基于人工智能的专病数据治理研究与实践.pdf

8 China Digital Medicine.2023,Vol.18,No.8基于人工智能的专病数据治理研究与实践曹晓均 翟志斌【摘要】目的：基于专科疾病特色构建重大疾病数据队列，提供面向临床研究的科研数据平台，助力数据挖掘。方法：与临床专家深入合作，构建专科疾病包括先天性心脏病、血管瘤等标准数据采集规范，采用自然语言处理技术对诊疗数据进行深度治理，并提供数据平台供科研人员应用。结果：完成专科疾病数据队列的建设，实现队列内数据全结构化，助力临床研究的顺利开展。结论：基于人工智能的专科疾病队列可以提升临床研究效率和质量，加快科研成果转化，有益于专科疾病诊疗策略的优化。【关键词】专病数据库；数据队列；数据治理；自然语言处理Doi:10.3969/j.issn.1673-7571.2023.08.002【中图分类号】G250.74;R319 Research and practice of specialized disease data governance based on artificial intelligenceCAO Xiaojun,ZHAI Zhibin.Department of Science,Education and Data Management,Guangzhou Women and Childrens Medical Center,Guangzhou 510620,Guangdong Province,China(CAO Xiaojun);Information Department,Dongguan Maternal and Child Health Hospital(ZHAI Zhibin)Corresponding author:ZHAI Zhibin,Email:【Abstract】Objective To construct a data cohort of major diseases based on the characteristics of specialized diseases,and to provide a research data platform for clinical research to facilitate data mining.Methods With in-depth cooperation with clinical experts,standard data collection specifications for specialized diseases including congenital heart disease and hemangioma were established,and natural language processing technology was used to conduct in-depth management of diagnosis and treatment data,and a data platform was provided for the application by scientific researchers.Results The construction of specialized disease data cohort was completed,and the data in the cohort was fully structured,which facilitated the development of clinical research.Conclusion The specialized disease cohort can improve the efficiency and quality of clinical research,accelerate the transformation of scientific research achievements,and contribute to the optimization of the diagnosis and treatment strategies of specialized diseases.【Keywords】Specialized diseases database;Data cohort;Data governance;Natural language processing基金项目：科技创新2030-“脑科学与类脑研究”重大项目（2021ZD0200522）作者单位：510620 广州，广州市妇女儿童医疗中心科教与数据管理部（曹晓均）；东莞市妇幼保健院信息科（翟志斌）通信作者：翟志斌，Email：大数据时代人工智能将赋能我国各行业的基础建设，如何将大数据与人工智能技术及医疗相结合，以大数据中心优势使医院管理更高效，是当前各大医院共同思考的问题。基于人工智能大数据技术的专病数据库，能更好地了解相关疾病的发病情况和趋势，从而更精准地进行预防和干预1。在疾病专病数据队列的构建过程中，医疗文本数据的标注一直以来较大程度依靠人工实现，通常表现为在整段的医学文本、分句中寻找包含关键字段的语句，并通过标注工具进行标注2。