基于醫療大數據的電子化衰弱評估工具的研究進展

魏曉蕾 沈晨 麻盛淼 胡宇樂 梁濤

以國務院辦公廳2016年6月頒布的《關于促進和規范健康醫療大數據應用發展的指導意見》[1]為綱領，近年來醫療大數據已逐漸成為我國一項基礎性戰略資源[1]。通過先進的數據挖掘技術對大量數據進行整合分析，能更好地識別危險因素與疾病的相關性，準確地進行風險預測，從而改善疾病的治療和預后[2-3]，有利于節約醫療成本、提升醫療水平、促進醫療健康管理，將對我國經濟社會發展、人民生活質量提高等各方面產生積極影響[4]。衰弱是一項常見的老年綜合征，在目前人口老齡化加速的背景下，將成為最嚴重的全球公共衛生挑戰之一[5-6]。但衰弱具有可逆性，通過科學方法準確識別和評估衰弱及其風險，及時提供準確的干預，能夠改善此類老年人的臨床結局[7-9]，有助于實現健康老齡化。本文綜述醫療大數據的特征和優勢，分析國內外醫療大數據在電子化衰弱評估工具中的應用，對電子化衰弱評估工具的優勢和問題進行探討，進而展望其未來發展方向。

1 醫療大數據簡介

醫療大數據是一種多平臺、跨機構的全生命周期數據的集合，具有數據量大、種類豐富、來源復雜多樣、數據產生及更新迅速等特點，具有極大的潛在利用價值，應用前景廣闊[10-11]。醫療大數據的主要來源包括醫院采集的患者電子健康檔案、實驗室檢查、可穿戴設備存儲的健康信息以及各類醫療衛生機構的運營信息等結構化、半結構化或非結構化數據[10]，與醫療健康服務的目的、過程、結果密切相關[12]。醫療大數據具有數據量大、來源豐富、種類復雜且更新速度快等特點，故不適合采用傳統的數據處理技術進行處理，近年來，機器學習、數據挖掘、神經網絡等逐漸成為分析醫療大數據的主要手段[13-15]。來自患者電子健康檔案、實驗室數據、臨床試驗報告和保險信息等的數據經過采集、存儲、整合、分析，患者個體的特征信息得以充分利用和挖掘，可以改進風險分層，協助醫療和護理決策，更好地對患者進行干預[16-17]。現階段，我國醫療大數據主要用于輔助臨床疾病診斷、風險預測、基礎醫學研究、個體健康管理等方面，尤其是在精準醫療領域潛力巨大。合理利用醫療大數據有利于優化醫療資源配置，在降低醫療護理成本的同時，提升醫療護理服務的效率和質量，最終提高全民健康水平[18]。

基于目前醫療大數據的發展和傳統衰弱評估工具存在的不足[19-20]，使用電子健康工具記錄或管理數據集來進行大數據挖掘分析并推導出預測模型，進而準確地進行衰弱風險評估和不良預后預測，成為目前衰弱評估工具改進和研發的熱點。

2 基于醫療大數據的電子化衰弱評估工具的開發和應用

近年來，各種基于醫療大數據的電子化衰弱評估工具被開發和應用，這些新型評估工具基于傳統衰弱評估工具的基本原理，結合機器學習等方法，為在多種環境和人群中更有效地識別和評估老年人衰弱及其風險提供了可能[21]。

2.1 電子衰弱指數

電子衰弱指數（electronic Frailty Index，eFI）是首個基于醫療大數據開發的電子化衰弱評估工具，它以衰弱的缺陷積累模型為框架。工具開發的訓練集來源于一個包含約600萬名患者電子健康記錄的衛生保健研究數據庫。通過兩次機器檢索和一次雙人手工檢索，以“能夠反映健康狀況，患病率和嚴重程度隨年齡的增長而增加，流行率飽和發生在達到老年人年齡標準之后”為標準，提取出與衰弱相關的、以文字或數字代表的缺陷特征，經過分類和統一編碼，再由衰弱專家小組進行新一輪篩選，最終確定納入訓練集的36項缺陷代碼[22]。在大規模內部和外部驗證中，研究者根據eFI四分位數確定健康、輕度、中度和重度衰弱的分段標準，即0～0.12為健康，＞0.12～0.24為輕度衰弱，＞0.24～0.36為中度衰弱，＞0.36為重度衰弱，并分別預測了不同程度衰弱的老年人在1年、3年和5年時死亡、住院和入住養老院風險增加的情況，兩次驗證結果相似[22]。之后的多項研究表明，eFI能整合利用電子健康記錄中豐富的患者信息，與常用的Fried衰弱表型、衰弱指數（Frailty Index，FI）等傳統工具具有較好的一致性，使用eFI得出的衰弱患病率與實際衰弱患病率接近，但評估過程更為簡便快捷，節省了大量人工評估和測算的時間，且在風險預測方面具有更高的準確性[23-25]。

基于eFI的成功實踐，改良5項衰弱指數（modified Frailty Index-5，mFI-5）、術前衰弱指數（preoperative Frailty Index，pFI）等類似的電子化衰弱評估工具被開發出來，通過對醫療數據庫中結構化的健康信息進行自動分析并進行術前衰弱評估，以預測術后死亡率和并發癥的發生情況[26-27]。

