張燕，彭伶麗，梁玲玲，羅貞

病情惡化指患者經(jīng)歷的一種損害血流動(dòng)力學(xué)穩(wěn)定性的動(dòng)態(tài)變化過程，以生理失代償為特征，伴或不伴有主觀感覺異?；蚩陀^參數(shù)異常[1]。臨床住院過程中存在著大量的潛在危重患者[2]。該類患者如果不早期識(shí)別及干預(yù)，有可能在短期內(nèi)病情迅速惡化，從而發(fā)生嚴(yán)重的不良結(jié)局事件[3]，如心臟驟停、非預(yù)期死亡等。嚴(yán)重不良事件的發(fā)生不僅給患者及家屬帶來巨大打擊，同時(shí)也增加醫(yī)院負(fù)擔(dān)，容易導(dǎo)致醫(yī)療糾紛。護(hù)士與患者接觸頻繁，在病情觀察與治療中發(fā)揮著重要的作用。如果患者的病情惡化沒有被及時(shí)識(shí)別，將造成不恰當(dāng)?shù)淖o(hù)理或干預(yù)延遲[4]。

為幫助護(hù)士早期識(shí)別患者的病情惡化，國(guó)外學(xué)者構(gòu)建了多種基于患者生理參數(shù)的病情預(yù)警系統(tǒng)，如早期預(yù)警評(píng)分(Early Warning Score，EWS)[5]，改良早期預(yù)警評(píng)分(Modified Early Warning Score，MEWS)[6]，國(guó)家早期預(yù)警評(píng)分(National Early War-ning Score，NEWS)[7]等。盡管病情預(yù)警評(píng)分得到廣泛的應(yīng)用，但仍然存在不足，如評(píng)估工具包含的生理參數(shù)有限，且多是單一時(shí)點(diǎn)的評(píng)分，缺乏連續(xù)性，不能全面反映患者病情變化趨勢(shì)等。而數(shù)據(jù)挖掘技術(shù)的興起及其在病情識(shí)別方面的應(yīng)用在很大程度上解決了上述難題。本研究對(duì)數(shù)據(jù)挖掘技術(shù)在病情惡化早期識(shí)別中的應(yīng)用進(jìn)展及問題進(jìn)行綜述，旨在為護(hù)理工作提供啟示和參考。

1 數(shù)據(jù)挖掘及常見算法

隨著醫(yī)院信息系統(tǒng)的普及，產(chǎn)生了大量的醫(yī)療健康數(shù)據(jù)。醫(yī)療領(lǐng)域的數(shù)據(jù)挖掘(Data Mining，DM)是從大量、不完全、有噪聲的、模糊的、隨機(jī)的醫(yī)療健康數(shù)據(jù)信息中挖掘潛在的、有效的信息，從中找出有意義的關(guān)系、模式和趨勢(shì)等的過程[8]，涉及統(tǒng)計(jì)學(xué)、數(shù)學(xué)、機(jī)器學(xué)習(xí)方法、人工智能、數(shù)據(jù)可視化等多種技術(shù)。數(shù)據(jù)挖掘的實(shí)現(xiàn)依賴多種數(shù)據(jù)挖掘方法，應(yīng)用于病情惡化早期識(shí)別中的數(shù)據(jù)挖掘算法有邏輯回歸(Logistic Regression，LR)、貝葉斯(Bayesian Network，BN)、決策樹模型(Decision Tree Model，DTM)、隨機(jī)森林(Random Forest，RF)、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和支持向量機(jī)(Support Vector Model，SVM)等機(jī)器學(xué)習(xí)方法。

1.1邏輯回歸 邏輯回歸是一種研究因變量為二分類(可擴(kuò)展到多分類)變量與多個(gè)影響因素(自變量)之間關(guān)系的非線性回歸方法，通過篩選有意義的自變量建立模型，根據(jù)模型預(yù)測(cè)在不同的自變量情況下，發(fā)生某病或某種情況的概率[9]。