传统的标注方法存在两个主要缺陷：需要从医院信息系统拿到一定数量的样本病历，而样本覆盖范围是有限的，病历中的语言描述可能专题策划人工智能在医药领域的应用Special Planning中国数字医学2023 第 18 卷 第 8 期 9无法覆盖到某个标准字段的各种其他形式的表达；标注人员对大段的文本进行标注时，难以快速、准确地定位到包含关键字段的语句，容易造成漏标、误标现象。人工数据标注严重制约了数据的治理速度。围绕上述问题，我院基于人工智能技术构建医院专病数据库，完成了先天性心脏病、血管瘤等疾病数据库的队列建设，实现队列内数据全结构化。本研究梳理专病数据治理流程及应用，以期为其他专病数据库的建设提供参考。1基于人工智能的专病数据治理流程1.1 专病数据整合以重点学科优势病种为主线收集和整合所有相关临床数据信息，包括疾病诊疗过程中产生的基本信息、就诊信息、病历文书、诊断、检验检查、随访表单等，在此过程中，需要参考相应单病种专病库的行业实践，进行细粒度的定制化扩展处理，深入调研和总结针对每个病种所需字段以及字段之间的逻辑关系，并基于临床指南、共识、文献以及专家经验，定义每一个字段的含义、单位、值域等内容，构建完整的专病数据模型3。基于人工智能的专病数据库架构见图 1。1.2 专病数据 AI 治理 从使用者的使用维度出发，结合当前院内信息化标准字典、行业权威标准体系（如ICD-10、ICD9-CM3、LONIC、医疗机构临床检验项目目录、药品词典规范-CFDA、ATC分类、WS 364卫生信息数据元值域代码等）进行术语映射关联，完成专病数据字典的构建，基于字典处理对非结构化电子病历进行医学分词和语义标注，完成模型训练4。基于开放模型进行持续预训练和指令微调。由于医疗数据安全性，技术稳定性以及特殊任务的要求，需要将模型部署在局域网内。模型的训练分为 3 个步骤：首先是预训练，目前比较流行的是 Decoder 或Encoder-Decoder 结构，使得模型能记录海量的知识；其次是有监督微调，即利用用户的监督数据，对模型参数进行调整，使得指令可以诱导和激活相应的知识；最后是人类反馈的强化学习，即通过医学专业人员的反馈，调整模型的结果，使得模型的答案与人类的判断更为吻合。通过不断的迭代，提高数据质量，为临床及科研应用提供便利。1.3 基于自然语言模型的半自动标注利用自然语言大模型将 AI 判定为相关的分词、分句推送给标注者，标注者不需要从大段的文本中寻找包含关键字段的词和句，工作量大大减轻；模型从文本中自动匹配与标注字段相关的词、句，从而可以将全量的病历文本纳入模型进行训练（不需要从全量病历中挑选病历进行标注），解决了传统标注方法中病历数量覆盖度低的问题。在使用过程中，可以根据标注人的标注操作，自动完成标注字段的同义词、近义词及反义词积累，实现临床术语词库的构建，为术语的复用提供了极大便利，也显著提高了后续自然语言处理的效率。具体实施包括以下步骤。抽取数据：系统对接医院业务系统，将病历文本全量抽取；词向量生成：将全量文本输入自然语言大模型进行训练，得到各个分词的词向量；关联度计算：系统根据各个分词的词向量，计算目标字段与各个分词的关联度；发布任务：系统根据目标字段所在的业务域发布任务，业务域可包括主诉、现病史、入院记录、检查报告、手术记录等，管理员可安排具体的工作人员对字段进行标注；标注工作：任务发布后，归属于任务下的标注人员可以看到任务，并开始标注。当标注人员点击一个新的目标字段时，系统会推送给标注人员与目标字段关联度最高的前 100 个词。标注人员针对每一个推送词都有“是”和“否”两个选项，分别代表该词与目标字段是同义词关系还是反义词关系，标注者可以既不选择“是”也不选择“否”，代表该词与目标字段无关。根据标注情况，标注人员可以将标到的新词添加为术语，丰富术语库。1.4 主索引识别绑定 采用患者主索引模型清洗和转换患者身份信息，包括患者姓名、性别、出生日期、证件类别、证件编号、婚姻状况、联系电话、家庭住址、联系人姓名、联系人关系等字段（例如 15 位居民身份证号码和 18 位居民身份证号码的清洗和转换），保证数据的可用性5。根据设定的字段数据校验规则，将患者信息分类成可识别身份信息（数据校验通过）和不可识别身份信息（例如出生日期与身份证发证日期专题策划人工智能在医药领域的应用Special Planning10 China Digital Medicine.2023,Vol.18,No.8相差大于 15 年、性别与身份证相应日期不一致、数据严重缺失等）。患者主索引模型可以对每个字段配置相应的识别权重和识别阈值，根据患者身份信息、权重、阈值进行模型识别分析，形成一个人口学信息库，存储所有患者信息，并赋予每个患者一个患者主索引 ID。患者主索引模型会循环识别运算，整合识别为同一个患者的数据，每次循环患者信息都会越来越全、识别度也越来越高。此外，还会针对使用父母身份证或住院号的数据进行特殊识别，通过联系人姓名、联系人关系、联系电话、家庭住址等信息识别患者的特殊关系，并做标签识别，以防将患者错误合并。对于识别不通过者，可以补充患者信息让模型捕获或人工合并的方式强行绑定患者主索引，依旧未能识别合并的患者则会被赋予一个特殊 ID单独存放。