大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用研究進展

范達英，鄧仁麗，繆睿，彭燕，陳偉，李彩，黃浩

近年來，人類生存環(huán)境和生活方式發(fā)生了重大轉(zhuǎn)變，腦血管疾病危險因素不斷增多，腦卒中在中國甚至全世界范圍內(nèi)的發(fā)病率逐年上升。腦卒中具有高發(fā)病率、高復(fù)發(fā)率、高致殘率、高死亡率及高經(jīng)濟負擔等特點，嚴重威脅著人類健康［1］。全球疾病負擔研究顯示，全球有超過8 000萬例腦卒中患者［2］，2019年我國40歲以上人群中現(xiàn)患及曾患腦卒中人數(shù)超過1 700萬例［3］。大數(shù)據(jù)指從各種資源中獲取、以高速度創(chuàng)建和處理的海量數(shù)據(jù)［4］，其應(yīng)用、分析、集成和管理在醫(yī)療領(lǐng)域受到重視，且分析大數(shù)據(jù)可預(yù)測疾病的發(fā)展趨勢，有助于進行早期干預(yù)以改善醫(yī)療事件結(jié)局，從而產(chǎn)生深刻、長遠的社會意義［5］。本文旨在綜述大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用現(xiàn)狀，以期為醫(yī)務(wù)人員的臨床研究提供參考。

1 大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用優(yōu)勢

1.1 數(shù)據(jù)儲存便利 電子病歷取代傳統(tǒng)紙質(zhì)病歷后，保留電子病歷的技術(shù)從基于云存儲技術(shù)構(gòu)建信息共享平臺到基于聯(lián)盟區(qū)塊鏈技術(shù)的電子病歷共享系統(tǒng)，不僅實現(xiàn)了成本低、數(shù)據(jù)傳輸速度快、易于獲取信息、存儲容量大，而且保證了傳輸過程中電子病歷的完整性和安全性［6］。電子病歷以及信息化時代帶來的各種便利，使得醫(yī)療技術(shù)與臨床護理水平飛速發(fā)展，為腦卒中的研究提供了有價值的信息。

1.2 減少醫(yī)療支出 腦卒中是導致居民全球死亡的第二大疾病，是導致患者長期殘疾的首要原因，且腦卒中后治療和護理方面的經(jīng)濟負擔不斷增加［7］。《中國衛(wèi)生健康統(tǒng)計年鑒2019》顯示，2018年缺血性腦卒中和出血性腦卒中患者人均住院費用相比2008年分別增長56%和125%［3］。MANE等［8］回顧了5年的數(shù)據(jù)，并構(gòu)建了診斷性能儀表板來監(jiān)控診斷質(zhì)量，其利用大數(shù)據(jù)跟蹤診斷錯誤情況及其危害，從而減少誤診的發(fā)生。LIBERMAN等［9］使用一種名為“Symptom-Disease Pair Analysis of Diagnostic Error”（診斷誤差的癥狀-疾病配對分析）的工具，并通過患者現(xiàn)有癥狀結(jié)合大數(shù)據(jù)判斷和監(jiān)測診斷錯誤情況。在臨床上，大數(shù)據(jù)可以有效降低腦卒中的誤診率，減少醫(yī)療支出，滿足社會需要和公共衛(wèi)生需求。

2 大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用方法

大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用可以分為兩類：基于實踐的分析方法、應(yīng)用人工智能（artificial intelligence，AI）和機器學習的新興方法［10］。其中基于實踐的分析方法涉及臨床治療和護理，而AI和機器學習的新興方法將腦卒中引領(lǐng)到全新的研究方向和領(lǐng)域。

2.1 基于實踐的分析方法 在臨床治療和護理中收集、評估和分析大量數(shù)據(jù)，可實現(xiàn)腦卒中的精準醫(yī)療［11］。將遺傳學與大數(shù)據(jù)結(jié)合，能提高腦卒中病因識別的準確性，這對尋找干預(yù)靶點和改善患者預(yù)后具有重要意義［12］。將遺傳學與精準醫(yī)學整合，在大數(shù)據(jù)的基礎(chǔ)上進行多組學數(shù)據(jù)整合，發(fā)現(xiàn)并干預(yù)與腦卒中復(fù)發(fā)和預(yù)后相關(guān)的遺傳因素［13］。基于大數(shù)據(jù)進行流行病學調(diào)查，可指導公共衛(wèi)生服務(wù)策略的制定。GATTELLARI等［14］計算了新南威爾士州9年間腦卒中患者的入院率和死亡率，總結(jié)出該州在腦卒中亞急性期管理、出院后護理和二級預(yù)防方面缺乏重視。UNG等［15］使用河南省焦作市的以疾病診斷相關(guān)分組（Diagnosis Related Groups，DRG）為基礎(chǔ)的支付系統(tǒng)分析醫(yī)療支出大數(shù)據(jù)探索腦卒中患者治療費用的影響因素。

