許芳芳，胡江，陳維仁，周敏

（1.杭州脈興醫(yī)療科技有限公司，浙江 杭州；2.浙江大學(xué)醫(yī)學(xué)院附屬第一醫(yī)院信息中心，浙江 杭州）

1 背景介紹

重癥患者或重大手術(shù)后的患者在重癥監(jiān)護(hù)室（ICU）內(nèi)通過(guò)多種生命支持系統(tǒng)以維持生理功能[1]?；颊咴贗CU內(nèi)會(huì)被頻繁持續(xù)的記錄生命體征和實(shí)驗(yàn)室測(cè)量等多種數(shù)據(jù)。由于高頻次的數(shù)據(jù)采集，數(shù)十年來(lái)ICU內(nèi)已經(jīng)形成了一個(gè)巨大的臨床醫(yī)療數(shù)據(jù)信息庫(kù)，這儼然是一種重要的、可被利用的醫(yī)療資源。

近年來(lái)，人工智能在醫(yī)學(xué)領(lǐng)域的發(fā)展非?？欤貏e是在精準(zhǔn)醫(yī)學(xué)方面，隨著人工智能在理論研究和實(shí)際應(yīng)用方面取得重大進(jìn)展，大數(shù)據(jù)人工智能將在精準(zhǔn)醫(yī)學(xué)領(lǐng)域發(fā)揮核心作用。

其實(shí)，現(xiàn)今已經(jīng)有許多標(biāo)準(zhǔn)化數(shù)據(jù)庫(kù)被開(kāi)發(fā)出來(lái)供公眾訪問(wèn)和使用。例如重癥監(jiān)護(hù)醫(yī)療信息中心（Medical Information Mart for Intensive Care-Ⅲ，MIMIC-Ⅲ），由麻省理工學(xué)院計(jì)算生理學(xué)研究所，Beth Israel Deaconess醫(yī)學(xué)中心（BIDMC）和飛利浦醫(yī)學(xué)建立。MIMIC-Ⅲ數(shù)據(jù)庫(kù)包含了與2001年至2012年期間入住重癥監(jiān)護(hù)病房的成年（16歲或以上）患者的53，423例住院記錄相關(guān)的數(shù)據(jù)[2]。此外，它還包含2001年至2008年間收治的7870名新生兒的數(shù)據(jù)[2]。具體而言，MIMIC-Ⅲ數(shù)據(jù)庫(kù)包括來(lái)自38，597名成人和7，870名新生兒的人口統(tǒng)計(jì)信息、實(shí)驗(yàn)室測(cè)試數(shù)據(jù)和生命體征數(shù)據(jù)庫(kù)以及他們的臨床診斷和治療數(shù)據(jù)等。

在國(guó)內(nèi)，浙江大學(xué)第一附屬醫(yī)院（First Affiliated Hospital of Zhejiang University，F(xiàn)AHZU）從本世紀(jì)初開(kāi)始，在總結(jié)與分析了眾多醫(yī)院信息化建設(shè)的基礎(chǔ)上，提煉出醫(yī)院的管理理論，開(kāi)發(fā)了全新的以患者醫(yī)療信息為中心，加強(qiáng)醫(yī)院管理為核心的新一代的HIS系統(tǒng)，從而優(yōu)化了醫(yī)院的信息存儲(chǔ)與業(yè)務(wù)流程[3]。在醫(yī)院的發(fā)展過(guò)程中，持續(xù)開(kāi)發(fā)了基于HIS的信息系統(tǒng)來(lái)存儲(chǔ)電子病歷，護(hù)理信息以及醫(yī)囑信息。到目前為止，已經(jīng)建立了六個(gè)診斷和治療平臺(tái)，包括分診平臺(tái)，藥代動(dòng)力學(xué)平臺(tái)和遠(yuǎn)程醫(yī)療[4]。在FAHZU全面建設(shè)醫(yī)療信息化的基礎(chǔ)上我們類比MIMIC-Ⅲ 建立了FAHZU的ICU?？茢?shù)據(jù)庫(kù)，稱之為FAHZU-ICU。2017年11月29日，F(xiàn)AHZU正式通過(guò)了HIMSS EMRAM（住院）六級(jí)現(xiàn)場(chǎng)評(píng)估。

