李科威　丁長松　王澤亮　梁昊

〔摘要〕 當(dāng)前病歷的主流形態(tài)是電子病歷（EMR）模板式形態(tài)。分析模板病歷的問題，提出從人工智能（AI）思路與技術(shù)視角，對比闡述一種新的病歷形態(tài)，即網(wǎng)格病歷形態(tài);并以同步臨床決策支持（CDS）為條件，論述建構(gòu)網(wǎng)格病歷的基本方法、基本形態(tài)、基本操作和主要優(yōu)勢，展示其解決臨床問題的多種能力。

〔關(guān)鍵詞〕 電子病歷;醫(yī)學(xué)人工智能;臨床流程重組;模板病歷;網(wǎng)格病歷;臨床決策支持

〔中圖分類號〕R241;TP18? ? ? ?〔文獻(xiàn)標(biāo)志碼〕A? ? ? ?〔文章編號〕doi：10.3969/j.issn.1674-070X.2021.01.005

〔Abstract〕 At present， the main morphology of medical record is the template of electronic medical record （EMR）. This article analyzed the problem with the medical record template， from the perspective of artificial intelligence （AI） and technology to compare and expound the new record morphology， that is， the morphology of medical record meshing. Based on the condition of synchronous clinical decision support （CDS）， this paper discussed the basic methods， basic forms， basic operations and main advantages of constructing meshing medical records， and showed its various abilities to solve clinical problems.

〔Keywords〕 electronic medical record; artificial intelligence in medicine; clinical process reengineering; medical record template; medical record meshing; clinical decision support

病歷，是臨床過程之記錄，更是臨床判斷之依據(jù)[1]。病歷分為兩個階段：一是病情采集，即錄入患者的癥狀、體征、檢驗、檢查項等;二是病情判斷和處置，即依據(jù)采集的信息，對患者進(jìn)行判斷及給予診療方案，包括診斷結(jié)果、病情評估、檢查、治療方案等[2]。兩階段經(jīng)過長期交互形成穩(wěn)定的醫(yī)療思維，涵養(yǎng)出了因果明晰的醫(yī)學(xué)邏輯關(guān)系。更進(jìn)一步，病歷是醫(yī)生臨床思路的具體展示，是診療決策的主要依據(jù)，更是醫(yī)院留得下、看得見、管得了、用得了的核心數(shù)據(jù)。過去，病歷不僅是臨床診療的產(chǎn)物，更是質(zhì)控與管理的主要抓手;現(xiàn)在，病歷更賦予了數(shù)據(jù)價值，是醫(yī)學(xué)人工智能（artificial intelligence， AI）的基礎(chǔ)[3]。

1 模板病歷的產(chǎn)生與基本定義

解析《病歷書寫基本規(guī)范》[4]有關(guān)規(guī)定，追溯臨床（門診）繁瑣復(fù)雜且不穩(wěn)定的一系列工作環(huán)節(jié)，造成的實際情況是：醫(yī)生遵循復(fù)雜范式的勞動，卻難以獲得相應(yīng)價值的報酬，因而助推了作業(yè)過程趨向潦草;同時也因為病情離散，醫(yī)患溝通不易聚焦，促使醫(yī)生的思考路線也比較信馬由韁、自由隨機(jī)。這些問題都將體現(xiàn)在病歷質(zhì)量上。

為提高和保障病歷質(zhì)量，醫(yī)政管理部門在電子病歷（electronic medical record， EMR）條件下，提出主要解決辦法：啟用由電子文本拷貝功能演化出來的模板方法，希望能夠同步解決醫(yī)生病歷撰寫和上級目標(biāo)管理的困擾。因此，當(dāng)前醫(yī)院病歷的記錄主要是基于模板生成的。對模板的理解，主要依據(jù)《電子病歷系統(tǒng)功能規(guī)范》[5]中的兩段文字：“按照疾病病種選擇所需模板，模板內(nèi)容應(yīng)當(dāng)符合該疾病現(xiàn)有診療指南、規(guī)范要求”;“結(jié)構(gòu)化模板至少包含單選項、多選項、必填項、填空、不可修改文本等元素”。其中理解要點是：（1）模板是單病種方式，（2）模板內(nèi)容符合診療規(guī)范，（3）模板給出對應(yīng)此病診斷的大篇幅備選條件。

