陳妍妍 葉 慶 陳勇飛 聶麗麗

華中科技大學(xué)同濟(jì)醫(yī)學(xué)院附屬同濟(jì)醫(yī)院信息管理科，武漢，430030

腦卒中(Stroke)是危及人類(lèi)生命的重大疾病，具有高病死率、高致殘率、易復(fù)發(fā)和治療費(fèi)用昂貴等特點(diǎn)［1］。我國(guó)每年腦卒中死亡率約為0.157%，已超過(guò)心臟病成為成人死亡和致殘的首要原因［2］，卒中復(fù)發(fā)是導(dǎo)致卒中幸存患者死亡和殘疾的主要原因［3］。每年我國(guó)腦卒中患者醫(yī)療費(fèi)用高達(dá)400億元［4］，這給家庭及社會(huì)帶來(lái)了沉重的經(jīng)濟(jì)負(fù)擔(dān)。盡管溶栓被認(rèn)為是確實(shí)有效的治療方法，但受?chē)?yán)格的時(shí)間窗、患者信息獲取以及就診綠色通道的限制使能夠接受該治療的患者僅有3%［5］。因此，腦卒中的預(yù)防以及卒中后預(yù)防再?gòu)?fù)發(fā)顯得尤為重要。有研究報(bào)道，通過(guò)積極有效的預(yù)防和治療，可以有效降低卒中復(fù)發(fā)率，減少患者的死亡和殘疾［6］。本文擬通過(guò)文獻(xiàn)研究、專(zhuān)家咨詢構(gòu)建基于云平臺(tái)的腦卒中智能隨訪模型，為構(gòu)建科學(xué)合理的隨訪體系提供理論指導(dǎo)和實(shí)踐依據(jù)。

1 資料來(lái)源與方法

1.1 資料來(lái)源

本文研究資料源自中國(guó)知網(wǎng)學(xué)術(shù)期刊數(shù)據(jù)庫(kù)，以“隨訪”、“云平臺(tái)”、“腦卒中”為關(guān)鍵詞檢索2010－2014年文獻(xiàn)資料，得到相關(guān)文獻(xiàn)47萬(wàn)條，其中與本研究相關(guān)文獻(xiàn)120條。腦卒中復(fù)發(fā)風(fēng)險(xiǎn)評(píng)估模型資料來(lái)源于國(guó)際認(rèn)可的一系列評(píng)分量表和復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)工具，包括針對(duì)缺血性腦卒中的Essen卒中風(fēng)險(xiǎn)分層量表、針對(duì)短暫性缺血的ABCD2評(píng)分及危險(xiǎn)程度分組［7－8］。

1.2 方法

文獻(xiàn)研究:通過(guò)查閱近幾年關(guān)于隨訪模式以及移動(dòng)醫(yī)療相關(guān)研究，掌握隨訪模式研究動(dòng)態(tài)和研究?jī)?nèi)容，并借鑒同類(lèi)研究方法和成果。專(zhuān)家咨詢:組織醫(yī)學(xué)及醫(yī)學(xué)信息專(zhuān)家10人，其中神經(jīng)科教授4人，醫(yī)學(xué)信息專(zhuān)家(副高級(jí)職稱(chēng)以上)6人。通過(guò)專(zhuān)家咨詢確定基于云平臺(tái)的腦卒中智能隨訪模型框架、干預(yù)機(jī)制和腦卒中復(fù)發(fā)風(fēng)險(xiǎn)評(píng)估預(yù)警模型。

2 結(jié)果

2.1 傳統(tǒng)隨訪模式存在的問(wèn)題

2.1.1 工作量大，隨訪率低。傳統(tǒng)隨訪模式主要由醫(yī)護(hù)人員參與，通過(guò)郵件，電話等方式采集患者信息，工作效率低下，需要耗費(fèi)大量人力物力。由于隨訪工作人員相對(duì)較少，出院患者數(shù)量大，一般采取抽樣隨訪，不能覆蓋全部出院患者，隨訪率低，隨訪效果差。