機(jī)器學(xué)習(xí)已廣泛應(yīng)用于臨床研究。Weng等人基于常規(guī)臨床數(shù)據(jù)，使用多種機(jī)器學(xué)習(xí)技術(shù)，如隨機(jī)森林、邏輯回歸、梯度增強(qiáng)機(jī)器以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)心血管風(fēng)險(xiǎn)[5]。Celi等人應(yīng)用機(jī)器學(xué)習(xí)方法來(lái)預(yù)測(cè)ICU中的液體需求[6]。此外，Wen等人使用隨機(jī)森林建立造影劑誘發(fā)腎病的術(shù)前預(yù)測(cè)模型[7]。也有Bera、Vairavan等學(xué)者使用邏輯回歸評(píng)估MIMIC-Ⅲ數(shù)據(jù)庫(kù)中ICU患者的死亡風(fēng)險(xiǎn)[8-9]。

本文旨在從MIMIC-Ⅲ和FAHZU-ICU數(shù)據(jù)庫(kù)出發(fā)，預(yù)測(cè)ICU患者的死亡風(fēng)險(xiǎn)，比較它們的模型預(yù)測(cè)效果并評(píng)估特征的重要性。

2 資料與方法

2.1 ICU 數(shù)據(jù)庫(kù)

基于MIMIC-Ⅲ v1.4和FAHZU-ICU數(shù)據(jù)庫(kù)數(shù)據(jù)建立預(yù)測(cè)模型。MIMIC-Ⅲ 數(shù)據(jù)庫(kù)共包含61，532個(gè)具有出院狀態(tài)標(biāo)記的樣本，其中存活54323例，死亡6，609例。FAHZU-ICU數(shù)據(jù)庫(kù)中的原始數(shù)據(jù)包含5670個(gè)具有出院狀態(tài)標(biāo)記的樣本，包括101個(gè)死亡樣本和5569個(gè)存活樣本。

2.2 特征選取

根據(jù)臨床醫(yī)生權(quán)威性梳理和實(shí)際可用性原則來(lái)選擇兩個(gè)數(shù)據(jù)集中的候選變量。其中包括人口統(tǒng)計(jì)學(xué)變量、生命體征變量、實(shí)驗(yàn)室生理檢查變量、各類評(píng)分信息變量等。如果患者在一天內(nèi)多次進(jìn)行測(cè)量，則使用平均值、最大值和最小值來(lái)產(chǎn)生衍生特征。在刪除了數(shù)據(jù)缺失嚴(yán)重的變量后，MIMIC-Ⅲ 數(shù)據(jù)集中的166個(gè)特征和FAHZU-ICU數(shù)據(jù)集中的106個(gè)特征用于預(yù)測(cè)。

2.3 模型建立和驗(yàn)證

由于兩個(gè)數(shù)據(jù)集中幸存者數(shù)量和患者死亡人數(shù)之間存在嚴(yán)重的不均衡問(wèn)題，根據(jù)模型效果進(jìn)行優(yōu)化調(diào)整，最終使用每個(gè)數(shù)據(jù)集中的所有死亡樣本，并隨機(jī)選擇兩倍于死亡樣本的生存樣本，采用基于隨機(jī)森林（Random Forest）的分類預(yù)測(cè)算法來(lái)建立預(yù)測(cè)模型，并使用5折交叉驗(yàn)證下的受試者工作特征曲線（ROC）內(nèi)的區(qū)域面積（AUC）、特異性（Specificity）、靈敏度（Sensitivity）對(duì)模型性能進(jìn)行評(píng)估。