2 病歷模板的功與過

電子病歷模板法的推廣，迅速改變了手寫“天書病歷”的存在基礎(chǔ)，大幅度提高臨床撰寫效率，實現(xiàn)了病歷整齊易讀，從根本上改變了病歷自下而上的查詢問題[6]。這些都是電子化文本技術(shù)的應(yīng)用所帶來的。

與此同時，模板病歷存在一定問題。模板，即便借用了結(jié)構(gòu)化的概念，它都是一種預(yù)先定制業(yè)務(wù)內(nèi)容的文本結(jié)構(gòu)，供醫(yī)生調(diào)用。因為模板只能是單病種調(diào)用及文本化結(jié)構(gòu)，勢必帶來四種問題：（1）臨床邏輯前后倒置。模板應(yīng)用過程是先有預(yù)設(shè)診斷，其后調(diào)用相關(guān)模板，再依模板規(guī)定采集病情信息。先判斷疾病，后收集病情，悖反了醫(yī)學(xué)邏輯，一旦模板誤套，難以糾錯。另外，模板作業(yè)也不便設(shè)置流程性負(fù)反饋應(yīng)答機(jī)制。（2）模板設(shè)計的單病種假定。這種假定的缺陷是人的疾病依從于單病種規(guī)范，這將給疊加、交叉和共生等復(fù)雜狀態(tài)的診療設(shè)置障礙，使模板不能完全貼合臨床實踐。（3）流程固化。臨床流程本應(yīng)追隨診斷因素不斷變化的多環(huán)節(jié)流程。而在模板模式中，各種可能的動態(tài)變化，都預(yù)先整合為文本方式表達(dá)的固態(tài)流程。若僅僅作為參閱的標(biāo)準(zhǔn)是可行，但作為可執(zhí)行的流程，或?qū)⒎恋K疾病的非線性表達(dá)。（4）難以數(shù)據(jù)清洗。模板構(gòu)成，以及由模板生成的病歷構(gòu)成，都包含判別依據(jù)和輔助記錄的兩種成分。輔助記錄中，也會包含臨床內(nèi)容的文字，并將被同等于判據(jù)進(jìn)行認(rèn)定，從而給深度學(xué)習(xí)的準(zhǔn)確性帶來困擾，這也為之后的大數(shù)據(jù)應(yīng)用帶來數(shù)據(jù)清洗的麻煩，增加了醫(yī)學(xué)人工智能（AI）的學(xué)習(xí)和挖掘難度[7]。

3 基于病歷需求構(gòu)建網(wǎng)格模型

病歷從創(chuàng)立之初至今，經(jīng)歷了多種變革，僅僅模板病歷是反向思考的逆向邏輯（見圖1），成為了醫(yī)生思維和醫(yī)療AI發(fā)展的桎梏。為了改變模板病歷的逆向思維模式，本研究團(tuán)隊從病歷實際應(yīng)用入手，抽取臨床作業(yè)的需求作為解決方案。一份現(xiàn)成病歷文本，篇幅或大或小，醫(yī)生據(jù)此展開臨床判斷，卻不是病歷全部內(nèi)容，而是能與醫(yī)生記憶點相碰撞的部分，已經(jīng)存在于醫(yī)生的知識框架，即醫(yī)生以現(xiàn)有知識框架套取模板或知識庫。病歷（文本）中有大量輔助性內(nèi)容，例如條件因素、正常狀態(tài)、生活影響等描述，更重要的是其中穿插著臨床意義的判據(jù)。我們只須將臨床判據(jù)抽取出來，就是一個圍繞患者病情的專業(yè)“術(shù)語群”，當(dāng)然就有了組合關(guān)聯(lián)關(guān)系。圍繞患者疾病的組合關(guān)聯(lián)術(shù)語群，它們之間存在復(fù)雜的網(wǎng)狀關(guān)聯(lián)和相互觸發(fā)的關(guān)系，這正是臨床診療決策的依據(jù)[8]。模板病歷先入為主的模式，阻礙臨床思維的進(jìn)一步發(fā)揮，即使患者病情與實際不符或發(fā)生轉(zhuǎn)變，也難以跳出模板的固化“牢籠”。針對需求，建立能夠圍繞患者病情的臨床知識關(guān)系網(wǎng)，也就近似為臨床決策支持系統(tǒng)（clinical decision support system， SDSS）建模，讓臨床思維趨于正向，病歷數(shù)據(jù)保持“中立態(tài)”，根據(jù)抽取的術(shù)語群再決定模板的框定和決策導(dǎo)向。