2.1.2 信息不連續(xù)，難以持久。傳統(tǒng)隨訪模式下，隨訪工作人員在固定的間隔周期對(duì)患者進(jìn)行隨訪調(diào)查，間斷性的采集患者信息，導(dǎo)致隨訪信息不連續(xù)。

2.1.3 過(guò)于被動(dòng)、干預(yù)不及時(shí)。傳統(tǒng)隨訪模式主要是隨訪工作人員發(fā)起的隨訪信息采集活動(dòng)，采集的時(shí)間和對(duì)象由隨訪工作人員決定，不會(huì)因?yàn)殡S訪患者的個(gè)體差異而發(fā)生改變。隨訪活動(dòng)過(guò)于被動(dòng)，干預(yù)措施不及時(shí)，患者依從性不高。

2.1.4 失訪率、拒訪率高。傳統(tǒng)隨訪模式下隨訪工作人員主要通過(guò)電話或者地址與患者取得聯(lián)系，在隨訪時(shí)點(diǎn)不合適或者患者不知情的情況下，往往會(huì)導(dǎo)致患者的不配合甚至拒訪。隨著時(shí)間推移，電話或者地址的改變往往會(huì)造成隨訪對(duì)象的失聯(lián)，最終導(dǎo)致隨訪中斷，信息源丟失。

2.2 基于云平臺(tái)的腦卒中智能隨訪模型

2.2.1 基于云平臺(tái)的腦卒中智能隨訪模型框架?；谠破脚_(tái)的腦卒中智能隨訪模型包含移動(dòng)端應(yīng)用和云端服務(wù)。系統(tǒng)模型圖見(jiàn)圖1。

圖1 系統(tǒng)模型

移動(dòng)端應(yīng)用包含患者版和臨床醫(yī)生版，主要在移動(dòng)終端實(shí)現(xiàn)?；颊叨说闹饕δ馨S訪業(yè)務(wù)信息的采集和與云端后臺(tái)的交互。根據(jù)腦卒中隨訪業(yè)務(wù)需求，建立腦卒中患者隨訪數(shù)據(jù)采集模型，包括患者整個(gè)隨訪期的用藥情況、檢驗(yàn)檢查結(jié)果、運(yùn)動(dòng)和飲食習(xí)慣、生活環(huán)境(氣溫和空氣質(zhì)量)以及心理狀態(tài)的變化等信息?；颊叨伺c云端服務(wù)保持持續(xù)連接，實(shí)時(shí)接收服務(wù)端推送的用藥提醒信息、危險(xiǎn)因素預(yù)警信息和健康教育信息。臨床醫(yī)生版主要功能是接收云端后臺(tái)推送的患者隨訪信息、卒中復(fù)發(fā)預(yù)警信息等，并及時(shí)給予干預(yù)措施。

腦卒中隨訪云端服務(wù)負(fù)責(zé)患者移動(dòng)端采集信息的儲(chǔ)存和共享、危險(xiǎn)因素監(jiān)測(cè)預(yù)警、健康教育信息推送以及臨床醫(yī)生與患者的在線溝通。隨著隨訪數(shù)據(jù)的不斷累積，云端服務(wù)還承擔(dān)著大數(shù)據(jù)的分析和挖掘，為臨床醫(yī)生提供科研的數(shù)據(jù)支持。

2.2.2 腦卒中患者智能隨訪模型干預(yù)機(jī)制。傳統(tǒng)的腦卒中隨訪模式是采用查閱住院病歷、電話隨訪、信件訪問(wèn)等方式按照既定的時(shí)間點(diǎn)收集資料。隨訪資料主要為出院后的主要治療情況、是否復(fù)發(fā)、生存或死亡，同時(shí)包括患者的人口學(xué)特征、既往史、腦卒中家族史、生化指標(biāo)等。該模式無(wú)法獲知患者連續(xù)的體征信息，患者往往在出現(xiàn)明顯的復(fù)發(fā)癥狀時(shí)才會(huì)主動(dòng)聯(lián)系醫(yī)生，從而錯(cuò)過(guò)最佳治療時(shí)機(jī)。防止卒中患者復(fù)發(fā)需要醫(yī)患雙方共同積極參與，基于云平臺(tái)的腦卒中智能隨訪模型具備雙向觸發(fā)機(jī)制，見(jiàn)圖2。基于云端的移動(dòng)醫(yī)療應(yīng)用，目前已在孕期護(hù)理等領(lǐng)域得到廣泛應(yīng)用，其最大的特點(diǎn)就是將傳統(tǒng)的健康管理變被動(dòng)為主動(dòng)。