1.2貝葉斯 貝葉斯定理最初由英國(guó)學(xué)者Thomas Bayes提出，而后被發(fā)展應(yīng)用為一種統(tǒng)計(jì)推斷方法，其基本方法是將樣本信息與未知參數(shù)的先驗(yàn)信息結(jié)合，依據(jù)貝葉斯定理得出后驗(yàn)信息后進(jìn)行統(tǒng)計(jì)推斷[10]。其計(jì)算公式為P(A|B)=P(B|A)P(A)/P(B)，P(A|B)是在B發(fā)生的情況下A發(fā)生的概率。根據(jù)先驗(yàn)概率P(A)和條件概率P(B|A)最終得到后驗(yàn)概率P(A|B)。如已知某種疾病的發(fā)病率P(A)，有一種檢驗(yàn)技術(shù)診斷此病的誤診率為5%，假設(shè)一個(gè)人的檢驗(yàn)結(jié)果顯示有病，推測(cè)這個(gè)人確實(shí)患病的概率(后驗(yàn)概率)。

1.3決策樹模型 決策樹是主要用于解決分類問題的數(shù)據(jù)挖掘算法，它是一種類似樹形結(jié)構(gòu)的流程圖，一棵決策樹一般包括一個(gè)根節(jié)點(diǎn)、若干個(gè)內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn)。其中每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)屬性上的判斷，每個(gè)分支代表一個(gè)判斷結(jié)果的輸出，最后每個(gè)葉節(jié)點(diǎn)代表一種分類結(jié)果[11]。如根據(jù)Braden評(píng)分(根節(jié)點(diǎn))、翻身計(jì)劃的落實(shí)情況和皮膚損傷情況及有無促進(jìn)壓力性損傷發(fā)生的特殊情況(內(nèi)部節(jié)點(diǎn))篩選難免性壓力性損傷的高危患者(葉節(jié)點(diǎn))[12]。其目的是從中挑選出最有意義的分類變量和分類數(shù)，形成簡(jiǎn)單易讀的分類規(guī)則。

1.4隨機(jī)森林 隨機(jī)森林是將多個(gè)決策樹整合成一個(gè)分類器的集成算法[13]，不同的決策樹構(gòu)成森林。當(dāng)進(jìn)行分類時(shí)，新的輸入樣本進(jìn)入，就讓森林中的每個(gè)決策樹進(jìn)行判斷和分類，每個(gè)決策樹會(huì)生成一個(gè)分類結(jié)果，將分類結(jié)果進(jìn)行匯總，哪種分類結(jié)果最多便挑選其作為最終的分類結(jié)果。

1.5人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似大腦神經(jīng)元突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，由大量的節(jié)點(diǎn)(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成，包括輸入層、隱含層和輸出層。輸入層接受外部世界的信號(hào)與數(shù)據(jù)；經(jīng)過隱含層、輸出層的計(jì)算得到預(yù)測(cè)值，預(yù)測(cè)值為輸出層的輸出結(jié)果[14]。

1.6支持向量機(jī) 支持向量機(jī)是20世紀(jì)90年代中期由Vapnik等[15]根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論提出的一種二分類模型，其基本思想是利用核函數(shù)將輸入向量映射到一個(gè)高維的特征向量空間，并在該特征空間中構(gòu)造最優(yōu)分類面[16]，以正確劃分訓(xùn)練數(shù)據(jù)集區(qū)分不同類別的樣本。

