顳下頜關節紊亂病專病數據庫的設計與初步構建*

翟孝庭 黃東宗 李鴻波 張政波 王 巖 王家柱 胡 敏 劉洪臣 姜 華

顳下頜關節紊亂?。╰emporomandibular disorders，TMD）的病因復雜、發病率高，在診斷和治療方面存在諸多難題，亟待進一步的研究挖掘其潛在的規律。隨著信息技術的進步，醫療數據出現爆炸性增長，精準醫療以及智慧醫院理念的興起促進了醫學向?？茖２⊙芯康姆较虬l展［1,2］，海量的醫療數據為復雜疾病的研究提供了新的方向，用真實世界研究為臨床實踐提供證據及建議。大數據將在顳下頜關節紊亂病的診治及研究中起到重要作用。但目前大數據的利用過程仍然存在著諸多困難和挑戰［3］，例如數據標準不一致、不同信息系統間存在著孤島效應、數據治理和提取依賴人力等。解決信息資源浪費的問題，利用大數據為臨床和科研助力，已經迫在眉睫。

1.專病數據庫的構建背景

TMD 是口腔疾病的常見病，是具有相關臨床癥狀如關節區及咀嚼肌疼痛、關節雜音、下頜運動異常的一組疾病的總稱。TMD 好發于青壯年，不同年齡人群發病率在15%-50%不等，在一定程度上損害了患者正常的咀嚼功能［4,5］。TMD 的診斷主要通過詳細病史問診、口腔檢查、影像學輔助診斷如計算機斷層掃描（CT)、磁共振成像（MRI)、超聲等手段，需綜合多元的數據得出診斷。此外TMD 患者的就診次數較多，每次治療需一定的時間間隔進行療效的觀察評估，此后再制定后續的治療方案。為此，患者的病歷資料保存顯得尤為重要，需要保證病歷資料的完善。同時，醫療數據爆發式的增長導致無論是臨床還是科研都需要一個數據庫進行數據的收集、管理和分析，避免信息資源的浪費［3］。

TMD 早期發現及治療可以改善疾病的發展、轉歸和預后［6］。有研究表明，為顳下頜關節紊亂病患者提供正確的宣教和引導，如緩解緊張、認知行為教育和自我管理等方法，可以提高患者的應對能力，有效控制疼痛癥狀，限制疾病的發展［7,8］。此外，早期進行保守治療如手法按摩、針灸和咬合板等治療方法，可以緩解患者的疼痛和關節功能受限等癥狀，減少髁突骨吸收的風險［8,9］。而人工智能利用大數據進行分析，可以實現疾病診斷分類、病情評估及知識普及等功能，避免患者因延誤治療時機，導致病情惡化［10］。也可以為醫生提供診斷的建議并推薦治療方案，提高TMD的臨床診療水平。

口腔醫學已經進入個性化精準醫療的時代［3］。在這個時代背景下，建立顳下頜關節紊亂病專病數據庫一方面可以利用大數據分析等新技術的優勢，挖掘潛在的臨床規律，為疾病的研究提供方向和助力。另一方面，專病數據庫在人工智能和深度學習技術的支持下，可建立臨床輔助決策支持系統，不僅便于制定個性化的治療方案，也為臨床診療提供強有力的數據支持，從而為臨床決策提供參考。目前國內外尚無TMD的專病數據庫，建立專病數據庫對于提高TMD的認識及研究具有重要意義。為此，本研究建立基于臨床病歷及影像資料的顳下頜關節紊亂病專病數據庫，進行臨床病歷資料的整理分析，以實現疾病的智能診斷及預測、臨床決策輔助等功能，以期提高TMD診療和研究的質量與效率。

2.專病數據庫的設計與構建過程

顳下頜關節紊亂病數據庫是以臨床數據中心（clinical data repository, CDR）為基礎，通過識別各病歷之間的不同特征與類別之間的相關性進行數據集成，并運用數據清洗、標準化及去隱私化等技術進行數據治理后構建而成的。此外，該數據庫擬通過語義分析、同義詞字典、自然語言處理技術等數據挖掘技術，尋找TMD 患者基本信息、體征、診斷和治療方式等數據的相關性，形成標準化的大數據信息池，為人工智能進行疾病的診斷、分類、預測和形成臨床輔助決策支持系統打下基礎。數據庫架構如圖1所示。