隨訪觸發(fā)機(jī)制。根據(jù)國(guó)內(nèi)外相關(guān)標(biāo)準(zhǔn)及臨床診療指南，針對(duì)每個(gè)患者設(shè)定危險(xiǎn)因素的類(lèi)別和觸發(fā)閾值、隨訪計(jì)劃、用藥計(jì)劃等，服務(wù)端實(shí)時(shí)監(jiān)測(cè)并定時(shí)發(fā)出提醒信息。腦卒中數(shù)據(jù)需要長(zhǎng)期的積累，而傳統(tǒng)的記錄模式下容易丟失，不夠全面，沒(méi)有連續(xù)性，也可能不太規(guī)范，容易造成偏差。智能化隨訪模型中，患者也可主動(dòng)上傳隨訪信息，通過(guò)與智能體征監(jiān)測(cè)設(shè)備連接，實(shí)現(xiàn)實(shí)時(shí)連續(xù)的隨訪信息監(jiān)測(cè)。

隨訪反饋機(jī)制。隨訪平臺(tái)根據(jù)危險(xiǎn)因素觸發(fā)邏輯，如患者生活習(xí)慣改變，服務(wù)端主動(dòng)向患者推送個(gè)性化的健康教育信息;監(jiān)測(cè)到患者血糖或者血壓超過(guò)閾值，服務(wù)端將執(zhí)行雙向反饋，既告知患者危險(xiǎn)因素的存在，也同時(shí)通過(guò)平臺(tái)提醒臨床醫(yī)生要給與相關(guān)處理措施。

圖2 干預(yù)機(jī)制

2.2.3 腦卒中患者復(fù)發(fā)風(fēng)險(xiǎn)評(píng)估預(yù)警機(jī)制。對(duì)腦卒中患者復(fù)發(fā)風(fēng)險(xiǎn)評(píng)估的建模是實(shí)現(xiàn)智能化高復(fù)發(fā)風(fēng)險(xiǎn)患者預(yù)警的基礎(chǔ)。目前國(guó)際認(rèn)可的一系列評(píng)分量表和復(fù)發(fā)風(fēng)險(xiǎn)預(yù)測(cè)工具，包括針對(duì)缺血性腦卒中的Essen卒中風(fēng)險(xiǎn)分層量表、針對(duì)短暫性缺血的ABCD2評(píng)分及危險(xiǎn)程度分組。結(jié)合目前國(guó)際認(rèn)可的復(fù)發(fā)風(fēng)險(xiǎn)判斷標(biāo)準(zhǔn)和已確定的復(fù)發(fā)相關(guān)因素，構(gòu)建腦卒中復(fù)發(fā)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系并設(shè)定閾值，云平臺(tái)對(duì)采集的患者信息進(jìn)行實(shí)時(shí)分析，并將評(píng)估結(jié)果和預(yù)警信息反饋給醫(yī)護(hù)人員和腦卒中患者。

3 討論

3.1 實(shí)時(shí)連續(xù)監(jiān)測(cè)腦卒中復(fù)發(fā)危險(xiǎn)因素，提高患者依從性

基于云平臺(tái)的腦卒中智能隨訪模型通過(guò)移動(dòng)終端實(shí)時(shí)、連續(xù)監(jiān)測(cè)患者高血壓、糖尿病、血脂代謝異常、冠心病、房顫、風(fēng)心病等心臟病和吸煙等卒中復(fù)發(fā)危險(xiǎn)因素，服用藥物、生活方式、神經(jīng)功能恢復(fù)等詳細(xì)情況，由云端后臺(tái)智能推送服藥和就醫(yī)提醒，從被動(dòng)的接受隨訪轉(zhuǎn)化為主動(dòng)提交隨訪信息，從而提高患者隨訪依從性。