2 基于數(shù)據(jù)挖掘算法的病情惡化預(yù)警模型的構(gòu)建及應(yīng)用

2.1幫助醫(yī)護(hù)人員識(shí)別潛在危重患者，減少嚴(yán)重不良事件發(fā)生 由于ICU床位的數(shù)量限制，部分被轉(zhuǎn)入到普通病房的潛在危重患者容易因監(jiān)護(hù)不到位、臨床決策失誤等原因而造成嚴(yán)重的不良事件[17]。據(jù)報(bào)道，因病情惡化未被識(shí)別使患者轉(zhuǎn)入ICU延遲、需要接受心肺復(fù)蘇所致的病死率高達(dá)67%[18]。早期識(shí)別潛在危重患者，對(duì)減少嚴(yán)重不良事件、改善患者臨床結(jié)局意義重大[19]。Ghosh等[20]收集11 362例普通病房患者的生命體征，使用樸素貝葉斯算法形成了病情惡化早期預(yù)警指標(biāo)評(píng)分(Early Deterioration Indicator，EDI)用于識(shí)別死亡或需轉(zhuǎn)入ICU或過渡ICU(Progressive Care Unit，PCU)的患者，結(jié)果發(fā)現(xiàn)該評(píng)分比常用的MEWS評(píng)分、NEWS評(píng)分的預(yù)測(cè)準(zhǔn)確性更高，且發(fā)現(xiàn)病情惡化的時(shí)間從惡化前7 h提前至惡化前24 h。另有研究顯示，利用多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)普通病區(qū)的患者發(fā)生非計(jì)劃性轉(zhuǎn)入ICU進(jìn)行預(yù)測(cè)，該模型能將預(yù)測(cè)窗口提前至轉(zhuǎn)ICU前的16 h[21]。這類預(yù)警模型能較好地預(yù)測(cè)普通病房患者嚴(yán)重不良結(jié)局的發(fā)生，從而有助于護(hù)理人員對(duì)可能發(fā)生不良事件的高危人群實(shí)施積極干預(yù)，降低致殘率、病死率等[22]。

2.2幫助醫(yī)護(hù)人員尋找病情惡化的早期預(yù)警指標(biāo) 病情惡化的預(yù)警指標(biāo)即預(yù)測(cè)患者發(fā)生病情惡化的預(yù)測(cè)因子，通常為與病情惡化相關(guān)的各種臨床變量。數(shù)據(jù)挖掘技術(shù)通過從眾多臨床變量中遴選有意義的變量建立預(yù)警模型，能幫助醫(yī)護(hù)人員尋找病情惡化的危險(xiǎn)因素，輔助臨床決策。Churpek等[23]回顧了269 999例住院患者的人口學(xué)資料、實(shí)驗(yàn)室檢查及生命體征數(shù)據(jù)，比較不同數(shù)據(jù)挖掘算法建立的預(yù)警模型預(yù)測(cè)心臟驟停、非計(jì)劃轉(zhuǎn)ICU和死亡的準(zhǔn)確性，結(jié)果發(fā)現(xiàn)隨機(jī)森林模型的預(yù)測(cè)準(zhǔn)確性最高，其中呼吸頻率、心率、年齡、收縮壓是模型中最重要的預(yù)測(cè)變量。Zhai等[24]運(yùn)用邏輯回歸方法從36個(gè)臨床變量(包括生命體征、意識(shí)水平、疼痛、呼吸做功)中篩選出29個(gè)變量，建立兒童非計(jì)劃轉(zhuǎn)ICU的預(yù)警模型，結(jié)果顯示該模型的預(yù)測(cè)效能較現(xiàn)有的兒童早期預(yù)警評(píng)分[25]更佳。模型中早期預(yù)警指標(biāo)異常對(duì)患者的病情惡化有著指示作用，是護(hù)士進(jìn)行病情觀察的重要指標(biāo)。

2.3評(píng)估疾病嚴(yán)重程度，預(yù)測(cè)ICU住院病死率 ICU患者多為器官或系統(tǒng)功能衰竭的危重患者，可同時(shí)患有多種疾病，并發(fā)癥的發(fā)生率和病死率極高[26]?；颊哚t(yī)療費(fèi)用高，護(hù)士的工作量大，通過評(píng)估患者病情嚴(yán)重程度和死亡風(fēng)險(xiǎn)能避免過度治療，同時(shí)提升護(hù)士處理危重患者突發(fā)事件的應(yīng)對(duì)能力，提高ICU住院患者的總體生存率[27]。