不難發(fā)現(xiàn)，病歷模板也包含了組合關(guān)聯(lián)術(shù)語群，只是受限于單病種壁壘，并表現(xiàn)為文本的平面狀態(tài)。單病種模板契合國家標(biāo)準(zhǔn)，若將若干個單病種模板疊加描述同一患者的疊加病情，其中的有效術(shù)語必然上下串行，擊穿單病種的平面表達(dá)，全都圍繞患者病情展現(xiàn)出一種復(fù)雜范式的網(wǎng)絡(luò)狀關(guān)聯(lián)。籍此網(wǎng)絡(luò)狀態(tài)，不難建構(gòu)一種新的病歷模式，其內(nèi)部術(shù)語關(guān)聯(lián)或近似拓?fù)淇臻g的分布狀態(tài)，從而跨越單病種平面限制，形成多層網(wǎng)絡(luò)模型[9]?；诖?，網(wǎng)格病歷的模型既能承襲電子化的多重優(yōu)點，又可揚(yáng)棄模板病歷的諸多不足。見圖2。

4 網(wǎng)格病歷的基本構(gòu)成與樣式

4.1? 鏈條化操作

網(wǎng)格形態(tài)的病歷，第一是字典，作為術(shù)語的結(jié)構(gòu)化載體;第二是流程，必然蘊(yùn)涵在診療過程之中。首先，流程與字典的整合：從主訴開始，啟動環(huán)環(huán)相扣的臨床流程;流程每一個環(huán)節(jié)均用一個字典支持，給定一個窗體表達(dá)，字典大小決定業(yè)務(wù)邊界。第三是AI技術(shù)，窗體之間內(nèi)容的流程性銜接，依靠AI技術(shù)貫穿首尾，形成一個頗為連貫的證據(jù)鏈條，見圖3。流程借窗體來實現(xiàn)與表達(dá)，相接續(xù)的每一個窗體，借助決策引擎的推動，為醫(yī)生傳遞符合臨床邏輯的步進(jìn)式引導(dǎo)，并且以線程并行的運(yùn)算方式，執(zhí)行多學(xué)科會診模式。以上流程可以簡單描述為：網(wǎng)格病歷=字典+流程重組+臨床決策[10]。

4.2? 模塊化展示

字典中的詞條（知識點），在本窗體內(nèi)表現(xiàn)為一個按層級延展的知識體系。設(shè)定術(shù)語臨床應(yīng)用的依據(jù)是病情與觸發(fā)關(guān)系，術(shù)語使用數(shù)量不受限制，從而體現(xiàn)個性化非對稱描述。前后窗體（環(huán)節(jié)）之間，保持穩(wěn)定的邏輯順序性（流程）關(guān)聯(lián)。如此，縱向與橫向結(jié)構(gòu)的整體，即網(wǎng)格狀態(tài)，可以有條不紊地描述臨床非線性過程。形式上依附于窗體表達(dá)的網(wǎng)格狀態(tài)，能輕易自由切換中醫(yī)或西醫(yī)路線，診療內(nèi)容（術(shù)語）選擇多樣化，在病種、?？颇酥敛煌t(yī)學(xué)體系之間自由跳轉(zhuǎn)，實現(xiàn)病種的疊加或交叉等操作過程。網(wǎng)格病歷操作完成后，將自動記錄保存，并轉(zhuǎn)換為政府或醫(yī)院規(guī)定樣式的格式病歷。網(wǎng)格病歷的樣式可訪問http：//cc.boyli.net進(jìn)行查看。模塊化展示明顯優(yōu)于單純大段病歷文本：不僅可以快速定位病歷的各個模塊，又不失病情、診斷、治療的整體性。模塊化展示和文本病歷之間的轉(zhuǎn)化是可逆的，這得益于網(wǎng)格病歷系統(tǒng)中強(qiáng)大的自然語言處理（natural language processing， NLP）[11]和精準(zhǔn)的醫(yī)療術(shù)語抽取方式。因此，網(wǎng)格病歷系統(tǒng)并非只能處理和轉(zhuǎn)化自身系統(tǒng)生成的病歷，也可以快速分析其他渠道導(dǎo)入的文本病歷，讓病歷在模塊化和文本化之間收放自如;這將提高文本病歷的可讀性和界面友好度，讓病歷傳閱、專家會診、病情討論的效率大大提升。

