀點[4-5]。為了從真實世界數據中獲得依據，進一步分析余瀛鰲診治癲癇的通治方及其病證人群特點和證治規律，本研究以余瀛鰲多年診治癲癇的門診病歷作為研究資料，進行系統的規范化整理，也為傳承中醫臨證經驗的數據整理工作提供參考。

1 構建癲癇臨床診療數據語料庫

語料來源：就診于中國中醫科學院中醫門診部和鼓樓中醫院京城名醫館余瀛鰲教授門診近十年的癲癇患者臨床診療病例信息。共收集數據243診例、1219診次，其中50%的數據缺少一般人口學信息如年齡、性別、出生日期;69%的數據缺少診療信息如主訴、現病史、既往史。一般人口學信息和診療信息數據完整的有121診例、329診次。

語料庫構建：對數據進行去標識處理，選取既往史、現病史、刻下癥、處方部分。以患者ID號為主索引，以逗號為分隔符，將345條病歷數據拆分成3029條語料數據，例如：“患者近期5次發作癲癇，均于每日凌晨2—3點發作，易流口水”。在同一主索引下有3條數據，分別為“患者近期5次發作癲癇”“均于每日凌晨2—3點發作”“易流口水”，完整地存入Excel，通過人工校對，避免數據缺失或遺漏，保證數據的準確性、完整性。

2 癲癇癥狀術語的規范化

癥狀術語是中醫審因辨治的基礎，來源于真實診療環境，數量龐大而表達多樣，例如：記憶力下降、憶減、記憶力減退、憶差等，臨床中都是用來描述健忘這一癥狀。癥狀術語的規范化主要分為三步，分別為語料庫構建、癥狀術語獲取、建立首選術語與同義術語的映射關系，詳見圖1。

2.1 獲取癥狀術語

癥狀術語的獲取有直接提取核心詞、復合癥狀詞拆分、語義分析提煉3種形式。對于不影響用藥判斷含癥狀屬性的術語特點，可通過核心癥狀抽取，直接獲取癥狀術語。相比從標準中獲取癥狀術語，基于臨床病歷中癥狀術語更加豐富多樣，涉及癥狀較復雜，多涉及癥狀屬性的描述，如疼痛性質、程度、持續時間、加重緩解因素等，門診病歷數據不僅涉及癲癇的主癥、兼癥、伴隨癥狀，還涉及其他診斷，這些術語在概念和層次上較標準文件中術語復雜。本研究首先抽取詞條中的核心癥狀，從3029條語料中抽取核心癥狀1674條。例如“發作時突

然昏倒”是以時間狀語修飾核心癥狀，根據核心癥狀抽取法從中得到術語“突然昏倒”。

對于不影響用藥判斷的復合術語，可采取復合癥狀術語拆分的方式。對于抽取的1674條核心癥狀術語，去重后得到675條癥狀術語，篩選出其中復合癥狀術語65條，復合癥狀多由兩個癥狀組成，臨床上這些癥狀多不同時出現，拆分后既可以單獨統計癥狀—藥物的相關性，也可通過術語關系建立兩個癥狀同時出現的強關聯性再進行挖掘分析，因此本研究對復合癥狀予以拆分。例如“口干渴”拆分成“口干”和“口渴”。

對于描述性無核心癥狀的術語特點，需采用語義歸納間接獲取癥狀。語義歸納是指根據自然語言描述的內容，來歸納所要表達的臨床癥狀。它是對癥狀的描述性解釋，也必將影響臨證加減和遣方用藥。語料具有敘述性的特點，如“兩年前曾來就診”類似此類語料不包含癥狀術語;再如“大便3～4日一行”雖為敘述性語料且沒有核心癥狀，但卻能從語義歸納提煉核心癥狀為“便秘”。本研究通過語義歸納得到癥狀術語5條。

2.2 確定首選術語

首選術語指當一個概念出現正名和別名時，根據臨床用語習慣或使用頻率，選其一為首選術語，同義術語為與首選術語含義相同的其他術語。對于通過語義義類法獲得的204類術語，按照首選術語的選取原則，選其一用于數據的挖掘分析。首選術語的制定應當滿足以下原則：（1）出處明確;（2）符合中醫藥表達習慣，當出現現代表達與古語表達時以現代表達方式為首選;（3）語義完整;（4）語義單一;（5）滿足本次研究需要;（6）當出處不明時應同時滿足條件（2）（3）（4）。

本研究以全國科學技術名詞審定委員會《術語工作原則與方法》《中醫藥學名詞審定原則與方法》為依據，在遵循科技術語單義性、簡明性、約定性的命名原則下，以《WHO西太平洋地區傳統醫學名詞術語國際標準》[6]《中醫藥學名詞》[7]《中醫藥常用名詞術語詞典》[8]《中醫大辭典》[9]《中醫癥狀鑒別診斷學》[10]《中醫臨床常見癥狀術語規范》[1]等為藍本，并前期從整理規范文件來構建癲癇中醫癥狀術語詞典的基礎上進行癲癇臨床診療癥狀術語規范化工作，在諸多同義表達中選擇有明確出處的術語作為標準術語。還有一類術語查閱了參考藍本和各個知識平臺，如北京大學中國語言學研究中心語料庫、術語在線、wordnet等沒有收錄的術語，則按照文獻等級、使用頻次、用語習慣等，選其一為首選術語。本研究共獲取癥狀首選術語164條。

首選術語用于數據挖掘分析時應該根據挖掘需求來選擇術語層級，例如《中醫藥學名詞》載錄的失眠（insomnia）指經常性的睡眠減少，或不易入睡，或睡眠短淺而易醒，甚或徹夜不眠的表現。本研究根據其概念將失眠列為上位術語，入睡難和醒后難入睡歸為下位術語，在不同研究的數據分析階段則需要根據研究目的和數據特點，選擇上位術語或下位術語作為首選術語，本研究根據余瀛鰲臨證用藥特點，選取上位術語為首選術語進行數據挖掘，首選術語中涉及術語上下位關系的為16條（表1）。

上下位術語關系還涉及術語的屬性。按照首選術語的制定原則，本研究根據研究需要在選擇首選術語時，去除癥狀屬性保留核心癥狀作為首選術語，含有屬性的其他術語在本研究中暫且作為同義術語，首選術語用于數據挖掘分析，涉及術語屬性類型有5種（表2）。