近年來，學(xué)者們相繼開發(fā)了多種基于數(shù)據(jù)挖掘技術(shù)的ICU死亡預(yù)警模型。謝俊卿等[28]基于國(guó)外的大型重癥醫(yī)療數(shù)據(jù)庫MIMIC-Ⅲ(Medical Information Mart for Intensive Care)，提取第二代簡(jiǎn)化急性生理評(píng)分模型(Simplified Acute Physiology Score，SAPS-Ⅱ)[29]中的17個(gè)變量，應(yīng)用隨機(jī)森林算法建立ICU患者住院死亡風(fēng)險(xiǎn)預(yù)測(cè)模型，發(fā)現(xiàn)其曲線下面積高達(dá)0.855，其預(yù)測(cè)的準(zhǔn)確性較高，這與Ng等[30]的研究結(jié)果一致。潘昌霖等[31]收集來自心臟、內(nèi)外科及創(chuàng)傷等ICU的4 000例患者的生理生化數(shù)據(jù)，運(yùn)用貝葉斯算法建立ICU患者住院病死率的預(yù)測(cè)模型，該模型包含體溫、呼吸、心率、收縮壓及血糖、白蛋白等共25個(gè)變量，結(jié)果顯示其能很好地區(qū)分出住院死亡的患者。綜上，利用數(shù)據(jù)挖掘算法建立的預(yù)警模型可能比常用的病情評(píng)分工具預(yù)測(cè)ICU病死率更準(zhǔn)確，能幫助護(hù)理人員對(duì)患者病情作出正確評(píng)價(jià)，從而加強(qiáng)對(duì)危重患者的監(jiān)測(cè)和實(shí)施緊急干預(yù)，提高患者的生存率。

2.4幫助急診醫(yī)護(hù)人員進(jìn)行分流，保證急診運(yùn)營(yíng)效率 急診科就診的患者病情嚴(yán)重程度不一，優(yōu)先救治危重患者，避免醫(yī)療資源浪費(fèi)，評(píng)估患者病情以合理分診，是急診科工作的重要環(huán)節(jié)，也是緩解急診科擁擠現(xiàn)象，減少漏診和誤診，避免醫(yī)療糾紛的關(guān)鍵。Ong等[32]以心臟驟停和死亡為結(jié)局事件，收集925例急診科患者的前瞻性隊(duì)列數(shù)據(jù)，以患者入院72 h內(nèi)心臟驟停和死亡為預(yù)測(cè)結(jié)局，利用支持向量機(jī)算法形成基于心率變異性指標(biāo)、年齡、生命體征的預(yù)測(cè)評(píng)分系統(tǒng)，以最佳截?cái)嘀底鳛榕R界點(diǎn)，通過計(jì)算得分將急診患者分為低、中、高危組。根據(jù)這一風(fēng)險(xiǎn)分層工具，護(hù)士能區(qū)分不同風(fēng)險(xiǎn)的心臟驟停和死亡患者，從而進(jìn)行合理分流，在醫(yī)療資源有限的條件下指導(dǎo)優(yōu)先救治危重患者，使醫(yī)療資源利用最大化。

3 數(shù)據(jù)挖掘技術(shù)應(yīng)用于病情惡化早期識(shí)別領(lǐng)域的問題及啟示

2016年，國(guó)務(wù)院印發(fā)的《“健康中國(guó)2030”規(guī)劃綱要》提出要加強(qiáng)醫(yī)療大數(shù)據(jù)應(yīng)用體系建設(shè)，推進(jìn)醫(yī)療健康大數(shù)據(jù)開放共享、深度挖掘和廣泛應(yīng)用[33]。但目前國(guó)內(nèi)醫(yī)療數(shù)據(jù)挖掘還處于起步階段，且存在較多問題。