疾病管理是提高腦卒中患者生活質(zhì)量的基本手段，張書凡等［16］依托醫(yī)院信息服務(wù)平臺，利用大數(shù)據(jù)和云計算創(chuàng)新性地建立了腦卒中區(qū)域性管理的新模式，滿足了患者多學科聯(lián)合護理的需求，促進了腦卒中單病種質(zhì)量管理的發(fā)展。侯玉梅等［17］為了探究腦卒中的發(fā)病規(guī)律，利用數(shù)據(jù)挖掘與Logistic回歸模型構(gòu)建了預(yù)測模型，該預(yù)測模型可以讓患者自我監(jiān)測腦卒中發(fā)生風險，使腦卒中預(yù)防具有便利性。基于大數(shù)據(jù)和智慧醫(yī)療構(gòu)建新的疾病管理模式，可能是疾病管理的發(fā)展趨勢，其有望在提高患者依從性的同時減少人力資源消耗，更好地提升臨床管理效能。

2.2 應(yīng)用AI和機器學習的新興方法 AI是研究和開發(fā)用于模擬、延伸和擴展人類邏輯思維的技術(shù)科學，其可通過復(fù)雜的算法而優(yōu)化、提取大數(shù)據(jù)的價值［18］。使用AI分析大數(shù)據(jù)可輔助醫(yī)生做出臨床決策，進而改變當前的臨床護理模式。GUAN等［19］使用機器學習從顱腦CT圖像中提取并學習腦卒中的影像學特征，這證實了通過顱腦CT圖像識別腦卒中的可行性。為減少腦卒中并發(fā)癥的發(fā)生，有研究者利用AI分析大數(shù)據(jù)并建立了腦卒中并發(fā)癥風險預(yù)測模型，其相較于傳統(tǒng)的風險預(yù)測模型有更好的預(yù)測效果［20-21］。

機器學習是AI的分支，可通過識別變量之間的交互模式而解決大數(shù)據(jù)的復(fù)雜問題［22］。其在識別影像學特征方面有更好的靈敏度和特異度，是神經(jīng)系統(tǒng)疾病影像學診斷的重要輔助手段［23］。LEE等［24］應(yīng)用自動圖像處理方法分析腦卒中患者的影像學特征，并開發(fā)了3個機器學習模型以預(yù)測腦卒中的發(fā)病時間，提高了靜脈溶栓治療率。MIN等［25］將腦卒中患者的臨床數(shù)據(jù)和影像學特征融入機器學習，進而能準確預(yù)測患者的預(yù)后情況，從而有助于臨床醫(yī)生制定更好的治療和護理方案。WU等［26］運用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）自動分割算法，在多中心彌散加權(quán)成像數(shù)據(jù)集中對缺血性腦卒中的影像學特征進行識別及分割，結(jié)果顯示，其對腦卒中分型具有重要作用。

3 國家大型數(shù)據(jù)庫在腦卒中領(lǐng)域的應(yīng)用

3.1 腦卒中人群數(shù)據(jù)庫 中國國家衛(wèi)生健康委員會和科技部在2007年創(chuàng)建了中國國家卒中登記中心（China National Stroke Registry，CNSR）數(shù)據(jù)庫，第三次中國國家卒中登記中心（the Third China National Stroke Registry，CNSR-Ⅲ）［27］納入了15 474例腦卒中患者，CNSR-Ⅲ前瞻性地分析了腦卒中的病因、影像學特征和生物標志物，其結(jié)果提供了大量決定腦卒中患者預(yù)后的因素。2015年中國卒中學會為建立基于國家三級醫(yī)院的腦卒中護理平臺，發(fā)起了中國腦卒中中心聯(lián)盟（China Stroke Center Alliance，CSCA）（https：//csca.chinastroke.net），其數(shù)據(jù)可提供給研究人員進行腦卒中護理研究，以期改善腦卒中患者的生存質(zhì)量和預(yù)后。