2.2 醫院衰弱風險評分

急診護理環境具有時間緊迫、病情緊急的特點，大部分人工評估較為復雜且耗時長，不能滿足急診快速準確完成評估的要求。Gilbert等[28]使用國際疾病及相關健康問題統計分類第10版（International Statistical Classification of Diseases and Related Health Problems，Tenth Revision，ICD-10）編碼系統開發了醫院衰弱風險評分（Hospital Frailty Risk Score，HFRS），該電子化工具的開發和驗證分為以下3個步驟。首先，根據患者在ICD-10診斷、住院時間、住院費用的相似性進行聚類分析，以檢驗能否可以利用ICD-10編碼和醫療資源利用情況來識別衰弱患者，進而確定了在衰弱組反復出現、可用于識別衰弱的109項ICD-10代碼。其次，采用Gower[29]的方法結合分類變量（ICD-10診斷）和連續變量（臥床天數和住院費用）組成醫院衰弱風險評分，總分＞15分為高風險，5～15分為中風險，＜5分為低風險。最后，在兩個獨立的隊列中驗證了HFRS對急診入院患者不良結局的預測能力，以及它與其他臨床衰弱工具的一致性。結果表明，利用醫院管理系統中的ICD-10編碼進行自動化衰弱評估具備與傳統的Fried表型量表和臨床衰弱量表（Clinical Frailty Scale，CFS）具有相似的準確性，且HFRS不僅節省了人工和時間成本，而且具有更好的評分者信度，在超過100萬名患者的驗證隊列中，HFRS識別出的高衰弱風險患者，其30天死亡率、住院時間延長和30天再入院的風險更高。由于其快速、準確的獨特性能，HFRS也被用于預測有創機械通氣和重癥監護使用概率，從而協助臨床決策，使醫療護理資源的分配更具成本效益。在Ramos等[30-31]研究中，HFRS被用于識別需要早期進行重癥監護的高危新型冠狀病毒感染患者，較好地預測了不良結局風險，從而改善了風險分層和預后評估。

2.3 老年創傷衰弱指數

我國研究者通過分析2016年來自美國國家急診科樣本（National Emergency Department Sample，NEDS）的141267名住院老年創傷患者（年齡≥65歲）的醫療記錄，根據Gilbert等構建HFRS的3個步驟開發驗證了專門用于該人群的衰弱評估工具，即老年創傷衰弱指數（Geriatric Trauma Frailty Index，GTFI）[32]。該工具可以使用醫院的電子病歷系統的常規數據，系統地整合老年創傷患者個人的疾病特征，無需手動計算評分，對預后的預測效果良好，尤其適合病情緊迫的老年創傷患者。在來自NEDS的國際驗證隊列和來自上海創傷急診醫學會（Shanghai Trauma Emergency Medical Association，STEMA）本土驗證隊列中，均有良好表現，能準確識別衰弱的創傷老年患者，在本土驗證隊列中ROC曲線的結果顯示，GTFI能有效地預測我國老年創傷人群的預后，對于死亡率預測曲線下面積可達0.903，能準確識別衰弱的創傷老年患者，有效預測我國老年創傷人群的預后情況[32]。

2.4 其他

除了驗證較為充分的eFI和HFRS外，還有其他經過了初步驗證和試用的電子化衰弱評估工具。例如，Hall等[33]從美國退伍軍人事務部/美國外科醫生學會國家手術質量改善項目數據庫（VASQIP/ACSNSQIP），通過數據連接技術捕獲了11項衰弱相關變量，構建了術前衰弱風險評分（RAI-A），變量根據各自的權重賦分，總分在0～81之間。由于參考了完整的患者電子病歷信息，在識別術前衰弱上，RAI-A相較于問卷型工具有更高的特異性，對術后死亡率和并發癥的預測能力有明顯提高[34]。福斯特全球衰弱評分（Forster Global Frailty Score，FGFS）是由來自9個國家的34家醫院合作開發的一種新型電子化衰弱評估工具，該電子化工具包含7組衰弱綜合征相關的ICD-10代碼，利用常規收集的管理數據對有衰弱風險的老年人進行風險預測建模，實現了衰弱綜合征的臨床概念與醫療數據集的結合，不僅可以進行衰弱評估，還可預測住院死亡率、長期住院時間和30天非計劃再入院率[35]。

3 對電子化衰弱評估工具的分析與展望

3.1 電子化衰弱評估工具的優勢

將衰弱的研究成果應用到臨床實踐中是未來面臨的主要挑戰之一。對于臨床一線的醫護人員或者社區衛生服務人員來說，評估工具的臨床實用性是非常重要的，一個簡單且快捷的衰弱評估工具有助于為評估對象實施精準的干預、合理分配醫療護理資源[36]。基于醫療大數據開發的電子化衰弱評估工具，不僅評估過程簡便高效，節省了大量的時間和人力資源成本，還能更好地預測病死率及其他不良事件，在臨床、社區等環境中有著較大的應用潛力。例如，eFI可以從初級醫療保健機構的電子病歷中生成患者健康缺陷的數量，無需醫護人員額外收集衰弱的相關數據，明顯提高了評估的效率，從而可以快速識別衰弱人群并進行有針對性的干預與管理。

