臨床決策支持系統在先天性心臟病診療及護理中的應用進展

傅唯佳，顧 鶯

FU Weijia,GU Ying

(National Children′s Medical Center,Children′s Hospital,Fudan University,Shanghai 201102 China)

隨著計算機科學、網絡技術和人工智能的發展，大型數據庫、大數據分析和云計算技術逐步被引入醫療領域，臨床決策支持系統(clinic decision support system,CDSS)的開發和應用得到了更有效的推動。CDSS是將醫學知識庫，即醫學文獻、循證知識、專家經驗、行業規范等臨床知識的集合，植入到計算機中，模擬醫護人員的診療護理思維，通過人工智能技術和計算機的信息存儲、提取及精準的邏輯推理運算功能為臨床醫護人員提供診療護理建議[1-2]。CDSS主要以管理學、控制論以及行為學為理論支撐，以計算機和信息學為技術手段，輔助醫護人員在臨床診療過程中進行決策[3]，改善相關的醫療程序的實施[4]，提高臨床工作的質量和水平[5]。先天性心臟病(congenital heart disease,CHD)是一種常見的先天性畸形疾病，是嬰幼兒死亡的主要原因之一，全球的出生活嬰CHD發病率為0.68%～0.90%[6-7]，在我國大約每年有15萬例CHD患兒出生，發病率為0.4%～1.2%，其中1/3屬于重癥或復雜型CHD[8]。CHD因長期醫療需求對家庭、個人和社會都造成了沉重的負擔。CDSS的發展為進一步提高CHD疾病預警、診斷、監測與評估、治療水平提供了新的機遇。人工智能技術所擁有的處理多層次、多類型的海量數據的能力對于發現CHD高危人群、早期篩查病人、幫助明確診斷、評估手術風險、幫助高質量完成手術、優化術后護理及預測病人預后狀態都有巨大的應用前景[3]。本研究對CDSS在CHD診療及護理中的應用進行綜述，旨在為開發更加智能化、專業化、系統化的CHD臨床護理決策支持系統提供新思路。

1 CDSS的分類及主要構成

CDSS主要分為兩大類，包括基于知識庫的臨床決策支持系統(knowledge base-clinical decision support system,KB-CDSS)和基于非知識庫的臨床決策支持系統(non-knowledge base clinical decision support system,Non-KB-CDSS)。KB-CDSS由知識庫、推理機和人機交流接口三大核心要素組成。Non-KB-CDSS通過機器學習的方法，包括人工神經網絡(artificial neural network,ANN)、遺傳算法(genetic algorithms,GA)等，從已有的經驗中自動學習規則[9-12]。KB-CDSS基于臨床知識及海量文獻建立不同類型的臨床數據庫，通過組織、檢索、導航、接口及安全技術，為不同平臺提供多種服務，同時通過接口技術嵌入電子病歷系統，根據用戶的需求提供有針對性的內容[13]。有學者將CDSS按5個維度進行分類[14]。如果將不直接給出建議而只給出相關信息的系統也劃入CDSS，那么可按以下6個維度進行分類[15]。①內部決策機制：基于貝葉斯算法、決策樹分析法、預定規則流程的方法、神經網絡、相似性算法等；②系統功能：當前診斷的判斷、當前診斷的后續策略；③建議方式：自動提醒(主動)、主動查詢(被動)；④人-機交互：獨立系統(可獨立存在)、整合系統(與其他系統整合)；⑤交流方式：顧問式、批評式；⑥決策支持程度：直接(給出決策結論)、間接(提供決策參考)。

2 CDSS在CHD診療護理領域應用分類

利用信息技術能夠快速有效對數據進行收集、處理、分析[16]。人工智能屬于計算機科學領域，在過去的幾十年里，人工智能在醫學領域展現了廣泛的應用前景。2020年謝穩等[4]報道，醫生和計算機專家發現人工智能應用于臨床的潛力。目前在臨床醫療系統使用的人工智能技術有CHD的預測、智能診斷、醫學圖像分割和識別以及臨床決策支持等。

2.1 CHD患病預測 使用CDSS建立CHD發病風險預測模型研究，可以幫助臨床醫生早期發現高危人群。通過預測模型，利用決策樹、樸素貝葉斯、深度信念網絡等算法將生產次數、家族史、孕婦接觸污染環境、孕婦營養狀況等相關的CHD發病預測因子映射為新生兒CHD的發病風險[17-19]。2013年國內學者曾報道，他們通過利用人工神經網絡(artificial neural networks,ANN)和基于綜合流行病學數據來建立有效的CHD預測模型[20]。該模型可以作為一個初步識別早孕期先心病高危孕婦的工具，用來幫助產前護理提供者指導其產前管理和預防。但目前尚缺乏預測模型應用后的有效性評價數據。