4.3? 動態(tài)化監(jiān)測

受限于文本數(shù)據(jù)的清洗和挖掘難度，病情監(jiān)控及病歷質(zhì)控，一直是傳統(tǒng)電子病歷的軟肋。傳統(tǒng)方式只是簡單監(jiān)控醫(yī)囑，如藥物禁忌、藥量、搭配等內(nèi)容，這些內(nèi)容界限清晰容易定量;對于病情與臨床決策是否吻合、處置是否恰當(dāng)、病歷書寫是否有瑕疵等模糊的問題，傳統(tǒng)病歷系統(tǒng)難以找到合適的解決方案。網(wǎng)格病歷在病歷鏈條化過程中，實時監(jiān)測病情并糾正提示，不僅可以避免病歷中出現(xiàn)的類似左腿錯寫成右腿的這種低級錯誤，還可對當(dāng)前診斷和治療進(jìn)行協(xié)助判斷，整體上對病情更容易掌控，減少漏診、誤診和病歷模板的錯誤套用。

5 網(wǎng)格病歷的流態(tài)化

網(wǎng)格病歷仍在探索階段，已經(jīng)逐步解決了傳統(tǒng)文本病歷存在的一些可讀性問題。流態(tài)化是網(wǎng)格病歷的下一個目標(biāo)，這是EMR與AI深度融合的關(guān)鍵，這其中必須解決3個基于流態(tài)的核心問題：疾病發(fā)生發(fā)展的時間流、“審證求因”追溯因果流、基于病歷（病例）相似特征繼承流。流態(tài)化原理，更像是程序開發(fā)中g(shù)it工作流[12]，可以出現(xiàn)分支、合并、追蹤等操作。

5.1? 時間流

傳統(tǒng)病歷的時間流是無法直觀呈現(xiàn)的，患者從發(fā)病到就診，再到好轉(zhuǎn)、康復(fù)或死亡，全部都是通過一些時間描述和轉(zhuǎn)折詞來陳述，讀者要加以理解并進(jìn)行二次呈現(xiàn)。當(dāng)前主流的CDSS對于主訴及現(xiàn)病史中時間的描述并無特殊的加工或挖掘，如頭痛3周和頭痛3年，在AI看來實質(zhì)上并無太多不同，在數(shù)據(jù)抽取時，通常直接摒棄。網(wǎng)格病歷有望利用NLP抽取時間節(jié)點，并展示病情時間線，涵蓋病情發(fā)展、診療過程、復(fù)診等重大時間節(jié)點，并可將時間線量化，具備臨床意義，融入到CDSS，作為可以輔助決策的依據(jù)。

5.2? 因果流

患者就診時，醫(yī)生能夠探查患者當(dāng)時的狀況，對于既往的情況，只能通過患者或家屬講述。中醫(yī)看病遵從審證求因，即通過當(dāng)前患者的表現(xiàn)反推患者的病因[13]，正所謂“外邪之感，受本難知，發(fā)則可辨，因發(fā)知受”。根據(jù)病歷探求病因，符合現(xiàn)代醫(yī)學(xué)橫斷面研究或病例對照研究的設(shè)計，若配合時間流，就實現(xiàn)了隊列研究設(shè)計。從因果流，可以輕易實現(xiàn)醫(yī)學(xué)領(lǐng)域危險因素的篩選，并明確疾病的因果關(guān)聯(lián)，如高血壓-高血壓心臟病-心力衰竭。