将患者主索引 ID 关联院内（区域内）原始患者数据，可以覆盖各业务数据，保证院内（区域内）不同系统中同一患者具备同一个患者主索引 ID，患者全生命周期的诊疗数据将会被统一关联识别和读取。1.5 数据可视化 通过可视化的人口学统计驾驶舱，可直观查看核心病种的人口学数据，包括患者的年龄、性别、教育程度、职业等信息的分布。研究者可通过多维度数据下钻，如时间、疾病、地域、服用药物等，直观查看并了解不同人群之间的差异和数据变化趋势6。在此基础上，筛选某种疾病的高危人群，可为提前采取预防和干预措施提供数据支持；评估某种药物治疗效果时，可分析药物对不同性别、年龄和病情患者的影响；还可以预测疾病流行趋势，分析某地区不同人群之间的联系和流动性，为预测某种传染病在该地区的传播速度和范围提供数据支持。可视化的患者全生命周期时间轴可直观查看患者临床数据，包括诊次、主要诊断、病历文书、用药记录、手术记录、生物样本、检查检验、影像报告、生命体征等。通过对不同专病的个性化定制，可在时间轴自动标注出可能发生的不良反应，研究者可按照研究方向自主筛选关注的临床结局指标，观察不良反应变化情况。通过不良反应统计可视化，研究者可直观了解各种不良反应的发生率和严重程度，查看和了解采用不同治疗方案时患者的预后以及对患者生命质量的影响，校验假设和发现可能存在的优劣之处，为临床研究提供更全面和准确的数据支持。2 专病数据人工智能应用目前我院先天性心脏病专病数据库中已建成 1 313 个结构化数据元和 1 911 个非结构化数据元，涉及门诊患者 268 754 例，住院患者17 213 例；介入血管瘤专病数据库中已建成 139 个结构化数据元和208 个非结构化数据元，涉及门诊患者230 411例，住院患者22 247例。经过人工智能治理的专病数据库，极大降低了临床科研人员获得有效信息的难度，也为医院信息工程部门节省了大量时间。利用大数据检索和探索技术，支撑全文检索、语义检索、条件树纳排检索以及疾病图谱，可满足临床科研数据获取、筛选研究项目等关键诉求。知识图谱构建流程见图 2。在没有建设科研数据中心之前，医院一般采用传统数据搜索引擎 7，这种方式存在以下问题：只能进行全文匹配，难以理解分类或同义语，使得数据搜索结果不全；不具语义性，搜索的结果可能包含非预期数据；不具备条件树搜索，医生使用不 图 1 基于人工智能的专病数据库架构专题策划人工智能在医药领域的应用Special Planning中国数字医学2023 第 18 卷 第 8 期 11方便。专病数据治理的设计基于通用数 据 模 型（common data model，CDM）及 AI 数据治理，提供了智能化的搜索引擎，包括基于医学临床术语以及知识图谱，构建具有同义词关系和上下位关系的临床术语体系；对文本数据进行自然语言处理和文本结构化，并识别和建立文本之间的语义关系；采用文本的搜索条件以及基于多个条件的搜索方式8，多条件检索界面见图 3。3 总结与展望我院基于人工智能技术进行数据深度治理，最终在临床医护人员、信息工程师以及算法工程师联合参与下构建了以疾病队列为主轴，数据库技术为基础，人工智能相关算法为突破口的数据基础扎实、功能丰富的专病数据库；整合不同疾病的数据资源，积累结构化的专病病历，形成专病研究数据资产9。在此基础上，增添科研项目管理、患者随访、统计分析等科研应用层功能模块，面向研究主题的课题病例数据更符合临床试验研究中的方案规划、设计、分析研究、报告归档与提交等要求10。基于人工智能技术的专病数据治理，实现了数据的重复利用和价值提升，专科疾病队列建设的意义在于为疾病的早期预防和干预提供数据依据，优化个体化医疗决策和治疗策略，推动临床转化和新疗法研发，增进国民健康水平，将对我国疾病的预防、治疗和管理产生深远影响。参考文献1 罗辉,薛万国,乔屾.大数据环境下医院科研专病数据库建设J.解放军医学院学报,2019,40(8):713-718.2 张辉,连万民,刘翔,等.麻醉与围术期医学科数据标注平台的设计与实现J.中国数字医学,2021,16(1):96-100.3 萧锘,叶琪,刘传丰,等.区域临床科研大数据平台设计与实现J.中国卫生信息管理杂志,2022,19(5):673-680.4 林琳,王韬,甘伟,等.基于电子病历系统的脑血管病专病大数据科研平台设计与应用J.中国卒中杂志,2020,15(6):616-619.5 陈韵,王洁琳.医院新生儿患者主索引模型的优化与探索J.现代信息科技,2022,6(12):104-107.6 徐娟,魏子重,高妍方,等.基于多源异构的医疗数据汇聚方法设计与应用J.软件导刊,2021,20(2):18-23.7 郝梅,谢嵘,王立,等.医疗大数据搜索系统的建设与应用J.医疗卫生装备,2019,40(2):49-52,65.8 黑子清,陈柄城,刘子锋,等.麻醉科围术期专病数据库的建设和应 用J.中国数字医学,2021,16(1):13-16,22.9 萧锘,曹磊,叶琪,等.医院临床科研大数据平台数据资源分层设计研究J.中国数字医学,2022,17(9):90-94.10 阮彤,高炬,冯东雷,等.基于电子病历的临床医疗大数据挖掘流程与方法J.大数据,2017,3(5):83-98.【收稿日期：2023-06-15】（责任编辑：刘慧铭）图 2 知识图谱构建流程图 3 多条件检索界面专题策划人工智能在医药领域的应用Special Planning