——于文娟 陈麟凤 谈春荣 田宗梅 陈 岩 王 岩 刘 璇 何 欣 刘思琪

决策支持系统(Decision Support System，DSS)是帮助临床医生进行医疗决策的软件[1]。有研究表明，DSS的实施改善了红细胞、血小板、血浆的临床使用情况[2-4]；在重症监护病房(ICU)、心胸外科、血液管理和儿科中已证明了DSS的有效性[2,5-7]。首都医科大学附属北京世纪坛医院输血科构建了以临床决策支持系统(Clinical Decision Support System，CDSS)和人工智能(Artificial Intelligence，AI)为抓手的临床输血智能管理系统，应用效果良好。

1 系统构建

临床输血智能管理系统使用Webservice技术和ETL可视化工具协作方式，遵循数据存储和交互标准，对接医院信息平台和数据中心，支持结构化、半结构化和非结构化数据采集。提取该院HIS(HospitalInformation System，医院信息系统)、LIS(Laboratory Information System，实验室信息系统)、手麻记录、护理记录及医院集成数据平台中所有申请用血或输血患者输血相关资料，以输血业务、手术业务为中心，按照科室、病种、用血类型、用血方式、手术方式、时间等多个维度聚合患者输血全过程数据，存储于NoSQL数据库中，用于支撑平台预测、管理及科研等应用模块。存储时对数据进行脱敏、加密处理，确保数据安全。构建的临床输血智能管理系统主要包括以下3方面功能：

1.1 围术期输血量预测

使用已发表文献中的术中失血量计算方法[8-9]，首先，获取2013年-2019年7月手术输血相关信息；其次，根据手术时间，将2013年-2018年的14 279条手术信息划分为训练集，2019年1月-7月的2 728条手术信息作为测试集评估模型；然后，根据变量在训练集和测试集上的分布，对连续变量和分类变量分别通过皮尔逊和斯皮尔曼相关系数进行筛选，保留筛选过程中相关系数≥0.2、P<0.05的预测变量作为自变量，预测输血量作为因变量；最后，使用XGBoost集成学习算法构建精准红细胞输注量预测模型[10]。因XGBoost算法能够处理缺失资料，故系统没有对缺失资料进行处理。当新病例出现时，依据患者相关信息，直接进行术中红细胞需求量预测。模型还对患者是否需要输注红细胞进行预测，该预测为二分类问题(是否输注红细胞)，使用机器学习中常用的ROC曲线来刻画模型优劣，计算分类预测准确度、精确度等，并与医生预测结果比较，从而对模型性能进行评估。

1.2 输血管理

针对输血业务特点和输血评价考核要求，系统为医院管理部门提供了输血评价指标统计信息，可实现基于数据的管理。依据输血业务特点定制统计信息，见表1。

1.3 输血科研

基于输血大数据平台建设，系统提供数据检索、导出和统计分析等功能，为输血学科科研提供支撑。

2 应用效果

2.1 准确预测患者围术期输血情况

对2019年1月-7月全部科室围术期红细胞输注预测情况与临床医生用血判断情况进行对比，见表2。针对2019年1月-7月所有患者，模型对其是否输注红细胞的ROC为0.92，随着数据量增加，准确率持续提高，见图1。

表2 AI模型用血预测与临床医生判断结果对比

图1 模型输血预测准确率曲线

2.2 提升患者用血管理水平

统计随机时间段内人均用血量、术前等待时间、术后住院时间等，系统自2019年4月投入使用，成效良好，见表3。

表3 系统使用前后输血相关评价指标对比

2.3 有助于开展科研

系统采取开放式检索方式，使用者可以根据需求任意组合条件进行检索，检索结果可用于科研分析。比如，该院自体输血合理性分析显示：(1)台均用血量集中，手术患者红细胞用血量集中在2 U～4 U，占所有用血手术的80%左右；(2)整体患者术后血红蛋白较高，输血患者术后血红蛋白较高，输血患者中术前血红蛋白达到110 g/L以上患者占到了总人数的50%，平均血红蛋白为128.4 g/L，表明该院手术患者适宜行术前自体储血人数基数较大。

3 讨论

实际工作中，医院一般使用行政手段规范用血行为，但管理效果如何缺少数据支持；或者仅收集大量数据，但未深入系统分析，很难根据庞杂的数据推断出有用信息[11]。临床输血智能管理系统依托AI技术，建立了围术期输血量预测、输血管理和输血科研3个应用模块，使患者和医院受益。

与以往自动计算个体化血液成分输血量不同[12]，围术期输血量预测模块是基于医院临床用血数据，结合人工智能，深度学习优化产生的预测模型。其针对不同类型患者、不同病种、不同科室、不同手术等多个维度进行计算分析，能够实现用血量的精准预测。通过AI技术，在分析输血患者医疗数据基础上，校正医师用血习惯，并与医院临床申请用血流程相结合，在满足临床用血前提下节约血液资源，降低患者用血风险。临床实践发现，应用AI精准用血模型评估后，血源紧张状况得到改善。

在输血管理方面，周军等[13]建立了指标监测组织，实现了临床输血全过程的质量监管与评价。本研究中，按照国家卫生健康委《关于印发临床用血质量控制指标(2019年版)的通知》要求，系统可每月、每季度、每年定期自动生成输血质控报表，并提供在线编辑和导出功能，为医院提供了一站式平台，降低了数据统计和维护的人力成本。通过医疗数据汇聚整理自动化，提高了输血科工作效率，并有助于医院管理部门定期掌握用血情况。系统还能够针对不同角度和不同项目给出管理建议，与以往研究相比，使建立的模型能够更好地发挥功效[14-15]。

输血科研模块通过综合运用各类数据处理方法，可从大量数据中提取有价值信息，寻找潜在规律。比如，在推进自体血输注上，国家卫健委颁布的临床用血质控指标(2019年版)中将手术患者自体输血率纳入其中。一般认为三甲医院自体输血率应达到30%，但患者与手术构成是否有自体输血潜力，能否达到相关部门要求，并没有具体的评估模式。本研究利用输血大数据对全院手术患者用血相关指标进行分析，为医院推进自体输血提供了数据支撑，进而制定了个体化的血液保护措施，可减少异体血使用，从而达到节约血液资源和医疗资源的目的。

综上，利用AI技术建立的临床输血智能管理系统能够准确预测患者用血情况，解决了临床用血凭经验、缺少精准评估技术手段等问题；通过自动生成质控报表等，节约了数据统计人力，促进医院临床输血更加科学、合理、有效，提高了医疗管理效率。同时，系统也可为没有IT支持的医院提供工具，使不同医院间的输血科可以收集统一标准的数据，进而为多中心研究提供数据支持。