李中鹏 瞿怀荣* 赵巍 陆倩
（江苏省连云港市第一人民医院 江苏连云港 222000）
【摘要】目的：构建智能随访决策支持模型，并使其融合慢病随访循证知识库，预测最适合患者的慢病随访方案。方法：对数据进行规则化处理，然后基于智能化信息技术如人工智能算法对患者信息进行学习和训练，同时将患者信息与以构建的循证知识库进行同等概念下的决策匹配，将患者个性化的随访需求与相应的随访解决方案进行链接，构建慢病智能随访决策支持模型。结论：通过智能随访决策支持模型的构建，实现了对老年慢病患者实施精准、动态及同质化的随访服务。
【关键词】慢病 随访 人工智能
1、引言
老年慢病随访是衔接院内外疾病管理的关键环节，是由护士主导的延续照护。但当前的随访还存在着内容简单化、形式固定化、专业水平参差不齐、患者配合度不够等问题，缺乏及时评估和准确预测病情变化并作出相应处理的个性化干预。“互联网+护理服务”的技术延伸性以及线上线下智慧联动的特点，可以做到对接基层、对接百姓，实现精准、动态及同质的随访服务[1]。此外，每个患者的个体、疾病、愈 后、配合程度等情况都有差异，如何构建智能动态的患者随访对于对老年慢病人群健康管理具有重要意义。
2、建设内容
基于常见慢病发展规律和随访需求，借助信息技术，构建智能随访决策支持模型。建立患者信息数据库，对数据进行规则化处理，然后基于智能化信息技术如人工智能算法对患者信息进行学习和训练，同时将患者信息与以构建的循证知识库进行同等概念下的决策匹配，将患者个性化的随访需求与相应的随访解决方案进行链接，构建慢病智能随访决策支持模型。
3、系统设计与实现
3.1总体架构
HIS、EMR、LIS、RIS、PACS等信息系统已广泛应用于各级医院，各类医疗设备和仪器也已经全面实现数字化，因此，医疗数据呈爆炸式增长，目前医疗机构已经积累了海量医疗数据，这为基于医疗大数据的患者画像提供了基础。
患者画像，即患者信息标签化，就是通过收集患者个体人口信息及临床治疗、定期体检、公共卫生、妇幼保健、慢病监测等医疗业务过程中产生的大量电子健康档案、电子病历、体检报告等大量数据，通过模型算法从中抽取患者个体特征，从而形成一个标签化的患者模型[2]。
通过患者画像，随访平台根据患者个体情况，对用药和随访方案，治疗方案做出准确判断。
.png)
图：总体架构图
3.2系统设计
3.2.1构建动态的患者画像
把患者信息转换成数字模型，构建患者健康画像，从患者多维度，来描述患者的个体特征，行为信息，通过画像就能更直观，精准的了解患者，可对患者进行预测疾病情况或推荐更适合患者的随访方案，治疗方案。
.png)
图：患者画像架构图
3.2.2融合慢病循证知识库
基于知识图谱的循证知识库通过对诊后管理知识的梳理、抽取、融合和推理以及质量评估，构建出患者诊后管理的精准知识图谱。基于该知识图谱，形成信息检索、知识问答、风险识别、随访路径分析等患者管理方向的医疗服务应用。图谱的节点包括疾病、药物、症状、辅助检查、科室、手术、部位、运动、饮食、随访、宣教等，图谱的节点关联关系由类别、临床表现、相关病因、发病机制、如何预防、如何干预、药动学、药理作用、鉴别、相关诊断、相关饮食推荐与禁忌等构成。知识图谱的构建来源包括临床治疗指南、其他公开的医学文献、通过知识抽取技术从EMR中提取疾病医疗事实知识以及临床专家整理的补充知识[3]。
3.2.3患者多模态、异构的健康信息进行提取、压缩、表示、计算
通过KETTLE工具对医院各个业务系统的数据源进行抽取和集成，将结果按照一定的标准进行统一存储，然后利用合适的数据分析技术对存储的数据进行分析，从中提取有益的知识，并利用恰当的方式将结果展现给终端用户。
3.3系统实现
3.3.1健康画像构建
患者画像采用患者信息标签化，通过收集患者个体人口信息及临床治疗、定期体检、公共卫生、妇幼保健、慢病监测等医疗业务过程中产生的大量电子健康档案、电子病历、体检报告等大量数据，通过模型算法从中抽取患者个体特征，从而形成一个标签化的患者模型。
3.3.2智能随访决策模型构建
基于DL4J构建AI模型，采用深度学习由深层神经网络算法构成，大量的神经元输入通过不断的迭代更新参数完成模型定型，使用到的深度学习框架TensorFlow、Caffe、Keras、Theano等，大多在单节点服务器通过GPU加速完成模型训练。由于医疗数据量非常大，所采用分布式计算来提高了计算性能。本模型采用DL4J的分布式计算与深度学习，它可以利用Spark在多台服务器多个GPU上开展分布式的深度学习模型训练，让模型跑得更快[4]。
（1）随访方案智能选择
基于患者健康画像预测出适合患者慢病随访方案分为以下三步进行；
1.AI处理
通过机器深度学习和患者画像数据，自动映射 SNOMED-CT、LOINC、ICD-10等术语标准，将非结构化和半结构化数据转化为更具应用价值的决策和科研信息。
2.知识图普医学知识库
丰富的循证知识库使随访方案和建议正确率更准确，结合了人工智能和医疗大数据的，具有自我学习的能力，能够加速知识更新和运算模型迭代，不断提高知识库的标准程度。
3.智能随访方案决策支持
基于循证医学证据和完整数据分析，在临床应用中实时为医护人员提供决策支持，辅助优化随访方案，自动审核处置及医嘱等合理性，以及针对患者病情的个性化医疗建议。
（2）动态路径
基于疾病深入理解，把治疗方案、疗程、指征变化等临床路径中的标志性因素，转化成精确的知识规则，用于大脑学习、构建病程随访服务引擎；结合患者个体的病情及治疗记录变化，自动完成个性化的随访方案制定与执行。
4、结语
智能随访决策支持模型的构建，融合了慢病随访循证知识库，预测最适合患者的慢病随访方案，同时随着患者相关健康数据的更新，动态地改变随访方案。实现了对老年慢病患者实施精准、动态及同质化的随访服务，对于老年慢病人群健康管理具有重要意义。
参考文献：
[1]孙蕊.慢病随访教育在社区老年高血压患者中的应用[J].人人健康,2020(12):247-248.
[2]高珊. 老年高血压病的移动平台管理新模式探索[D].大连医科大学,2018.
[3]史美红：“互联网+医疗”时代医院随访管理分析；通讯世界，2018-04；
[4]张戎,刘洪臣.人工智能技术在临床医疗中的应用概述[J].中华老年口腔医学杂志,2021,19(01):40-44.