3.2 智能識(shí)別復(fù)發(fā)高危患者并及時(shí)干預(yù)，降低復(fù)發(fā)風(fēng)險(xiǎn)

通過(guò)腦卒中風(fēng)險(xiǎn)評(píng)估模型實(shí)時(shí)分析腦卒中隨訪數(shù)據(jù)，智能識(shí)別卒中復(fù)發(fā)高危患者，并提醒隨訪醫(yī)生，便于醫(yī)生及時(shí)干預(yù)，降低腦卒中復(fù)發(fā)風(fēng)險(xiǎn)。

3.3 個(gè)體化分層治療和健康教育，提高腦卒中二級(jí)預(yù)防效果

腦卒中并發(fā)癥以及新發(fā)卒中的預(yù)防、治療康復(fù)過(guò)程中的干預(yù)管理極為重要。基于云平臺(tái)的腦卒中智能隨訪模型根據(jù)個(gè)體差異采取更為積極有效的個(gè)體化分層治療和針對(duì)性的健康宣教，同時(shí)為醫(yī)生提供一體化的隨訪檔案，對(duì)卒中二級(jí)預(yù)防起到積極地促進(jìn)作用。

綜上所述，通過(guò)構(gòu)建基于云平臺(tái)的腦卒中智能隨訪模型，能夠?qū)崿F(xiàn)康復(fù)、隨訪、科研一體化，提高患者隨訪依從性，降低卒中復(fù)發(fā)風(fēng)險(xiǎn)，提高二級(jí)預(yù)防效果，對(duì)于腦卒中的防控和提高群眾健康水平具有積極的促進(jìn)作用。基于云平臺(tái)的腦卒中智能隨訪模型是對(duì)傳統(tǒng)隨訪模式的一個(gè)改進(jìn)和補(bǔ)充，可以為其他慢性病的隨訪工作提供參考。基于云平臺(tái)的腦卒中智能隨訪模型采用了最新的科學(xué)技術(shù)和操作模式，模型的適用性會(huì)受到患者地域分布、文化水平、收入水平等多方面因素的影響，也是我們下一步要研究的內(nèi)容。

［1］Johnston SC，Mendis S，Mathers CD.Global variation in stroke burden and mortality:estimates from monitoring，surveillance，and modeling［J］.Lancet Neurol，2009(8):345 －354.

［2］Wei JW，Wang JG，Huang Y，et al.Secondary prevention of ischemic stroke in urban China［J］.Stroke，2010，41(5):967－974.

［3］Liu M，Wu B，Wang WZ，et al.Stroke in Chinaepidemiology，prevention，and management strategies［J］.Lancet Neurol，2007，6(5):456 －464.

［4］Feng W，Hendry RM，Adams RJ.Risk of recurrent stroke，myocardial infarction，or death in hospitalized stroke patients［J］.Neurology，2010，74(7):588 －593.

［5］Liu L，Wang D，Wong KS，et al.Stroke and stroke care in China:huge burden，significant workload，and a national priority［J］.Stroke，2011，42(12):3651 －3654.

［6］Wolfe CD.The impact of stroke［J］.Br Med Bull，2000，56(2):275－286.

［7］Weimar C1，Diener HC，Alberts MJ，et al.The Essen stroke risk score predicts recurrent cardiovascular events:a validation within the REduction of Atherothrombosis for Continued Health(REACH)registry［J］.Stroke，2009，40(2):350－354.

［8］Johnston SC1，Rothwell PM，Nguyen － Huynh MN，et al.Validation and refinement of scores to predict vrey early stroke risk after transient ischaemic attack ［J］.Lancet，2007，369(9558):283 －292.