3 結(jié)果

模型預(yù)測(cè)效果如表1所示。在MIMIC-Ⅲ 數(shù)據(jù)集中，5折交叉驗(yàn)證下的平均靈敏度和特異性分別為0.76和0.88，AUC和準(zhǔn)確度分別為0.82和0.83。在FAHZU-ICU數(shù)據(jù)集中，5折交叉驗(yàn)證下的平均靈敏度和特異性分別為0.631579和0.838027，AUC和準(zhǔn)確度分別為0.73和0.79。顯然，使用MIMIC-Ⅲ 數(shù)據(jù)集的預(yù)測(cè)性能比使用FAHZU-ICU數(shù)據(jù)的預(yù)測(cè)性能要好得多。

表1 使用MIMIC-Ⅲ和FAHZU-ICU數(shù)據(jù)集預(yù)測(cè)ICU死亡率的表現(xiàn)

接下來(lái)，我們研究了各種特征如何影響兩個(gè)數(shù)據(jù)集中的死亡率預(yù)測(cè)結(jié)果。表2顯示了兩個(gè)數(shù)據(jù)集中各自對(duì)模型預(yù)測(cè)效果最重要的15個(gè)特征。在FAHZU-ICU數(shù)據(jù)集中，排名靠前的特征是相關(guān)酶，例如羥基丁酸脫氫酶和乳酸脫氫酶。兩種酶都與心肌損傷有關(guān)，屬于兩類心肌酶。當(dāng)心肌細(xì)胞發(fā)炎和壞死時(shí)，心肌細(xì)胞中含有的酶可以進(jìn)入血液，血液中這些酶的活性（含量）會(huì)增加。血液中酶的含量將反映患者心臟和腎臟的狀態(tài)。排名靠前的重要特征還包括蛋白質(zhì)，鈉，心率和其他生理指標(biāo)，這都是反應(yīng)患者生存狀態(tài)的重要標(biāo)志。

在MIMIC-Ⅲ 數(shù)據(jù)集中，重要性排名最靠前的為評(píng)分特征，但在FAHZU-ICU數(shù)據(jù)集中沒(méi)有此類評(píng)分指標(biāo)。而FAHZU-ICU模型中排名靠前的酶在MIMIC-Ⅲ 數(shù)據(jù)集中特嚴(yán)重缺失，因此并未參與MIMIC-Ⅲ 數(shù)據(jù)集的模型進(jìn)行預(yù)測(cè)。

表2 MIMIC-Ⅲ和FAHZU-ICU數(shù)據(jù)集中最重要的15個(gè)特征

*評(píng)分特征：簡(jiǎn)化的急性生理學(xué)評(píng)分II (Simplified Acute Physiology Score II，SAPSII)；急 性 生 理 學(xué) 評(píng) 分III (Acute Physiology Score III，APSIII)；牛津急性疾病嚴(yán)重程度評(píng)分(Oxford Acute Severity of Illness Score，OASIS)；簡(jiǎn)化的急性生理學(xué)評(píng)分(Simplified Acute Physiology Score ，SAPS)；Logistic器 官 功 能 障礙 評(píng) 分(Logistic Organ Dysfunction Score，LODS)；改 良Logistic臟器功能障礙系統(tǒng)(Modified Logistic organ dysfunction system ，MOLDS)；格拉斯哥昏迷評(píng)分(Glasgow coma scale，GCS）；序貫器官衰竭估計(jì)(Sequential Organ Failure Assessment，SOFA)

表2的最后一列給出了去掉評(píng)分特征（SAPSII，APSIII，OASIS，SAPS，LODS，MOLDS，GCS，SOFA）后MIMIC-Ⅲ 數(shù)據(jù)集中的前15個(gè)實(shí)驗(yàn)室檢測(cè)指標(biāo)。這些非評(píng)分特征中的某些特征也出現(xiàn)在FAHZU-ICU數(shù)據(jù)集中的前15個(gè)特征。比如凝血酶原時(shí)間（PT），國(guó)際標(biāo)準(zhǔn)化比率（inr），心率和碳酸氫鹽，表明兩個(gè)不同ICU數(shù)據(jù)集在模型表現(xiàn)上存在一些共同點(diǎn)。

