区块链和人工智能驱动的脑血管病诊疗和质量管理决策范式研究

王孟，韩颖，李子孝，，4，5

脑血管病是我国成人死亡和致残的首位病因[1]，1990-2017年我国脑血管病患病率和发病率呈持续上升趋势[2-3]。2017年因脑血管病医疗支出接近1400亿元人民币，构成重大的公共卫生问题[4]。2005-2015年我国住院医疗服务需求增加接近6倍[5]，但医疗诊疗和质量水平落后，静脉溶栓和心房颤动抗凝等诊疗决策执行率仅为20%～30%[6-9]，而同期我国从事脑血管病诊疗的神经科医师数量仅增加了2倍[10]。医疗资源总量供给和优质医疗资源供给严重不足，制约着广大脑血管病患者日益增长的优质医疗服务的需求。医疗卫生人员是医药卫生供给侧最主要的要素之一，如何提升医疗卫生人员的脑血管病诊断和治疗水平，提供高效而优质的医疗服务，对满足我国广大脑血管病患者日益增长的优质医疗服务需求至关重要。

1 脑血管病管理决策范式转变

1.1 传统以管理流程为主的线性范式 《中国脑血管病临床管理指南》推荐的脑血管病诊疗方法与医师临床实践之间还存在巨大鸿沟，如何弥合鸿沟，及时、高效地将这些循证方法向临床转化，从而进一步降低脑血管病复发率、致残率和死亡率[11]，亟须通过建立医疗决策管理方法解决这一重大问题。研究显示以管理流程为主的线性范式包括临床路径等可有效地改善脑血管病医疗质量和患者结局[12-13]。通过多中心整群随机对照研究证实，基于临床路径、标准化操作手册等建立的脑血管病诊疗流程管理的线性范式，脑血管病患者1年复发率相对下降28%，致残率相对下降26%[14]。

传统以管理流程为主的线性范式存在以下不足：①增加临床医师工作量：需要临床医师在完成常规临床病历书写等工作时，二次录入用于反映脑血管病医疗质量诊断和治疗信息的基本数据；②医疗质量反馈存在滞后性：由于数据需要患者出院后二次录入，不能实时反馈，存在滞后性；③外部数据要素嵌入不足：多模影像等特征、更新的指南推荐因素对于医疗决策有重要作用，但以线性范式为主的管理决策并未能及时整合上述要素，不能做到全景式的多维交互以及全要素参与，造成决策效能下降；④数据安全和可溯源性差：对于二次录入的病历数据的安全性和可溯源性问题，存在选择性上报等偏移风险，医师和研究人员无法根据需要自动调取原始数据记录信息。

1.2 大数据驱动的管理决策范式 信息科技的飞速发展和深度融合开启了健康医疗数字化的新篇章，医疗健康进入了大数据的时代[15]，成为开展精准诊疗、质量管理和人工智能研究的重要基础[16]。我国约有1100万例现存脑血管病患者，年门诊人次数和住院人次数分别达1.2亿和448万，产生包括临床电子病历、实验室检测、医学影像、生物样本等脑血管病医疗大数据[17]。通过引入多模影像特征、指南决策要素等外部变量，与临床特征决策要素形成广义的临床大数据，指导精细化脑血管病诊疗和质量管理[18]。首先，通过人工智能、知识工程基础和新技术等的逐步应用，使得脑血管病临床诊断、病因分类、诊疗决策和医疗质量管理等以更细粒度的数据形式呈现，进而整个脑血管病的诊疗和质量管理决策的“像素”得到显著提升；其次，这些“像素”的提升促进了数字“成像”的发展，通过数据世界可以更清晰地描绘脑血管病真实世界诊疗和质量管理活动的情景，进而基于数据的决策分析，成为使能创新的核心竞争力，使脑血管病诊疗和质量管理决策从管理流程为主的线性范式向以数据驱动扁平化互动范式转变，对脑血管病诊疗和质量管理产生深刻影响。

基于智能合约区块链的医院信息系统数据平台建设已逐步在国内开展[19]，如何利用包括数据在个体医院内部分布式存储，保障数据安全、可溯源以及实时反馈，实现与临床诊疗流程无缝融合和互动，促进脑血管病诊疗和质量管理决策情景向大数据驱动范式发展，对实现高效而优质的遵循指南的脑血管病诊治医疗服务至关重要。

