基于電子病歷數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型在臨床護(hù)理中的應(yīng)用現(xiàn)狀

曠小羿，侯惠如

（1.中國人民解放軍醫(yī)學(xué)院，北京100853；2.聯(lián)參警衛(wèi)局衛(wèi)生保健處，北京100017；3.中國人民解放軍總醫(yī)院 第二醫(yī)學(xué)中心 護(hù)理部，北京100853）

電子病歷（electronic medical record，EMR）是醫(yī)療機(jī)構(gòu)醫(yī)務(wù)人員對門診、住院患者（或保健對象）臨床診療和指導(dǎo)干預(yù)所使用的信息、系統(tǒng)生成的文字、符號、圖標(biāo)、數(shù)據(jù)以及影像等數(shù)字化的醫(yī)療服務(wù)工作記錄[1]。 電子病歷包含大量醫(yī)療信息數(shù)據(jù)[2]，利于二次分析[3]?；陔娮硬v數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型（Risk Predict Model，RPM）， 能更好地幫助護(hù)理人員提前做出決策[4]，改善患者的不良轉(zhuǎn)歸[5]。 隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建方法也由傳統(tǒng)的統(tǒng)計(jì)技術(shù)發(fā)展到機(jī)器學(xué)習(xí)（machine learning，ML）及深度學(xué)習(xí) （deep learning，DL） 等人工智能技術(shù)（artificial intelligence technologies，AITs）[3]。 目前風(fēng)險(xiǎn)預(yù)測模型主要應(yīng)用于輔助診斷、并發(fā)癥預(yù)測、臨床決策支持系統(tǒng)[6]等醫(yī)療問題上，現(xiàn)對基于電子病歷數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型在護(hù)理領(lǐng)域中的應(yīng)用進(jìn)行綜述，旨在為未來護(hù)理領(lǐng)域風(fēng)險(xiǎn)預(yù)測模型的構(gòu)建提供參考。

1 基于電子病歷數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型建模方式

風(fēng)險(xiǎn)預(yù)測模型是基于復(fù)雜數(shù)據(jù)特征進(jìn)行評估和做出預(yù)測的算法[7-8]。 從目前護(hù)理領(lǐng)域風(fēng)險(xiǎn)預(yù)測模型發(fā)文來看，建模方式有運(yùn)用傳統(tǒng)的統(tǒng)計(jì)技術(shù)，例如：Logistic 回歸和Cox 回歸，到機(jī)器學(xué)習(xí)（machine learning，ML），例如：支持向量機(jī)（support vector machine，SVM）、決策樹（decision tree，DT）、隨機(jī)森林（random forest，RF），以及深度學(xué)習(xí)（deep learning，DL），例如：人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN），其中機(jī)器學(xué)習(xí)和深度學(xué)習(xí)屬于AI 技術(shù)范疇。傳統(tǒng)統(tǒng)計(jì)方法構(gòu)建的模型簡單直觀，目前使用的研究者最多，而機(jī)器學(xué)習(xí)及深度學(xué)習(xí)等人工智能技術(shù)需要一定的計(jì)算機(jī)知識基礎(chǔ)，運(yùn)用上比傳統(tǒng)方法復(fù)雜且具有“輕過程重結(jié)果”特性，目前使用的研究者比較少，但運(yùn)用機(jī)器學(xué)習(xí)及深度學(xué)習(xí)等人工智能技術(shù)構(gòu)建的風(fēng)險(xiǎn)預(yù)測模型性能優(yōu)于傳統(tǒng)統(tǒng)計(jì)技術(shù)[9]。

2 基于電子病歷數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型應(yīng)用領(lǐng)域

學(xué)者Bates 等[2]指出：電子病歷富含大量有價(jià)值的臨床數(shù)據(jù)，運(yùn)用技術(shù)手段分析這些數(shù)據(jù)，可以從中獲得有別傳統(tǒng)科研方法的新觀點(diǎn)、新視角，起到優(yōu)化臨床護(hù)理結(jié)局，提升護(hù)理質(zhì)量的目的。 基于EHR 數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型， 主要運(yùn)用于護(hù)理領(lǐng)域的不良事件風(fēng)險(xiǎn)預(yù)測、PICC 相關(guān)風(fēng)險(xiǎn)預(yù)測、 高危結(jié)局風(fēng)險(xiǎn)預(yù)測等問題。現(xiàn)結(jié)合國內(nèi)外文獻(xiàn)，介紹目前護(hù)理領(lǐng)域風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展。

