基于結構化自變量電子病歷的智慧醫療信息系統

鄭亞潔 北京美爾目潤視眼科醫院眼科 （北京 100000）

內容提要： 目的：探討以結構化自變量電子病歷為基礎的智慧醫療信息系統價值。方法：隨機選取5名住院醫作為觀察組，用自變量電子病歷系統完成25份常規白內障一日住院病歷。隨機選取5名住院醫作為對照組，用傳統電子病歷系統完成25份常規白內障一日住院病歷。結果：觀察組住院病歷平均完成時間明顯短于對照組（P<0.01）。比較兩組病歷前后一致率差異有統計學意義（P<0.01）。結論：優化的自變量電子病歷質量明顯高于傳統電子病歷。

就智慧醫療而言，包括3個部分，依次為家庭健康、區域衛生系統、智慧醫院系統[1,2]。羅旭等[3]從流行病學、病情診斷等角度展開探討，應用大數據醫療信息化解決相關問題。Khoury等[4]以大數據與公共健康為研究內容，證明大數據可有效應用于公共衛生服務領域，大幅度提高人類的健康水平。智慧醫療是醫療衛生領域信息化建設的更高階段[5]。落實到底層，提高電子病歷書寫效率，結構化病歷，才能實現病例數據的標準化管理，使自然語言的病歷文字得以成為醫療大數據。

本研究對比了自主研發的結構化自變量電子病歷系統，與傳統病歷系統的工作效率和準確度的差異，從而推動了智慧醫療在醫院信息化建設方面的新進展。

1.資料與方法

1.1 一般資料

自主研發的結構化自變量電子病歷系統。

1.2 方法

隨機選取5名住院醫作為觀察組，用自變量電子病歷系統完成25份常規白內障一日住院病歷。隨機選取5名住院醫作為對照組，用傳統電子病歷系統完成25份常規白內障一日住院病歷。比較兩組病歷完成時間。

1.3 統計學分析

統計學分析采用SPSS17.0軟件，采用t檢驗進行比較，P<0.01為差異有顯著性。

2.結果

觀察組住院病歷平均完成時間（2.96±0.54）min，明顯低于對照組平均完成時間（20.40±2.52）min，差異有統計學意義（P<0.01）。見表1。

表1. 配對t檢驗分析結果

比較兩組病歷前后一致率，患者姓名、性別、眼別、診斷、術式、查體結果等非模板個人變量在整份病例中前后均一致標記為一致，如有任何一個變量前后不一致，即標注為不一致。見表2。

表2. 深入分析-效應量指標

結果，觀察組25份病歷，一致病歷25份，一致率為100%，對照數組25份病歷，一致病歷21份，一致率84%，差異有統計學意義（P<0.01）。

3.討論

對結構化電子病歷特征進行分析，是從醫學信息學角度，以醫學術語要求為基礎，對自然語言形式錄入過程中的醫療文書展開結構化分析，另外，將語義結構以類型結構，在數據庫中保存。需盡量將電子病因分解至最小結構，并將其按一個單元歸類，可在相應層級結構展開分別定位，最終對結構化的錄入、共享和快速查詢作用進行發揮。

對以人工智能為基礎，建立全結構化智慧病歷的內容展開概括。首先，需明確現況，即如何將數據標準化程度更高、臨床醫生有更好的使用體驗、結構化顆粒度更小、臨床業務效率更高四者的平衡點找出，為大部分醫院需應對的問題。通過嘗試對基于結構化自變量的電子病歷進行設計，并就智慧醫療信息系統予以打造，所起的成效卓著。具體表現在如下幾個方面。

第一，以機械學習為運行背景，系統化構建電子病歷知識庫。對于電子病歷而講，所錄入的內容，在來源上，為電子病歷知識庫，包含醫療術語、數據元，及與國際標準的數據編碼符合等。通過對數據元特征展開分析，其屬病歷模板一項較為重要的組成單元，另外，在值域中，醫療術語為典型詞條組合，其在命名用時，以數據元為基礎，各科室對電子病歷模塊進行維護，此是對初始數據庫進行維護的基礎。而在建立完善的數據標準前，手工對知識庫維護，除耗費精力外，作用也較有限，需采用機器學習輔助的方式。首先，允許醫生將非知識庫內容系統錄入，故需將醫師所持有的錄入習慣作為開展深度、系統學習的基礎；其次，系統具對醫生所填內容的有效性和重復性，具收集和鑒別能力，對于較難采用自動化形式進行判定的內容，需與人工決策結合。進而展開采集清洗、驗證反饋，最終形成標準化醫療術語，對知識庫自動進行擴充。