圖1 專病數據庫的架構

2.1 數據集成TMD 專病數據庫的信息主要來源于CDR 中的電子病歷和電子數據采集系統（Electronic Data Capture, EDC）所收集的醫療數據。EDC系統主要用于補充外部的信息，其建立過程中最重要的就是電子病例報告表（electronic case report form, eCRF）的設計。eCRF 是收集臨床科研數據的載體和工具，如何實現其可復用性和合理性，是EDC 構建過程中的關鍵性問題［11］。本數據庫根據TMD 的發病特點及檢查需要進行eCRF設計，主要包括：患者的基本信息、臨床信息、照片信息、影像學信息、口腔檢查信息、咬合測試信息、生化報告信息、顳下頜關節情況信息、心理測試情況、診斷信息、治療內容等模塊。具體模塊如表1所示。

表1 eCRF所包含的11個模塊

數據庫需導入的醫療數據主要以結構化與非結構化數據的形式存在于醫院的HIS、PACS、LIS、RIS 中［12］。其中結構化數據包括患者人口學信息、檢驗結果、診斷信息、評估得分等，將這些數據進行標準化、歸一化后可直接與數據庫關聯。

非結構化數據包括診療記錄、影像學報告、檢查情況記錄等。這些非結構化形式的數據為后續實現檢索、統計、分析等功能帶來了困難，經過數據識別分析并進行結構化處理后，才能實現非結構化數據的深度利用。醫學自然語言處理（natural language processing, NLP）工具可對自由文本這類需要后結構化的內容進行詞性標注、指標識別、句子邊界識別、句法分析、語義識別等處理［11,13］，自由文本進行結構化預處理后即可導入數據庫中。

對于圖像形式的數據，本數據可拷貝存儲并進行分類管理。在查閱患者病歷的同時可以直觀地看到患者口腔的具體情況，降低診斷的偏倚。數據庫中可添加dicom 格式的影像學信息，便于醫生從多維度全方位觀看患者影像檢查，具有較高的準確性和客觀性。在觀看影像時，醫生可以選取幾個關鍵截圖進行標注及保存，完成TMD 特征影像圖的采集，有利于人工智能對TMD 特征的學習并完成疾病的智能診斷。此外，數據庫中可快速查閱該患者此前的影像圖片，將影像圖片進行前后對比，可評估TMD 治療效果，也減輕患者攜帶大量檢查資料的煩惱。數據庫的信息錄入界面如圖2

圖2 數據錄入界面展示：a臨床病歷信息；b 口腔檢查情況；c顳下頜關節相關檢查信息；d影像學檢查信息

2.2 數據治理 數據標準化是數據庫管理規范化、統一化的必要前提，也是數據共享和分析的基礎，將數據標準化后有助于提高數據庫的數據挖掘能力和整合能力。本數據的標準化采用國際疾病ICD-10分類代碼、臨床醫學術語標準（SNOMEDCT）、顳下頜關節紊亂病的DC/TMD診斷分類標準以及為TMD設計的字典表［14］。電子病歷報告表的標準化改造則遵循ISO/IEC11179的方法，為上述11個模塊的數據元進行命名、編碼［11］。同時我們也定義了研究病歷的入庫規則，例如，顳下頜關節紊亂病的病種將臨床檢查、診斷和影像學診斷中包含“顳下頜功能紊亂”、“顳頜關節功能紊亂癥”、“顳下頜關節紊亂綜合征”、“TMD”、“TMJD”等多種關鍵詞的患者篩選入庫進行標準化管理。

數據清理是將數據中出現的異常值、離群值、重復數據和缺失的數據，進行糾正、形式轉化、去除冗余和補充修復等處理，避免數據分析錯誤造成分析結果可能的偏差。目前只能采用人工核對配合統計軟件分析進行數據數據質量校驗，日后有望通過人工智能實現數據的自動清洗，減少臨床工作量，提高數據收集整理的效率和質量。