2.1 針對不良事件的風(fēng)險(xiǎn)預(yù)測模型 學(xué)者Rochefort等[10]針對臨床護(hù)理工作最常見的3 類不良事件：醫(yī)院獲得性肺炎、導(dǎo)管相關(guān)性血液感染和院內(nèi)摔倒，通過Logistic 回歸構(gòu)建風(fēng)險(xiǎn)預(yù)測模型來分別進(jìn)行預(yù)測， 并對預(yù)測結(jié)果進(jìn)行驗(yàn)證， 均顯示良好的預(yù)測性能。并指出，在醫(yī)院中更準(zhǔn)確、及時(shí)、有效地預(yù)測不良事件， 能有效指導(dǎo)風(fēng)險(xiǎn)患者的預(yù)防性干預(yù)措施以及成為跟蹤患者安全進(jìn)展的關(guān)鍵。 學(xué)者陳沅等[11]回顧性調(diào)查1 163 例成人心血管手術(shù)患者電子病歷數(shù)據(jù)， 通過Logistic 回歸建立心血管手術(shù)壓瘡風(fēng)險(xiǎn)預(yù)測模型，靈敏度（sensitivity，Se）為65.7%，特異度（specificity，Sp）為79.3%，陽性預(yù)測值為36.1%，陰性預(yù)測值為92.8%，ROC 曲線下面積 （AUC） 為0.751[95%CI（0.715，0.788）]，可較好地預(yù)測成人心血管手術(shù)患者的手術(shù)壓瘡風(fēng)險(xiǎn)，利于護(hù)理措施的提前介入，減少壓瘡發(fā)生。

學(xué)者黃華平等[12]通過Logistic 回歸構(gòu)建失禁性皮炎風(fēng)險(xiǎn)預(yù)測模型，該模型Se 為71.43%，Sp 為88.57%，AUC 為0.904[95%CI（0.86，0.95）]，為臨床護(hù)理實(shí)踐提供一定的理論支撐。 學(xué)者楊青等[13]通過分析觀察611 例腫瘤患者發(fā)生難免性壓瘡的風(fēng)險(xiǎn)，在Braden 評分的基礎(chǔ)上， 運(yùn)用決策樹構(gòu)建腫瘤患者難免性壓瘡風(fēng)險(xiǎn)預(yù)測模型，Se 為84.8%，Sp 為77.4%，AUC 為0.840，可以較好地預(yù)測腫瘤患者難免性壓瘡發(fā)生風(fēng)險(xiǎn)，有助于壓瘡預(yù)防措施的介入，減輕患者痛苦。同樣針對壓瘡的風(fēng)險(xiǎn)預(yù)測，學(xué)者M(jìn)oon 和Lee[14]通過運(yùn)用決策樹構(gòu)建護(hù)理機(jī)構(gòu)老年人壓瘡相關(guān)的風(fēng)險(xiǎn)預(yù)測模型，結(jié)果顯示：Se 為82.0%、Sp 為78.7%、正確率（accuracy）為0.804。 在相同的壓瘡問題下， 運(yùn)用決策樹比Logistic 回歸的表現(xiàn)性能好， 在技術(shù)層面上是肯定的，但由于這些文獻(xiàn)研究背景不同，比較結(jié)果說服力不夠高。

針對同一個(gè)問題，學(xué)者宋杰[15]運(yùn)用自然語言處理提取病例組1 673 例皮膚損傷護(hù)理不良事件電子病歷數(shù)據(jù)，運(yùn)用支持向量機(jī)、決策樹、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)4 種方式構(gòu)建皮膚損傷護(hù)理不良事件預(yù)測模型，并對這4 種方式進(jìn)行比較，結(jié)果顯示：均有較高的預(yù)測能力，除人工神經(jīng)網(wǎng)絡(luò)模型外，其他3 種模型的準(zhǔn)確率、召回率、精確率、F1 值均高于80%；模型間對比發(fā)現(xiàn)，隨機(jī)森林模型的準(zhǔn)確率（99.88%）、召回 率（99.88%）、精 確 率（99.93%）、F1 值（99.63%）、AUC（0.999）均較高，表現(xiàn)最好。 學(xué)者Park 等[16]通過分析電子病歷中醫(yī)院獲得性管路相關(guān)的尿路感染患者數(shù)據(jù)， 構(gòu)建風(fēng)險(xiǎn)預(yù)測模型， 運(yùn)用3 種不同的建模方式：Logistic 回歸、決策樹和支持向量機(jī)，對院內(nèi)尿路感染有風(fēng)險(xiǎn)者做出預(yù)測，并比較預(yù)測效果，其中：決策樹構(gòu)建的模型具有最高的準(zhǔn)確性和敏感度，LR 構(gòu)建的模型效應(yīng)居中， 具有最大的受試者工作曲線（ROC），但假陰性率最高。支持向量機(jī)構(gòu)建的模型表現(xiàn)一般。 可見傳統(tǒng)統(tǒng)計(jì)技術(shù)（例如大量運(yùn)用的Logistic回歸）的建模性能表現(xiàn)不如決策樹、隨機(jī)森林等人工智能技術(shù)范疇的建模方式。