2.2 CHD篩查 研究表明多達70%的兒童可能有生理雜音，而只有0.8%的兒童出生時患有CHD[21]。在先心病的篩查上初級保健中心的準確性很低，由于缺乏豐富的臨床經驗和專業知識，醫生在聽診心音時容易誤診。為此，Gharehbaghi等[21]專門開發了一款用來診斷兒童心臟病的CDSS，即一種基于心音時間序列分析的CHD篩查決策支持系統，采用基于隱馬爾科夫模型(Hidden Markov Model，HMM)的處理方法，通過從心音時間序列中提取信息將數據傳入數據庫，將原數據庫已有的兩類心音時間序列做分析，用統計機器學的模型鑒別，以辨別患有心臟病的兒童和健康兒童，該系統的準確性和敏感性分別為86.4%和85.6%，能達到等同于兒科心臟病專家的聽診水平。Bhatikar等[22]也研究出一款基于ANN方法來進行兒科心臟聽診分類的系統，對CHD患兒在超聲心動圖檢查時，提取信號質量最好的3個周期的心音圖，采用快速傅里葉變換(fast fourier transform,FTT)數字信號處理(digital signal processing,DSP)技術對所選心音圖進行分析處理，處理后的信號被用來開發ANN方法，使用ANN方法來進行兒科心臟聽診分類；該系統在區分生理性雜音和心臟病兒童雜音時精確度為83%和特異性為90%，對單純心音和室間隔缺損心音的辨別準確率較高，靈敏度為90%，特異度為93%。通過對心音的簡單分析辨別，來幫助臨床提高CHD篩查的準確性。

2.3 CHD診斷 歐美國家中CDSS在CHD的診斷中應用也比較廣泛，包括CHD心電圖分析[22-23]。早在1961年國外學者報道了第一個用于醫療中的CDSS，是基于貝葉斯算法來診斷CHD，主要是將CHD病人的臨床體征、癥狀和心電圖的各種數據收集統計，通過整合計算來進行臨床上的鑒別診斷[24]。有學者采用深層神經網絡(deep neural networks,DNN)的CDSS，可以通過計算機自動分析心電圖數據而給出診斷，可以從單導聯心電圖中對不同心律失常進行分類，做出診斷，這種方法可以準確地對心房顫動、心房撲動、Ⅱ度房室傳導阻滯、Ⅲ度房室傳導阻滯、室性心動過速等進行分類或優先處理最緊急的情況，降低讀取心電圖報告的誤診率，并提高了診斷的準確性[23]。

心臟聽診是臨床醫生診斷兒童心臟病的初步方法，當聽診后發現異常時會通過超聲心動圖檢查進行確診，心音圖是將心音的振動轉變成時間序列振動波記錄的圖形。歐美國家運用聽診心臟雜音將心音圖存入計算機系統中，通過CDSS來識別診斷[25-28]兒童心臟病。Gharehbaghi等[25]提取主動脈狹窄、肺動脈狹窄患兒超聲心動圖，檢查時的心臟射血分數(ejection fraction,EF)值及心音，與健康兒童的相關數據作比對，通過該決策支持方法，診斷的準確度分別為90%和93.3%；即便是在做超聲心動圖檢查時加入20 dB的噪聲干擾，準確度略有下降為86.7%和93.3%，說明該方法對噪聲具有可接受的抗擾性。通過該方法能夠幫助臨床來提高主動脈狹窄、肺動脈狹窄篩查的準確性。

心血管磁共振(cardiovascular magnetic resonance,CMR)成像是評估心血管疾病的標準成像方式，它可準確定量心室容積、射血分數和心肌質量，為心血管疾病的診斷和監測提供信息。然而，多年來臨床醫生一直通過人工方法進行CMR圖像分析，這不僅耗時而且還容易出現主觀錯誤。許多國家通過使用心臟圖像識別的CDSS[29-31]來提高分析準確性，降低主觀錯誤。有學者研發了一套可以自動分析CMR圖像的自動分析計算方法，基于該系統可以從CMR圖像自動獲取量化的和臨床相關的信息，使用CNN技術與來自英國生物銀行匯集了4 875例病人的心臟影像學資料大數據結合，以CMR成像的自動分析技術取代以往靠臨床醫生手動進行CMR圖像分析的方法，避免了醫生手動分析可能造成的主觀錯誤[29]。該自動分析的方法已經達到了臨床專家的水平，提高了工作效率，幫助臨床診斷和監測。

2.4 CHD診療計劃的制定 美國兒科心臟護理聯盟創建了兒科心臟病照顧體系(pediatric cardiac care consortium,PCCC)，這是一套基于心臟病患兒診療過程中心臟置管、外科手術、尸檢分析結果的信息注冊表系統，該系統的數據由美國明尼蘇達大學負責維護，數據來源于美國的一項心臟病診療計劃，收集了參加該計劃診療中心25年的診療經驗，該注冊表涵蓋大量的圍繞手術、心臟置管臨床診療處理措施，可以用于個體化處理罕見CHD臨床診療問題，尤其是可以縱向跟蹤手術方法的改變，例如大動脈轉位術的術中操作細節以及特異性情況分析。該注冊表系統的數據基于非判斷式的方法來比較各種臨床問題的結果，改善照顧水平。該注冊表系統在心臟傳導阻滯在膜周部室間隔缺損(VSD)手術中的應用、大動脈轉位術、左心室發育不良患兒的Ⅲ期手術經驗、確定威廉姆斯綜合征的高風險心血管異常可能這4個方面對臨床診療起到了個體化的作用，醫生可以應用數據信息對病人死亡率、住院時間、分階段手術的完成以及計劃外的再次手術率、各種心臟異常的處理等進行預測分析，為患兒制訂個體化診療計劃，改善病人結局[32]。