3.1自身?xiàng)l件限制

3.1.1許多預(yù)警模型基于國(guó)外人群，外推性較差，未進(jìn)行臨床應(yīng)用 許多數(shù)據(jù)挖掘算法建立的預(yù)警模型依賴國(guó)外人群的數(shù)據(jù)集，存在人種差異，能否應(yīng)用于國(guó)內(nèi)的目標(biāo)人群存在爭(zhēng)議；大多數(shù)研究是基于回顧性的數(shù)據(jù)集開展的單中心研究，存在數(shù)據(jù)缺失、記錄錯(cuò)誤等問題，模型的外推性較差；同時(shí)，關(guān)于模型效能驗(yàn)證的前瞻性研究較少，沒有進(jìn)行實(shí)際的臨床應(yīng)用。因此醫(yī)護(hù)人員在選擇使用此類預(yù)警模型時(shí)應(yīng)謹(jǐn)慎，今后有必要開展多中心、前瞻性的研究對(duì)模型的效能進(jìn)行驗(yàn)證。

3.1.2某些模型中預(yù)警指標(biāo)的權(quán)重未知，不能指導(dǎo)提供針對(duì)性的護(hù)理措施 依靠傳統(tǒng)算法如邏輯回歸建立的模型能明確知道模型中每個(gè)指標(biāo)的權(quán)重，而某些數(shù)據(jù)挖掘算法如神經(jīng)網(wǎng)絡(luò)方法、隨機(jī)森林算法是一個(gè)黑匣子(BlackBox)[34-35]，得出的結(jié)論無法進(jìn)行解釋，只能作為軟件應(yīng)用程序來運(yùn)行以達(dá)到預(yù)測(cè)的目的。由于可解釋性差，護(hù)理人員無法知曉需要著重干預(yù)的影響因素，不能為實(shí)施針對(duì)性護(hù)理措施提供指導(dǎo)。

3.2客觀條件限制

3.2.1護(hù)理記錄未標(biāo)準(zhǔn)化導(dǎo)致數(shù)據(jù)處理困難 護(hù)理記錄是護(hù)理病歷的重要組成部分，目前國(guó)內(nèi)各個(gè)醫(yī)療機(jī)構(gòu)內(nèi)部及醫(yī)療機(jī)構(gòu)之間對(duì)于護(hù)理記錄的書寫沒有統(tǒng)一標(biāo)準(zhǔn)。護(hù)理記錄存在數(shù)據(jù)缺失、表達(dá)不清、未包含某些數(shù)據(jù)如交班記錄、壓瘡的圖片等問題[36]，給數(shù)據(jù)處理造成了很大困難。為此明尼蘇達(dá)大學(xué)護(hù)理學(xué)院舉辦了利用大數(shù)據(jù)和科學(xué)改變醫(yī)療共識(shí)會(huì)議，旨在推進(jìn)電子病歷中標(biāo)準(zhǔn)化護(hù)理術(shù)語的整合[37]。因此實(shí)現(xiàn)護(hù)理信息共享，有必要由相關(guān)組織牽頭開展類似活動(dòng)，同時(shí)借鑒國(guó)際上現(xiàn)存的標(biāo)準(zhǔn)化護(hù)理術(shù)語集來發(fā)展符合中國(guó)國(guó)情的標(biāo)準(zhǔn)化護(hù)理術(shù)語集，推動(dòng)護(hù)理術(shù)語逐步實(shí)現(xiàn)標(biāo)準(zhǔn)化。

3.2.2缺乏管理和開發(fā)大型臨床數(shù)據(jù)集的專業(yè)人員 數(shù)據(jù)挖掘算法非常復(fù)雜，需要計(jì)算機(jī)技術(shù)的輔助。臨床醫(yī)護(hù)人員具備豐富的專業(yè)知識(shí)和實(shí)踐經(jīng)驗(yàn)，但對(duì)于數(shù)據(jù)挖掘方法、計(jì)算機(jī)技術(shù)等并不精通，因此還需培養(yǎng)精通護(hù)理信息學(xué)方面的專業(yè)人才或者與專業(yè)人士協(xié)作。國(guó)外的護(hù)理信息學(xué)教育起源于20世紀(jì)80年代后期，英美等發(fā)達(dá)國(guó)家陸續(xù)開設(shè)了護(hù)理信息學(xué)專業(yè)課程[38]。我國(guó)的護(hù)理信息學(xué)教育才剛起步，今后應(yīng)在本科、研究生課程中加入護(hù)理信息學(xué)的課程，培養(yǎng)精通護(hù)理與信息學(xué)的復(fù)合人才，推動(dòng)臨床護(hù)理、護(hù)理科研、護(hù)理教育的發(fā)展。