電子化衰弱評估工具能夠自動整合醫療大數據中全面的健康和醫療信息，相較于傳統衰弱評估工具而言，更能客觀準確地反映老年人的衰弱狀況及健康功能狀況。同時，可以利用信息技術開發適用于手機、平板電腦等終端操作的版本，方便醫護人員進行高效的數據收集和分析，提高衰弱評估的數字化和信息化水平。此外，利用電子化衰弱評估工具發揮其風險預測方面的獨特優勢，能夠完善衛生服務資源分配，為衰弱老年人提供以目標為導向的護理計劃，制定有針對性的循證干預措施，有助于改善老年衰弱患者的疾病預后和生存質量。

3.2 電子化衰弱評估工具存在的問題

首先，衰弱評估工具對臨床的重要意義是能夠實現在一級或二級預防中發現衰弱的風險，而目前電子化衰弱評估工具對臨床不良結局等的預測作用主要用于三級預防，即預防衰弱狀態持續惡化而導致的臨床不良結局。其次，大多數電子化衰弱評估工具主要是利用單一來源和類型數據開發的，雖然樣本量可觀，但目前只有一部分衰弱相關變量可以完全從此類醫療大數據中提取出來，因此，仍然有可能缺少某些關鍵的信息，尤其是社會心理方面的變量，從而可能影響評估的質量和預測效果[37]。再次，一些電子化衰弱評估工具缺乏獨立驗證或驗證結果不理想，工具的性能受數據來源的影響較大，穩健性尚不能達標。目前各國醫療衛生系統中存在著大量非結構化、未經編碼的數據，而現階段的電子化衰弱評估工具對此類數據的提取和分析能力普遍不足，在真實環境中的臨床應用時常受限。

每種電子化衰弱評估工具也存在各自不同的問題。例如，eFI識別衰弱和預測風險的能力目前僅在人群水平得到驗證，在個體水平上的評估和預測效果有待進一步研究。而對于HFRS的預測功能，存在許多不一致的研究結果，如在1項全關節置換術患者的研究中，HFRS不能準確預測其治療成本[38]，也有學者認為HFRS預測較長住院時間和非計劃再入院的能力并無明顯提高[39]。此外，由于mFI-5僅包含5項變量，已有研究者對其科學性和合理性質疑，但目前尚缺乏相關證據[40]。

3.3 電子化衰弱評估工具的應用前景和挑戰

當前全球的醫療數據已累積有數百艾字節（Exabytes，EB），且仍將呈指數級增長。從大規模研究隊列的快速建立和識別，到人工智能輔助的臨床決策支持系統，醫療大數據正深刻地改變著醫學研究與實踐[41]。《“健康中國2030”規劃綱要》提出了實現“全民健康”的目標，而大力發展醫療大數據是實現“全民健康”的基礎工程[42]。目前，建立電子健康檔案、電子病歷數據庫、大數據中心等大數據基礎建設工作，加強健康醫療大數據及公共衛生大數據的應用，從而實現數據的聯通融合與開放共享，是我國醫療大數據戰略的主要聚焦點[4]。當前我國的醫療大數據尚處于發展階段，基于醫療大數據的電子化衰弱評估工具應用前景廣闊。

但目前我國醫療資源地區、機構間分布差異大，相關人才短缺，技術推廣存在困難；醫療大數據在國內仍主要是由自由文本構成的非結構化數據，且各家醫療機構的信息化程度參差不齊，難以建立統一的數據平臺實現數據信息共享。部分基層醫療機構使用的信息系統普遍比較簡單，缺乏必要的、結構化的患者臨床信息進行電子化衰弱評估，若患者電子健康記錄的更新不及時，難以實現對患者近期健康狀況變化的判斷。另外，電子病歷、醫院信息系統等數據庫中包含大量患者的個人信息，數據挖掘帶來的隱私和倫理問題也亟待解決[43-44]。同時，我國本土化的電子化衰弱評估工具較少，可逐步將現有國外工具進行漢化改良并驗證其在我國的適用性。最后，機器和數據始終不能完全替代人工，需要探索如何將此類工具與量表式衰弱評估工具結合應用，充分發揮醫療大數據與醫護人員臨床經驗的多種優勢，最大程度改善衰弱評估質量。

4 小結

未來應對基于醫療大數據的衰弱評估工具進行更多的前瞻性研究，進一步驗證并評價其識別衰弱和對臨床不良結局事件與風險的預測能力。同時，對于衰弱及其風險的評估與準確識別只是衰弱管理與連續性護理過程的第一步，如何在衰弱導致的實質性功能衰退之前，通過衰弱評估制定針對性干預措施，對預防或延緩衰弱的進展至關重要，而這一方面尚缺乏可靠、全面、系統性的研究證據，需要進一步探索，以助力健康老齡化和健康中國進程。