4 討論

在本文中，基于FAHZU-ICU數(shù)據(jù)集和已發(fā)布的MIMIC-Ⅲ數(shù)據(jù)集，采用隨機(jī)森林的分類算法來(lái)預(yù)測(cè)兩個(gè)ICU數(shù)據(jù)集中患者的死亡風(fēng)險(xiǎn)。在MIMIC-Ⅲ 數(shù)據(jù)集中，我們獲得了AUC 0.815，準(zhǔn)確度0.825，敏感度0.761和特異性0.876的模型效果。FAHZU-ICU數(shù)據(jù)集性能相較較差，AUC為0.732，準(zhǔn)確度為0.79，靈敏度為0.631，不過(guò)0.838的特異性優(yōu)于MIMIC-Ⅲ 數(shù)據(jù)集。

這項(xiàng)研究的一大挑戰(zhàn)是生存和死亡樣本數(shù)量嚴(yán)重不均衡。這種不均衡使得隨機(jī)森林模型在決策過(guò)程中偏向生存群。為了解決這個(gè)問(wèn)題，我們對(duì)生存樣本采用了欠采樣方法，以確保生存樣本和死亡樣本的合理比例。

盡管FAHZU-ICU數(shù)據(jù)庫(kù)較小且功能較少，但它包括患者住院期間一些獨(dú)有的生理監(jiān)測(cè)數(shù)據(jù)，例如羥基丁酸脫氫酶和乳酸脫氫酶等酶類數(shù)據(jù)，與MIMIC-Ⅲ數(shù)據(jù)庫(kù)相比患者基本檢測(cè)信息更全面一些。但是SAPSII，APSIII，OASIS，SAPS，LODS，MOLDS和SOFA等在MIMIC-Ⅲ數(shù)據(jù)集的死亡風(fēng)險(xiǎn)預(yù)測(cè)模型中表現(xiàn)良好的評(píng)分指標(biāo)尚未包含在FAHZU-ICU數(shù)據(jù)庫(kù)中。

FAHZU是中國(guó)領(lǐng)先的信息數(shù)字化醫(yī)院，每年大約有一千例ICU診療記錄，到目前為止已經(jīng)收集了大量數(shù)據(jù)。但目前的醫(yī)院信息系統(tǒng)功能主要是滿足醫(yī)院管理和存貯需求。而且醫(yī)院的各類型數(shù)據(jù)分布在多個(gè)系統(tǒng)中，采集頻次也不一致，數(shù)據(jù)多源異構(gòu)的缺陷明顯，導(dǎo)致海量的臨床數(shù)據(jù)沒(méi)有得到充分發(fā)掘和有效利用。總而言之，中國(guó)的醫(yī)療數(shù)據(jù)庫(kù)采集和存儲(chǔ)系統(tǒng)還不夠成熟，有待完善，在這方面，已經(jīng)比較成熟的MIMIC-Ⅲ 數(shù)據(jù)庫(kù)或許能為國(guó)內(nèi)醫(yī)院建立標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)時(shí)，在內(nèi)容和結(jié)構(gòu)上提供一些參考。

此外，目前中國(guó)的醫(yī)療數(shù)據(jù)整體呈現(xiàn)分散存儲(chǔ)和低開(kāi)放性的特點(diǎn)。每家醫(yī)院都是一座“信息孤島”，醫(yī)療數(shù)據(jù)很難真正實(shí)現(xiàn)臨床應(yīng)用和科研轉(zhuǎn)化。這就要求醫(yī)療機(jī)構(gòu)必須加強(qiáng)自身的EMR建設(shè)，進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化的宏觀管理，規(guī)范信息存儲(chǔ)，整理數(shù)據(jù)的內(nèi)部環(huán)節(jié)。加強(qiáng)醫(yī)院信息化建設(shè)，建立專業(yè)化數(shù)據(jù)庫(kù)，是醫(yī)療人工智能快速的重要基礎(chǔ)。在未來(lái)，我們也將納入不同地域醫(yī)療機(jī)構(gòu)的數(shù)據(jù)，打破“信息孤島”，開(kāi)展死亡風(fēng)險(xiǎn)預(yù)測(cè)的多中心研究，進(jìn)一步提高預(yù)測(cè)模型的魯棒性，增加臨床可用性。