3.2.3實(shí)時(shí)處理和分析數(shù)據(jù)存在缺陷 早期預(yù)警需要護(hù)理人員動(dòng)態(tài)的、連續(xù)的監(jiān)測(cè)，從而實(shí)時(shí)了解其病情變化趨勢(shì)，提高預(yù)測(cè)的準(zhǔn)確性[39]。Hackmann等[40]采用電子病歷系統(tǒng)和實(shí)時(shí)傳感器系統(tǒng)來識(shí)別病情惡化，具體流程包括無線傳感器網(wǎng)絡(luò)將患者實(shí)時(shí)的生命體征數(shù)據(jù)導(dǎo)入到電子病歷系統(tǒng)中，不良事件監(jiān)測(cè)裝置分析導(dǎo)入的數(shù)據(jù)并在患者出現(xiàn)病情變化時(shí)自動(dòng)通知醫(yī)護(hù)人員。彭伶麗等[41]將MEWS評(píng)分表植入到電子病歷系統(tǒng)中，護(hù)士輸入生命體征數(shù)值后系統(tǒng)可自動(dòng)計(jì)算MEWS分值，但缺少關(guān)于自動(dòng)監(jiān)測(cè)和通知系統(tǒng)的報(bào)道。開發(fā)信息系統(tǒng)以實(shí)現(xiàn)床旁監(jiān)測(cè)設(shè)備數(shù)據(jù)向電子病歷系統(tǒng)的實(shí)時(shí)傳輸，將預(yù)警模型嵌入電子病歷系統(tǒng)評(píng)估患者的病情，將是未來研究的重點(diǎn)和難點(diǎn)。

4 小結(jié)

病情惡化的早期識(shí)別是管理臨床危重癥患者或潛在危重患者的有效手段，通過早期的風(fēng)險(xiǎn)感知，幫助醫(yī)護(hù)人員在病情惡化早期采取針對(duì)性的治療護(hù)理，從而減少住院嚴(yán)重不良結(jié)局事件的發(fā)生，維護(hù)患者安全，降低醫(yī)療成本。

多種數(shù)據(jù)挖掘技術(shù)被應(yīng)用于病情惡化早期識(shí)別的模型構(gòu)建中，且顯示了較高的準(zhǔn)確性，但目前缺少對(duì)此類模型的效能驗(yàn)證以及與傳統(tǒng)病情評(píng)估工具的比較分析，今后有必要開展多中心、前瞻性的研究驗(yàn)證模型的有效性。護(hù)理記錄術(shù)語尚未實(shí)現(xiàn)標(biāo)準(zhǔn)化，護(hù)理信息教育學(xué)還處于起步階段，阻礙了數(shù)據(jù)挖掘技術(shù)在醫(yī)療數(shù)據(jù)中的發(fā)展，應(yīng)在借鑒國(guó)外先進(jìn)經(jīng)驗(yàn)的基礎(chǔ)上建立適合我國(guó)國(guó)情的標(biāo)準(zhǔn)化護(hù)理記錄術(shù)語集，大力開展護(hù)理信息學(xué)教育。另外，數(shù)據(jù)挖掘還有賴醫(yī)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科的交叉和融合，開發(fā)人工智能化系統(tǒng)進(jìn)行實(shí)時(shí)數(shù)據(jù)處理和分析將是未來的研究方向，有助于醫(yī)護(hù)人員更精準(zhǔn)地預(yù)測(cè)病情發(fā)展趨勢(shì)、輔助臨床決策，維護(hù)患者安全。