5.3? 繼承流

病歷模板并不需要人為規(guī)定或創(chuàng)造，只要病歷數(shù)據(jù)在逐漸積累，就會發(fā)現(xiàn)相似病歷。隨著患者病情信息的輸入和提取，可以自動匹配相似度較高的歷史病歷，并選擇是否繼承病歷，這樣就實現(xiàn)了正向的模板選擇和套用，最大限度避免了先入為主的模板框定。隨著繼承的增多，也逐漸形成了聚類，并可輕易進(jìn)行病人的篩選和分類，對于病歷生成和病人管理將越來越高效。再輔以時間流和因果流的加持，劃分個體差異，實現(xiàn)精確診療。

6 結(jié)語

模板病歷是電子病歷最常見的形式，是電子病歷錄入的簡單方案，模板可有效改善病歷質(zhì)量，提高工作效率，但在臨床實際使用過程仍存在一定局限性，亟待完善。表面上，模板病歷似乎結(jié)構(gòu)完整、內(nèi)容詳實，然而模板框定桎梏了醫(yī)生的思維，有可能導(dǎo)致漏診、誤診和醫(yī)療質(zhì)量的下降。為了能讓病歷錄入兼具效率和自由度，本研究團(tuán)隊提出了網(wǎng)格病歷，集成了強(qiáng)大的NLP技術(shù)和智能提示功能，在模塊內(nèi)容與文本病歷之間自由變換，期待能夠成為一種全新、公認(rèn)的電子化病歷。

參考文獻(xiàn)

[1] 李包羅.電子病歷“有效使用”的概念及對推廣應(yīng)用的意義[J].中國數(shù)字醫(yī)學(xué)，2010，5（7）：20-22.

[2] 胡顯靜，周? 莉，胡明躍.電子病歷臨床疾病分類系統(tǒng)的應(yīng)用研究[J].世界最新醫(yī)學(xué)信息文摘，2018，18（82）：205，207.

[3] 唐仕超，于觀貞，姜? 磊.人工智能技術(shù)在基于電子病歷研究中的應(yīng)用與展望[J].第二軍醫(yī)大學(xué)學(xué)報，2018，39（8）：928-934.

[4] 衛(wèi)醫(yī)政發(fā)〔2010〕11號，病歷書寫基本規(guī)范[S].北京：衛(wèi)生部，2011.

[5] 衛(wèi)醫(yī)政發(fā)〔2010〕114號，電子病歷系統(tǒng)功能規(guī)范（試行）[S].北京：衛(wèi)生部，2011.

[6] 王中顯，王冬花，劉艷，等.電子病歷模板中契合醫(yī)生工作流程的管理經(jīng)驗[J].中國數(shù)字醫(yī)學(xué)，2020，15（3）：135-136，131.

[7] 武瑞仙，周紅.淺談醫(yī)學(xué)數(shù)據(jù)常見質(zhì)量問題及其清洗方法[J].科技資訊，2016，14（6）：150，152.

[8] 李科威.基于醫(yī)學(xué)本體的門診電子病歷[J].中國衛(wèi)生信息管理雜志，2011，8（6）：62-65.

[9] DESAI MEHA， SHAH MANAN. An anatomization on breast cancer detection and diagnosis employing multi-layer perceptron

neural network（MLP） and Convolutional neural network （CNN）[J]. Clinical eHealth， 2021，4.

[10] 李科威.大系統(tǒng)人工智能的醫(yī)學(xué)路線[J].湖南中醫(yī)藥大學(xué)學(xué)報， 2016，36（8）：80-81.

[11] 林? 莉.人工智能時代背景下自然語言處理技術(shù)的發(fā)展[J].電子世界，2020（22）：24-25.

[12] KAMOUN C， ROM?JON J， DE SOYRES H， et al. Biogitflow：

development workflow protocols for bioinformatics pipelines with git and GitLab[J]. F1000Research， 2020， 9： 632.

[13] 盧芳國，吳濤，王平， 等.從“寒濕伏燥”談新型冠狀病毒肺炎之病因病機(jī)[J].湖南中醫(yī)藥大學(xué)學(xué)報，2020，40（3）：263-266.