數據安全是科研及倫理的重要內容，為保障數據的安全，本數據庫采用了數據去隱私化的保護措施，進行賬號權限的劃分和管理［15］。數據庫管理員可為每位醫師建立獨立的賬號體系并進行授權和管理，例如使用醫師管理中編輯、權限禁用以及患者數據導出等功能。普通醫師用戶可以使用患者管理、搜索、查看等基本功能。此外，根據健康保險攜帶和責任（HIPAA）法規，數據庫建立了相應的脫敏規則，用3DES 加密算法保護數據的隱私及安全，對患者的姓名、電話、地址等敏感信息進行轉換或做刪除處理［11］，采用加密算法可確保需要通過互聯網傳輸進行多中心協作研究時，防止患者隱私數據泄露。同時普通權限用戶進行數據提取與導出需經過申請和審批，加強數據管理，實現數據的集中管理和對數據操作的全流程管控。

圖3 患者管理界面

2.3 數據傳輸及利用 數據的導出功能為數據庫管理員才有的使用權限，電子病歷報告表或者多位患者的數據可聯合導出為Excel和Word的數據格式，方便科研工作者用SPSS、SAS、Python、R等統計分析軟件進行醫學統計，也方便臨床醫生進行病例的回顧。醫師的普通用戶也可以經過授權后導出整理好的數據，實現數據的共享，減少信息資源和人力資源的浪費，為日后搭建多中心專病數據平臺作鋪墊。

圖4 醫師管理界面

2.4 專病數據庫基本功能 臨床原始數據通過數據集成、數據治理之后形成專病數據庫，實現了TMD 病歷的科學化、規范化管理。可視化CRF 表單的設計實現了患者病歷多維度視圖的展示，醫師可以調閱患者的臨床信息統一視圖，該視圖統一展示了患者的病史、檢查、診斷、治療方案等內容，使臨床醫生可以通過一個清晰、友好的統一視圖對患者的病情進行全面的判斷。同時數據庫還提供病歷信息檢索的工具，通過患者ID、姓名、診斷等信息進行檢索，可快速定位某一患者或者某一類疾病，減少醫生尋找患者信息的時間，為患者提供高效的診療服務。借助搜索引擎查找目標患者及病種后，可將搜索的數據導出，用于支持臨床回顧性及前瞻性研究。

3.討論與展望

顳下頜紊亂病專病數據庫的價值不僅在于數據本身，更在于充分利用數據所產生的價值。目前尚無國內外TMD 數據庫的相關文章。在大多數醫院，顳下頜關節紊亂病的病歷記錄模板依附于修復科或口腔頜面外科的病歷中，部分TMD 病歷內容不全，檢查記錄不足［16,17］。李希吉［18］等設計和開發TMD 專科電子病歷模板，屬于數據庫的簡單形式，但電子病歷模板目的是方便存儲及查找患者信息，較難對數據背后的規律進行深度挖掘。隨著對TMD 研究的深入，診斷標準及治療理念都發生了變化，相關的檢查越發重要。本數據庫借鑒了DC/TMD 診斷標準，納入了心理健康檢查、咀嚼肌檢查和咬合分析等項目，更加全面地為TMD 診斷提供信息。同時將病歷重要的內容結構化，利于數據的深度利用。

在接收并治理患者的病歷數據后，利用人工智能及深度學習技術，可進行多維度的數據分析，為疾病的早期診斷、預測預警、臨床決策支持和個體化醫療提供大量真實數據的支持。目前數據庫的基本框架已經構建完成，但數據的深度分析利用功能尚未完全實現。