2.2 針對PICC 相關(guān)風(fēng)險(xiǎn)的預(yù)測模型 PICC 是護(hù)理重要的有創(chuàng)性操作。 學(xué)者劉芬[17]運(yùn)用Cox 回歸構(gòu)建PICC-DVT 風(fēng)險(xiǎn)評估模型，其AUC 為0.73[95%CI（0.69，0.78）]，能針對PICC-DVT 風(fēng)險(xiǎn)的發(fā)生具有較好的辨別能力，對臨床護(hù)理工作有一定的指導(dǎo)價(jià)值。學(xué)者韓瑩等[18]運(yùn)用Logistic 回歸，構(gòu)建早產(chǎn)兒外周導(dǎo)入中心靜脈置管（PICC）并發(fā)靜脈炎癥的風(fēng)險(xiǎn)預(yù)測模型，Se 為65.7%，Sp 為79.3%，AUC 為0.827[95%CI（0.761，0.893）]，具有良好的預(yù)測價(jià)值，對提高早產(chǎn)兒PICC 安全性有積極作用。 可見，運(yùn)用風(fēng)險(xiǎn)預(yù)測模型可以較好地識別患者PICC 相關(guān)風(fēng)險(xiǎn)發(fā)生，具有一定的臨床指導(dǎo)作用。

2.3 針對護(hù)理對象高危結(jié)局的風(fēng)險(xiǎn)預(yù)測模型 學(xué)者邢霞等[19]運(yùn)用Logistic 回歸分析構(gòu)建了顱內(nèi)破裂動(dòng)脈瘤術(shù)前再出血的風(fēng)險(xiǎn)預(yù)測模型，其AUC 為0.907[95%CI（0.825，0.968）]，為護(hù)士在護(hù)理顱內(nèi)破裂動(dòng)脈瘤患者時(shí)，預(yù)防再出血提供參考。 學(xué)者安瑩等[20]運(yùn)用logistic回歸構(gòu)建慢性阻塞性肺疾病急性加重期患者短期預(yù)后預(yù)測模型， 模型預(yù)測預(yù)后的AUC 可達(dá)到0.903[95%CI（0.845，0.960）]，適用于急診科護(hù)理人員對該類患者的分診判斷。 學(xué)者王娜等[21]運(yùn)用Logistic回歸， 構(gòu)建肝硬化患者肝性腦病風(fēng)險(xiǎn)預(yù)測模型，其Se 為83.9%，Sp 為77.6%，Ac 為0.855，AUC 為0.840[95%CI（0.757，0.924）]，為醫(yī)護(hù)人員提前采取預(yù)防性措施提供參考。學(xué)者張靈芳[22]運(yùn)用Logistic 回歸構(gòu)建待產(chǎn)孕婦風(fēng)險(xiǎn)預(yù)測模型，Se 為78.06%，Sp 為68.51%，AUC 為0.828，在一定程度上可預(yù)測不良結(jié)局的發(fā)生率，幫助產(chǎn)科醫(yī)護(hù)人員識別高危孕婦。 學(xué)者張政等[23]運(yùn)用Logistic 回歸構(gòu)建肺癌晚期患者死亡風(fēng)險(xiǎn)預(yù)測模型，其Se 為89.1%，Sp 為78.3%，AUC 為0.870[95%CI（0.813，0.927）]。學(xué)者普鷹等[24]運(yùn)用Logistic 回歸構(gòu)建腹腔鏡手術(shù)患者中低體溫風(fēng)險(xiǎn)預(yù)測模型，Se 為60.0%，Sp 為86.7%，AUC 為0.791，實(shí)際應(yīng)用Ac 為79.54%，此模型具有良好的預(yù)測能力， 能夠穩(wěn)健地預(yù)測腹腔鏡手術(shù)中低體溫的發(fā)生，具有良好的臨床應(yīng)用價(jià)值。學(xué)者王娜[21]運(yùn)用Logistic 回歸構(gòu)建肝硬化患者肝性腦病風(fēng)險(xiǎn)預(yù)測模型，Se 為90.5%，Sp 為85.0%，Ac 為85.5%，AUC＝0.8400[95%CI（0.757，0.924）]。 學(xué)者張家妍[25]通過Logistic 回歸分析構(gòu)建了ICU 顱腦損傷術(shù)后便秘發(fā)生的風(fēng)險(xiǎn)預(yù)測模型，Se 為83.7%，Sp 為93.4%，Ac 為91.3%， 為臨床護(hù)理人員識別高風(fēng)險(xiǎn)便秘患者提供參考，利于盡早采取措施，防止便秘的發(fā)生或是緩解便秘的嚴(yán)重程度，減輕患者痛苦。從這些文獻(xiàn)中可以看出，風(fēng)險(xiǎn)預(yù)測模型的適用范圍非常廣，且對護(hù)理臨床工作具有價(jià)值，能更加有效、科學(xué)的指導(dǎo)護(hù)理臨床工作。 同樣的，在這些研究中可以看出，傳統(tǒng)統(tǒng)計(jì)方法的運(yùn)用很多， 更高階的機(jī)器學(xué)習(xí)或是深度學(xué)習(xí)運(yùn)用很少。 學(xué)者Ge[26]研究使用AITs 來構(gòu)建中風(fēng)后肺炎的預(yù)測模型， 并與傳統(tǒng)方法構(gòu)建的風(fēng)險(xiǎn)模型進(jìn)行比較，結(jié)果顯示：基于多層感知器神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的方法，構(gòu)建的中風(fēng)后肺炎預(yù)測模型表現(xiàn)最好，尤其是針對時(shí)間序列信息（中風(fēng)后7 d 和14 d），獲得最佳表現(xiàn)性能。 為護(hù)理領(lǐng)域中使用AITs預(yù)測模型實(shí)現(xiàn)對中風(fēng)患者的管理成為可行，更加科學(xué)、有效的指導(dǎo)護(hù)理臨床實(shí)踐工作。

