凌慶慶,王浩文,夏景濤,張博涵,李子好,孫遙,陳宏文
1.南方醫科大學南方醫院 醫學工程科,廣東 廣州 510515;2.廣東省藥品不良反應監測中心,廣東 廣州 510515
醫療器械不良事件監測,是指對醫療器械不良事件的收集、報告、調查、分析、評價和控制的過程[1-2]。做好醫療器械不良事件日常監測至關重要,可以減少甚至避免同類醫療器械不良事件的重復發生,保障醫療器械安全有效運行,降低患者、醫務人員和其他人員使用醫療器械的風險。
隨著《醫療器械不良事件監測和再評價管理辦法》[3]《醫療器械使用質量監督管理辦法》[4]《醫療器械臨床使用管理辦法》[5]等政策的出臺完善,監管力度逐漸加強,企業和使用單位對不良事件的監測能力和上報意識逐步提升[6-8]。由于醫療器械不良事件的報告遵循可疑即報的原則,且受報告者的經驗水平、認知程度等影響,導致醫療器械監測機構收集到大量存在片面性和局限性的不良事件報告[9-10],使得監測機構無法快速分析篩選到需預警的報告。本研究旨在開發一款醫療器械不良事件報告自動分析軟件,使監測機構能在繁多且質量參差不齊的不良事件報告中迅速定位有風險的不良事件,并做出預警。
使用單位或注冊人等在國家醫療器械不良事件監測信息系統上報不良事件,各級藥品不良反應監測中心在收到大量且質量參差不齊的報告后,以Excel 格式導出并通過經驗手動篩選需要預警的不良事件報告,然后進行調查、分析和評價等工作。然而,人工篩選的方法規則不統一且耗費大量時間和精力,不利于醫療器械不良事件的監測管理。
為了提高各級藥品不良反應監測中心篩選并預警醫療器械不良事件報告的質量和效率,更好地進行后續的不良事件報告監測的調查、分析和評價等工作。本文以提高醫療器械不良事件報告篩選及預警的準確率和效率為用戶核心需求,開發一款醫療器械不良事件報告自動分析軟件,其軟件功能需求主要包括報告導入、報告顯示、報告分析、分析結果、關鍵詞庫管理5 個功能模塊,見圖1。

圖1 醫療器械不良事件報告自動分析軟件系統框架
數據來源主要包括使用單位上報和持有人上報兩種報告。Excel 是唯一的輸入文件格式,并可實現多個Excel 文件及十萬份報告信息的同時導入。報告信息包括序號、報告編碼、發生日期、產品名稱、注冊證編號、上市許可持有人名稱、傷害、傷害表現、器械故障表現、事件原因分析描述、產品類別。
由于每條不良事件報告的內容較多,除了列表顯示模式,還有便于瀏覽信息的易讀模式,雙擊可進入報告詳情易讀界面,并可切換閱讀報告。
報告分析包括分析規則設計、自動分析和手動分析3 個功能。
(1)分析規則設計是根據需求制定不同的預警規則,參數主要包括傷害程度、故障程度、發生頻次,其中傷害程度由傷害關鍵詞決定、故障程度由故障關鍵詞決定、發生頻次是指某段時間發生的次數。此外,還可通過產品名稱、注冊證編號、許可持有人名稱等實現重點規則設置。
(2)自動分析是通過選擇當前已制定的分析規則對導入的不良事件報告進行自動篩選及預警,并且可設置特別關注參數作為額外預警信息,進行單獨分析、展示和導出。預警等級分為高風險、中風險和低風險3 種,可根據需求自主設定風險等級。例如設預警規則中的發生頻次為x,自動分析檢出的第i個注冊證編號的實際發生次數為ni,則預警等級如公式(1)所示。此外,傷害程度為嚴重傷害和死亡的不良事件報告均顯示高風險預警。
(3)手動分析可手動選擇需預警的報告,并在界面中顯示需預警報告數量。
按預警等級展示需預警報告并以Excel 格式導出,同一注冊證編號的報告集中以樹形結構進行兩級顯示,二級信息默認收起狀態,雙擊可用易讀模式顯示報告詳情。對比展示自動分析和手動分析的結果,且計算自動分析的結果準確率(Result Accuracy,RA),計算方法如公式(2)所示。
式中,NA為自動分析的預警報告數量;NR為實際需預警的報告數量。
可持續學習不良事件報告的關鍵詞并添加到關鍵詞庫,并對關鍵詞庫進行編輯和查找。
為滿足醫療器械不良事件報告自動分析軟件各模塊的功能需求,本研究使用桌面端軟件,并將軟件的核心服務模塊封裝在SpringBoot 服務器端實現。軟件的客戶端基于Visual Studio 2013 和QT 5.9.5 開發,服務器端基于JDK8.0 和MySQL 8.0.16 數據庫開發,服務器端的硬件配置為Xeon Silver 4210(2.2 GHz@13.75 M),內存64 G,Centos7 系統。在桌面端軟件啟動時會自動啟動相應的服務器端軟件,桌面端通過客戶端封裝好的Core Service Framework 層模塊使用HTTP 接口調用服務器端的核心服務模塊實現相應的業務功能,軟件的整體技術框架如圖2所示。