TMD 的病因復雜，正確診斷TMD 并準確分型需要醫生將患者的病史、主訴、臨床檢查及影像學檢查等信息綜合考慮，此外TMD 還與心理狀況密切相關，導致漏診或誤診較高。因此用人工智能整合患者信息，為TMD 診斷提供參考是非常有必要的。而影像學診斷對TMD 的準確診斷至關重要，正確進行口腔醫學影像診斷需要經過不斷的系統學習與訓練。目前最為突出的問題是顳下頜關節病變CBCT 及MRI 影像的判讀，部分醫師在判斷TMD 影像改變時常帶有主觀性，易出現誤診的情況［16］。全卷積神經網絡（fully convolutional networks, FCN）技術取得重大的突破，使人們可以利用人工智能學習，對各種醫學圖像進行分割及識別，進而判斷TMD 病情的進展，進行疾病的分類診斷［19］。CT 是診斷顳下頜關節骨質改變的金標準，CBCT 經過深度神經網絡模型學習并識別分析后，可以有效判斷出髁突形態是否正常，骨皮質是否有吸收［10］。本數據庫計劃對收集到的影像圖片用人工標注等方式加工整理，在垂直及平行于髁突長軸斜位的CBCT 截圖中，采用自適應灰度值顏色歸一化、位置大小歸一化等方法分別實現髁突的位置、顏色標準化。之后通過模板匹配方法或深度學習檢測方法，如Faster R-CNN、R-FCN 和SSD 等，實現髁突的自動定位。在完成髁突自動化定位后采用全卷積神經網絡分析，反復進行經過專家標注的正常與病變的髁突形態對比，分割病灶區域，如髁突皮質輪廓不規則改變、骨缺損和髁突頭部扁平等，最終可以實現TMD 骨關節病變的診斷。同理，也在MRI 上對髁突和關節盤的相對位置用坐標軸進行標注，進而通過人工智能深度學習，最終實現自動化診斷關節盤移位［20］。此外，使用自然語言處理技術和決策樹進行數據文本挖掘，可利用病史及臨床檢查進行TMD 癥狀的鑒別診斷。例如通過主訴中的詞語使用頻率和定量值來對TMD 與疼痛性疾病鑒別［13］。TMD 患者的病歷中使用與“關節彈響”和“顳下頜關節”等相關的詞語的頻率明顯較高，而口腔面部疼痛疾病雖然也使用“張口受限”等相關詞語，但開口度明顯大于TMD患者［13］，以此進行疾病的鑒別診斷，但診斷結果需結合影像學檢查，進一步提高診斷的特異性和靈敏性。

個性化多學科的治療方案一直是TMD 治療的研究熱點與難點，在臨床決策中很難全面把握患者的病情進行對因治療，對不同病因的TMD 患者進行同樣手段的治療可能產生療效上的差異。本數據庫擬建立臨床決策支持系統，利用人工智能從臨床癥狀及體征、影像學診斷、咬合情況、心理評估測試和咀嚼習慣等多方面為患者進行全面分析，結合知識圖譜，根據患者的病史及癥狀信息來推薦個性化的治療方案。臨床決策支持系統識別病歷數據信息中包含的預設關鍵詞，以知識圖譜為參考，完成癥狀、檢查和診斷與治療方案的匹配。知識圖譜是整合臨床指南、治療方案和專家經驗等多種資源形成的，將專病臨床知識體系進行了系統梳理，有利于進行臨床癥狀和診斷與各治療方案之間的關聯。同時，如果疾病分類診斷完成后，臨床決策支持系統可從TMD 專病數據庫中篩選出與該疾病癥狀及診斷相似的既往病史資料。臨床醫生在多維度病歷的視圖下參考不同患者的治療內容，選擇效果較好的治療方案。此外，專病數據庫可對篩選出的這類疾病進行療效、預后、并發癥等方面的統計分析，為臨床診治這類疾病提供循證醫學的證據支持，從而指導臨床實踐，提高醫療質量。

4.結論

由于TMD 診治的復雜性，目前國內尚無TMD專病數據庫，甚至部分醫院未開展TMD 的診療，給TMD 患者帶來了極大的不便。顳下頜關節紊亂病專病數據庫提供了便捷的病歷管理及數據分析平臺，有助于醫院開展TMD 的診療工作。該專病數據庫目前已完成了初步的構建，實現了TMD 病歷的管理和利用，正逐步積累病歷形成大數據信息池。下一步TMD 專病數據庫將在現有的專病數據庫基礎上，通過人工智能深度學習實現疾病的智能診斷功能和臨床決策支持系統，滿足臨床診療、科研探索的需求。此外，在完善深度分析功能后希望能擴大數據量及數據收集范圍，構建多中心的數據平臺，打破數據的孤島效應，實現數據的互聯互通，避免信息資源的浪費。