3 現(xiàn)階段基于電子病歷數(shù)據(jù)的風(fēng)險(xiǎn)預(yù)測模型存在的不足

3.1 預(yù)測模型構(gòu)建方式較單一 護(hù)理領(lǐng)域風(fēng)險(xiǎn)預(yù)測模型，Logistic 回歸建模方式占比最大， 隨著數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，人工智能已成為熱門，潛力無限，但在國內(nèi)護(hù)理領(lǐng)域，使用的研究者很少，可能與新技術(shù)需要研究者具有一定的計(jì)算機(jī)知識和技能，這為新技術(shù)的使用帶來困難有關(guān)。

3.2 風(fēng)險(xiǎn)預(yù)測模型的評價(jià)指標(biāo)不夠完善 評價(jià)一個(gè)預(yù)測模型的好壞， 最常用的一對指標(biāo)是： 區(qū)分度（discrimination）和校準(zhǔn)度（calibration）。區(qū)分度，代表這個(gè)模型區(qū)分患者風(fēng)險(xiǎn)高低的水平，常用指標(biāo)代表：AUC。校準(zhǔn)度，則代表模型預(yù)測值與實(shí)際值之間的差異，常用指標(biāo)代表：擬合優(yōu)度檢驗(yàn)（Hosmer-Lemeshow good of fit test）。 一個(gè)預(yù)測模型，也許有比較高的區(qū)分度，但若校準(zhǔn)度較差，這個(gè)模型的應(yīng)用效能也是不好的。就目前所發(fā)表的文獻(xiàn)來看，大部分文獻(xiàn)忽略了校準(zhǔn)度的測評[27]，這使得預(yù)測模型質(zhì)量參差不齊，是很多預(yù)測模型無法在臨床上開展使用的原因。 有1項(xiàng)關(guān)于心血管系統(tǒng)風(fēng)險(xiǎn)預(yù)測模型研究的系統(tǒng)綜述發(fā)現(xiàn)，只有63%的風(fēng)險(xiǎn)預(yù)測模型測評應(yīng)用了區(qū)分度，而應(yīng)用校準(zhǔn)度的更少，只有36%[28]。