圖2 醫療器械不良事件自動報告分析軟件的技術框架圖
如圖3所示為醫療器械不良事件報告自動分析軟件的功能界面,其自動分析流程簡要描述如圖4所示:① 利用過往的不良事件報告創建關鍵詞庫,并根據需求制定分析預警規則;② 根據報告來源是“使用單位”還是“經營企業”導入待分析的不良事件報告,導入信息包括序號、報告編碼、發生日期、產品名稱、注冊證編號、上市許可持有人名稱、傷害、傷害表現、故障表現等;③ 確定需要執行的分析預警規則后,可執行自動分析,得到需預警報告,并以Excel 格式導出自動分析結果;也可選擇手動分析功能與自動分析結果對比,得出自動分析的準確率。此外,可根據分析結果更新優化關鍵詞庫,在系統設置功能中可進行關鍵詞庫的增加、刪除等操作。

圖3 醫療器械不良事件報告自動分析軟件功能界面

圖4 醫療器械不良事件報告自動分析軟件工作流程圖
本研究使用廣東省藥監局提供的2019年5399 份脫敏醫用監護儀不良事件報告對醫療器械不良事件報告自動分析軟件功能進行測試,5 位資深醫療器械工程師利用經驗總結法從報告的故障和傷害描述中提取關鍵詞,并創建關鍵詞庫;使用2023年695 份監護儀不良報告分別進行自動分析和手動分析,展示軟件的測試結果。
如表1所示,本研究制定了3 種預警分析規則,分別是每周發生2 次、每月發生3 次、每季度發生5 次,經過軟件測試得到自動分析結果,并和手動分析結果的金標準進行對比,計算出RA 分別是85.38%、84.60%和86.42%。耗時從平均1 h 左右降低到5 s 內,且差異有統計學意義(P<0.05)。

表1 醫療器械不良事件報告自動分析軟件測試結果與手動分析結果對比
以分析規則3 為例展示了自動分析和手動分析的直方圖統計結果(圖5),自動分析和手動分析分別檢出了19 個和25 個需要預警的注冊證編號,分別用不同顏色展示了不同注冊證編號的預警風險等級,其中對于注冊證編號為11、12、14、15、20、22 和23 的7 種醫療器械,兩種方法的預警結果均為高風險等級,需要分析人員重點關注。

圖5 分析規則3的自動分析和手動分析的結果直方圖
各級藥品不良反應監測中心收到的醫療器械不良事件報告越來越多且質量參差不齊,直接使用Excel 表格手動篩選報告的方法耗費大量人力且效率低下,因此,實現不良事件報告的自動篩選與預警非常重要。然而,當前關于醫療器械不良事件的研究主要集中在對我國醫療器械不良事件監測的現狀分析與管理展望[11-14]、醫療器械不良事件監測的風險控制管理方法探討[15-17],以及從醫療機構角度進行醫療器械不良事件的管理工作實踐分析[18-19]與監管體系研究[20-22],較少研究涉及對醫療器械不良事件報告進行軟件自動化篩選分析。為此,本研究基于Visual Studio 2013 和QT 5.9.5 開發了一款醫療器械不良事件報告自動分析軟件,可以實現不良事件的自動篩選及預警,并使用695 份醫用監護儀的不良報告數據對軟件進行測試,通過和傳統Excel 手動分析結果對比,分析時間從平均1 h 左右降低至5 s 以內,分析效率得到極大提高。
本研究的特色和創新之處主要包括3 點:① 根據以往不良事件報告中傷害表現和故障表現描述,提取關鍵詞并創建關鍵詞庫,并在使用過程中不斷進行補充完善。本研究創建的不良事件關鍵詞庫無論是對人工手動篩選不良事件,還是對軟件中得到精確的分析結果均有益處;② 可根據需求個性化制定分析規則,使用多種規則實現報告的多維分析。針對同批數據,不良事件分析人員可以根據需求選擇不良事件發生的頻次以及重點關注內容等來創建不同分析規則,實現不同規則下的報告篩選分析,相比常規人工篩選的方式,更加簡單快捷、省時省力;③ 可根據分析人員的需求設置報告風險預警等級規則,進而快速定位到需要重點關注的報告條例,判斷出某個注冊證編號的醫療器械存在的風險程度,基于此提出應對措施,如對該類醫療設備進行預防性維護、定期檢查等,從而減少醫療器械不良事件的發生。
相較于手動分析的金標準,本研究軟件自動篩選預警的準確率主要取決于創建的描述不良事件傷害和故障的關鍵詞庫,而不良事件上報人員可能來自不同的工作崗位,對醫療器械的傷害和故障的描述方式差異較大,因此需收集更多的關鍵詞,進一步提高軟件分析的精確度。此外,后續計劃引入無監督機器學習算法,智能化提取關鍵詞以及分析不良事件報告,進一步提高軟件的全流程自動化及分析結果精度。
針對當前各級藥品不良反應監測中心收集的醫療器械不良事件報告繁多且質量參差不齊的問題,本研究設計了一款醫療器械不良事件報告自動分析軟件,實現對大量不良事件報告的自動篩選并預警,使分析人員迅速定位高風險不良事件,進一步保障醫療器械的安全有效運行,具有重要意義。