第二，以數據為操作背景，進行精細查閱操作。在此期間，以文本可讀為運行前提，對于智慧病歷而言，針對一條描述中所含有的不同數據元，樣式在錄入上，也有較大差異存在，在呈現時，存在較大差異。如在對壓瘡風險進行評估，醫院在對病歷進行閱讀時，僅為當前風險程度及評估內容，但評估人員經規范點擊評估分數，即可展開對應的風險評估表，開展評估方面的操作，而查閱人員經點擊評估分數，即可獲知歷史評估趨勢，包括明確結果趨勢波動方面的特征，及具體評估項所呈現出的趨勢方面的變化特征。

除由評估類表單作為有力支持，開展錄入及系統查閱時，針對長文本，可對多層級結構化病因作精準套用，同時，由節點式內容進行引導，來對病歷書寫工作系統完成。在運用中以糖尿病“現病史”來作為案例進行分析，醫生可對糖尿病現病史子模板進行單獨應用，進行規范書寫，子模板對內容節點進行預設，如診斷、運動、飲食、糖尿病癥狀等。原本需處理的文本內容，均做了結構化拆解和標準醫療術語展現，醫生操作均可經點選完成，且在運用期間，系統可節點內容勾選，并向病案首頁現病史中帶入。

第三，同源數據復用操作與自動帶入技術。為獲取更為多元的數據元編輯、更細節化的數據源拆解，需采取技術手段，將醫生操作繁瑣度最大化減少。需保障同源數據可復用完全，及自動將病歷中的內容帶入。以術前小結展開舉例分析，距離患者最貼近的評估、檢驗、體征信息，均可發揮自動精準帶入作用，并可就帶入結果提供查閱支持，另外，還可對缺失信息錄入進行提醒，降低重復錄入事件，可使臨床業務效率最大程度提高，并可對數據的準確度提供保障。

第四，人工智能下較為智慧的錄入方式。在操作過程中，除可高效率解決數據自動帶入所涉及的各樣，以應用人工智能，可增強其他病歷內容在錄入過程中的效率。其中具代表性的為高頻術語推薦錄入方法，即依據患者自身或科室進行的有效診斷，展開機器學習方面的分組，就系統來講，從數量巨大的病歷信息中，自主掌握不同醫生病歷錄入的習慣，并了解病歷錄入信息關系，以對高頻醫療術語進行推薦，系統可提供最可能被錄入相關信息選項，以減少醫生所做的搜索工作。另外，也可應用聯想跟隨即較適用的錄入技術，在對某項內容進行填寫時，參考病歷中現有涉及的內容，如診斷、用藥等，自動填充后續描述，醫生僅需確認即可，操作比較簡單。再次，可應用智能預測提示與精準追加錄入的技術。即在對病歷展開書寫工作時，常易忘記某項內容，但不同的患者因病情存在差異，病歷結果也各有不同，不可均按必填項予以設置。以智能預測作為操作基礎，展開追加錄入，可參考之前所記內容，自動判斷信息完整與否，在對病歷進行保存時，需做好提醒工作。故即使模板相同，患者個體不同，在錄入信息要求方面，也存在較大差異。又次，輔助診療計劃推薦，在決策層面，電子病歷可對診療計劃推薦做出輔助診斷，除可使業務效率提高外，還可使服務質量增強，與臨床路徑更為符合。

現階段提出優化的自變量電子病歷，因同一患者在整份病歷，住院志、首程、手術記錄、術前討論、術前小結、出院記錄、出院通知單等頁面中，多次出現的重復信息，用自變量定義后僅需輸入一次，即可自動帶入到相應位置，醫生工作時間顯著縮短，從傳統電子病歷平均20.4min的完成時間，提高到2.96min，效率將近10倍的提升。節省的工作時間，可以更好地為患者服務，降低醫患矛盾。

優化的自變量電子病歷，錯誤率顯著低于傳統電子病歷，因其定義的自變量參數，僅需輸入一次數值，避免了因多次修改模板病例的參數，導致遺漏或復制粘貼錯誤。避免了常見的前后信息不一致的病歷錯誤。由于自定義變量集中按順序輸入，也在流程上加強管理，避免了病史收集、術前檢查、術后檢查等各項流程的項目遺漏。提高甲級病歷數量，也在一定程度上避免了不必要的醫療糾紛。

由此可見，優化的自變量電子病歷質量明顯高于傳統電子病歷，有助于智慧醫療信息系統的完善。