其他常用指標(biāo)還有： 假陽性率 （false positive rate，F(xiàn)PR）、假陰性率（false negative rate，F(xiàn)NR）、敏感度（sensitivity，Se）、特 異 度（specificity，Sp）、準(zhǔn) 確 率（precision）、正確率（accuracy）和臨床可解釋性（Clinical interpretability）等。 臨床可解釋性這一指標(biāo)，多運(yùn)用在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)上，由于國內(nèi)文獻(xiàn)采用傳統(tǒng)統(tǒng)計(jì)方法比較多， 所以這一指標(biāo)運(yùn)用極少。臨床可解釋性在針對隨著技術(shù)發(fā)展，涌現(xiàn)出的越來越多的數(shù)據(jù)挖掘技術(shù)方面，很有意義。比如決策樹或隨機(jī)森林這類算法，過程清晰，其臨床可解釋性好。 而深度學(xué)習(xí)類算法， 由于其自身的黑盒技術(shù)特性，隱藏層的存在，導(dǎo)致“輕過程重結(jié)果”的現(xiàn)象，其臨床可解釋性較差， 需要研究者運(yùn)用本專業(yè)的知識結(jié)合算法給出的結(jié)果來推導(dǎo)過程。

3.3 非結(jié)構(gòu)化數(shù)據(jù)的全面有效提取仍具有一定難度 電子病歷數(shù)據(jù)包含大量的非結(jié)構(gòu)化文本數(shù)據(jù)，無法充分利用， 海量的電子病歷數(shù)據(jù)結(jié)構(gòu)化處理是臨床數(shù)據(jù)分析的前提[29]。 電子病歷中包含的純文本數(shù)據(jù)項(xiàng)共307 處， 這些非結(jié)構(gòu)化數(shù)據(jù)包含了非常豐富的醫(yī)療信息，但其中信息的準(zhǔn)確、全面提取則較為困難[30]。學(xué)者Hong 等[31]基于FHIR 類型系統(tǒng)，實(shí)現(xiàn)了電子病歷數(shù)據(jù)框架中非結(jié)構(gòu)化數(shù)據(jù)的提取及與非結(jié)構(gòu)化數(shù)據(jù)的集成。學(xué)者M(jìn)almasi 等[32]通過4 類臨床事件（胰島素下降的頻率、他汀類藥物用藥下降、他汀類藥物的不良反應(yīng)、 減肥手術(shù)咨詢）， 應(yīng)用開源代碼Canary， 探討電子病歷數(shù)據(jù)中非結(jié)構(gòu)化數(shù)據(jù)高精度挖掘的可能性。其中胰島素下降頻率的Se 為100%、陽性預(yù)測值為93.3%，而減肥手術(shù)咨詢的Se 為44%、陽性預(yù)測值為96%。 可見，當(dāng)電子病歷數(shù)據(jù)中非結(jié)構(gòu)化信息含量越高時(shí)，非結(jié)構(gòu)化數(shù)據(jù)越不容易全面提取，Ac 越低。 學(xué)者宋杰等[33]使用自然語言處理電子病歷數(shù)據(jù)中關(guān)于皮膚不良事件的文本信息，Se 達(dá)87.19%，而陽性預(yù)測值只有62.79%。這些研究說明，電子病歷數(shù)據(jù)中的非結(jié)構(gòu)化數(shù)據(jù)的全面有效提取， 仍有一定難度， 可能與電子病歷數(shù)據(jù)中文本信息的記錄格式不統(tǒng)一、事件表達(dá)形式多樣有關(guān)，這為電子病歷數(shù)據(jù)的充分利用帶來障礙。

4 展望

目前， 許多醫(yī)院都無法有效利用大數(shù)據(jù)分析電子病歷以生成高質(zhì)量的研究及其臨床實(shí)踐[34]。 利用電子病歷數(shù)據(jù)，挖掘潛力巨大，目前臨床上的使用越來越多，風(fēng)險(xiǎn)預(yù)測模型能更加科學(xué)、有效的指導(dǎo)護(hù)理工作，在護(hù)理領(lǐng)域方面，風(fēng)險(xiǎn)預(yù)測模型的開展運(yùn)用仍具有很大空間。學(xué)者Tubaishat[35]研究發(fā)現(xiàn)，護(hù)理人員仍需進(jìn)一步學(xué)習(xí)和掌握計(jì)算機(jī)相關(guān)知識， 才能充分挖掘電子病歷數(shù)據(jù)， 將電子病歷數(shù)據(jù)轉(zhuǎn)化為有價(jià)值的信息，讓護(hù)理臨床工作能從中受益，讓精準(zhǔn)化護(hù)理服務(wù)成為現(xiàn)實(shí)[36]。