2.5 CHD手術風險度預估 在美國哥倫比亞兒童心血管中心，研究者們根據CHD疾病類型以及并發癥來進行手術風險水平預估，旨在幫助心臟病專家、兒科醫生和外科醫生預測CHD手術的風險水平，并將其主要分為低復雜度、中復雜度和高復雜度3類[33]。分類主要是根據疾病類型或修復類型以及影響最終結果的因素對手術結果進行預先估計。通過比較多層感知器(multilayer perceptron，MLP)、自組織映射網絡(self organizing map,SOM)、徑向基函數網絡(radial basis function neyral network,RBFNN)和決策樹(decision tree,DT)這4種都是網絡機器算法，通過這4種網絡機器算法進行比較查看哪項最合適，通過輔助決策算法來對CHD手術風險度進行預估，發現MLP方法精確度最高為99.87%，這是一種人工神經網絡模型，其將輸入的多個數據集映射到單一輸出的數據集上。分析指出低復雜度的手術比高復雜度死亡率更低、并發癥更少。預測手術的復雜程度可指導護理人員術后護理，改進護理計劃，減少術后并發癥，甚至降低死亡率。

2.6 CHD喂養 CDSS作為一項臨床決策工具，鑒于它的優點，在美國的新生兒重癥監護室(NICU)中得到了應用。在低出生體重兒和CHD這類易發生壞死性小腸結腸炎(necrotizing enterocolitis,NEC)的患兒中，CDSS主要基于電子病歷，通過CDSS來輔助計算他們的喂養量及胃殘余量，并設置了提醒功能，當患兒胃殘余量超過閾值或因患兒生長出現奶量不夠的情況時會發出警告，這也更好地幫助臨床醫生來實施標準化喂養方案(standardized feeding protocols,SFP)。研究指出，采用CDSS幫助和提醒醫生定義和解釋喂養不耐受，使西雅圖兒童醫院心臟中心患兒NEC的發生率顯著降低，從而更好地達到預防CHD患兒NEC發生的效果[34]。

2.7 CHD護理質量管理 信息化護理是提高護理工作效率及質量并促進優質護理服務的重要手段之一[35-36]。許多醫療機構開始利用信息技術為病人提供優質服務[37]，已成為護理適應社會發展的重要手段。

CDSS可以確保信息的安全性和準確性，利用信息系統能更好地提高病人護理質量[38]。美國斯坦福大學的兒童醫院心血管監護室，使用CDSS包括數據觸發警報,研究者將電子病歷中的臨床決策支持干預創建了一種捆綁式的觸發邏輯，當病人年滿18歲以上且接受心臟術后的情況下提示，觸發后CDSS會對病人的診療從入院開始做邏輯判斷，例如藥物使用、血糖監測方案，如果病人陽性結果被系統攔截，信息會直接傳送給主治醫生;使用CDSS還可以形成智能文檔，對需要手術的成人心臟病病人收治到兒童醫院后，兒科重癥監護小組由于不熟悉成人心臟病的專科指標導致在護理這些成人病人時會出現問題，但是將具有數據觸發警報、智能文檔表格和有條件的邏輯語言的功能的臨床決策工具集成到臨床工作流程中后，可以改善在兒童醫院行心臟手術的成年病人診療過程中對國家相關專科指標的依從性，干預前后預防性抗生素的使用規范、血糖控制、導尿管拔管指證、“貝塔(β)”受體阻滯劑的使用，這4個指標的改善均有統計學差異，所有措施的綜合達標率從53%增加到84%(P=0.002)，這些通過CDSS幫助證明可以提高護理質量管理[39]。

3 小結

國外學者在CHD中CDSS方面已經做出了很多探索和研究，能做到從預防到結果分析的全過程，已經具備了提示和警示、診斷、評估、治療方案制訂和方案建議、圖像智能識別等功能。但大部分的CHD人工智能決策系統都是和診療相關，缺乏專業的CHD護理的人工智能決策系統。CHD的CDSS通過評估和監測CHD患兒的各項數據和結果指標，為研究提供了豐富的臨床數據，也為臨床決策支持系統建立奠定了基礎。臨床決策系統是醫院信息化發展的必然趨勢，對全面改善醫療、護理質量具有重要意義，未來CDSS將在CHD管理中起到重要輔助作用，我國CHD的CDSS的建設和發展仍然處于探索階段，系統功能開發、大數據分析等前沿技術的整合應用仍然有待進一步研究。