國外數(shù)據(jù)庫有澳大利亞卒中臨床注冊中心（Australian Stroke Clinical Registry，AuSCR），其收集腦卒中或短暫性腦缺血發(fā)作（transient ischemic attack，TIA）患者的護理及康復(fù)情況。DALLI等［28］回顧了AuSCR登記的17 980例腦卒中/TIA患者的資料，評估患者出院后1年藥物治療依從性與3年生存率之間的關(guān)系。此外，美國國家神經(jīng)系統(tǒng)疾病和腦卒中研究所及美國國立衛(wèi)生研究院開發(fā)的StrokeNet，涵蓋了美國27個區(qū)域中心，涉及約500家醫(yī)院，為腦卒中患者提供了新的潛在治療方法［29］。總之，國家大型卒中中心的建立和應(yīng)用，可對國家腦卒中群體進行總體評價，為國家衛(wèi)生保健政策的制定提供循證證據(jù)，為臨床實踐提供指導。

3.2 全國人口數(shù)據(jù)庫 美國醫(yī)療保健成本和利用項目（Healthcare Cost and Utilization Project，HCUP）是美國最大的行政、縱向醫(yī)療保健和住院護理數(shù)據(jù)庫，集合了1988年至今所有入院患者的付款信息［30］。有研究利用HCUP計算腦卒中危險因素的患病率，發(fā)現(xiàn)2004—2014年美國腦卒中患者傳統(tǒng)危險因素的患病率不斷增加［31］。英國SEMINOG等［32］分析了全國因腦卒中死亡的795 869例患者的臨床信息，推斷出急性腦卒中死亡率下降的相關(guān)因素。以色列最大的健康維護組織（Health Maintenance Organization，HMO）數(shù)據(jù)庫覆蓋了該國一半以上的人口，SALIBA等［33］分析HMO數(shù)據(jù)庫中超過43 000例心房顫動患者的臨床資料發(fā)現(xiàn)，導管消融術(shù)可明顯降低心房顫動患者腦卒中發(fā)生風險和死亡率。LEE等［34］對韓國國家健康信息數(shù)據(jù)庫（Korea National Health Information Database，NHID）中80多萬女性進行為期10年的隨訪，證實血紅蛋白水平變化可影響年輕女性腦卒中發(fā)病率及其全因死亡率。此外LEE等［35］利用NHID開展全國性縱向隨訪研究，確定了血清抗體陽性的類風濕性關(guān)節(jié)炎與缺血性腦卒中存在相關(guān)性。總之，全國人口數(shù)據(jù)庫覆蓋范圍更廣、信息更全面，可以利用其進行更有深度的全國性腦卒中研究，從而改善腦卒中治療現(xiàn)狀和提高腦卒中護理質(zhì)量。

4 小結(jié)與展望

總之，大數(shù)據(jù)在腦卒中領(lǐng)域的應(yīng)用從醫(yī)院數(shù)據(jù)的探索到國家大型數(shù)據(jù)庫的成熟運作，從基于傳統(tǒng)統(tǒng)計學分析的實踐應(yīng)用到靈活使用AI和機器學習，醫(yī)務(wù)人員在信息化背景下不斷挖掘臨床積累的醫(yī)療數(shù)據(jù)，使得腦卒中的臨床治療技術(shù)和護理質(zhì)量不斷提升及優(yōu)化。大型數(shù)據(jù)庫實現(xiàn)了數(shù)據(jù)集成、儲存、共享，研究人員可以基于國家相關(guān)大型數(shù)據(jù)庫發(fā)掘腦卒中的疾病特征，形成全國性和區(qū)域性的循證證據(jù)和腦卒中指南，早日實現(xiàn)全面精準醫(yī)學、全民參與防治。未來，國家數(shù)據(jù)庫更應(yīng)加強與地方醫(yī)院的交互，以幫助地方醫(yī)院形成更具有針對性的治療和護理模式。在目前的大數(shù)據(jù)研究中，影像學的應(yīng)用逐漸成為腦卒中研究的新趨勢，而影像學資料比較復(fù)雜，故更加需要借助AI和機器學習來尋找特異性、敏感性的影像學特征。建議臨床醫(yī)護人員基于腦卒中影像組學及其他組學資料開展全面研究。同時，醫(yī)療專家需與計算機專家合作，形成多學科交叉互補，充分發(fā)揮大數(shù)據(jù)的潛在作用。

作者貢獻：范達英進行文章的構(gòu)思與設(shè)計，論文撰寫及修訂；繆睿負責研究的實施與可行性分析；范達英、李彩進行文獻檢索及篩選；鄧仁麗、彭燕、陳偉進行文獻整理和分析；黃浩負責文章的質(zhì)量控制及審校，對文章整體負責、監(jiān)督管理。

本文無利益沖突。