2 基于人工智能的脑血管病临床诊疗决策

随着医疗健康大数据的不断积累，人工智能（artificial intelligence，AI）技术迅猛发展并广泛应用于医疗领域。基于人工智能技术对大量数据进行学习从而构建脑血管病影像标志物和预后预测模型等，逐渐成为大数据时代脑血管病精准医疗的热点与趋势[20]。临床决策支持系统（clinical decision support system，CDSS）利用计算机技术及时、高效地将人类专家智能和循证知识融合，通过计算机系统来辅助医师做出临床决策，将患者临床信息与知识库相匹配，协助疾病诊断，依据指南给出最优的诊疗方案，并可以通过实时提示干预诊疗流程，从而减少医疗差错、提高医疗质量[21]。在脑血管病病因诊断方面，由于影像等数据判读缺乏统一标准，受医师个人经验水平影响，利用机器学习自动提取标准化的神经影像特征[22]，并通过自然语言提取技术自动提取电子病历信息，可以获取真实、准确的患者信息，从而提高诊断的准确性[23]。在临床辅助决策方面，基于警报的计算机决策支持工具，可以提高住院患者治疗的指南依从性[24]。Viz.ai公司开发的人工智能临床辅助决策工具，可自动分析CT血管造影发现可疑的大血管闭塞，从而为再灌注治疗提供快速决策支持[25]。

通过基于人工智能的临床诊疗决策系统，融合临床信息、影像和最新指南推荐内部和外部等医疗大数据，指导临床决策和质量管理，对提升脑血管病诊疗水平具有重要意义。可能成为解决基层医疗资源短缺、促进医疗服务优质化的有效技术增强范式。

3 区块链和人工智能驱动的脑血管病诊疗和质量管理决策

区块链采用分布式的数据存储、点对点传输、共识机制、加密算法等计算机技术，实现去中心化的分布式结构的医疗数据共享，为数据存储传输、溯源性、安全性等提供了良好的解决方案[26-27]。在医院间实现去中心化并最终形成统一标准的数据分中心，为进一步的医疗数据处理和开展人工智能应用奠定基础[28]。此外，通过基于算法路由的数据计算，传输的不是数据本身，而是子算法及其计算结果，即“算法跑路代替数据跑路”，避免数据泄露及由网络传输速度造成的性能低下等问题。

区块链和人工智能两种大数据技术融合用于心脑血管疾病的慢性病管理，已成为技术趋势[29]。人工智能决策系统结合区块链技术，建立智能合约管理系统，通过在区块链上运行智能合约，实现心脑血管病诊疗和质量管理决策情景的多方协同计算，可以最终确保合约执行的可控性与可追溯性，使得数据交换参与方之间充分信任。人工智能依赖于大数据并可服务于数据应用，区块链是新型的分布式数据库技术，区块链和人工智能的融合可以大大提升人工智能算法的数据可用性，有助于打造出高效的医疗生态系统。在应用层面，通过区块链技术部署基于人工智能的脑血管病诊疗和质量管理算法，能够将集成外部专家经验和指南知识的智能化辅助决策工具，实现人工智能、区块链等大数据处理技术在脑血管病诊疗和质量管理决策的有效应用。已有研究团队利用区块链技术，探索采用“模型投放”——即算法流替代数据传输的思想，以区块链和智能合约技术为依托，整合安全沙箱、解密、摘要生成等关键技术，开展基于医院信息系统数据的脑血管病诊疗决策和质量评价，实现在多中心协作和敏感信息受控场景中，为诊疗和质量管理决策奠定技术支撑[30]。

4 小结

传统管理流程线性范式为主的脑血管病诊疗和质量管理决策存在临床医师工作量重，依从性不佳，数据安全，可溯源性差，以及多维交互动态和全要素参与不足等短板。在健康医疗大数据的时代背景下，新型的脑血管病诊疗管理决策范式呈现出人工智能和区块链等大数据核心技术驱动的全景式特点。在粒度缩放方面，决策相关的临床大数据要素在宏观和微观层面可测可获得，如临床影像数据，通过人工智能技术实现脑血管病病灶数量、体积、位置等特征的自动测量和提取；在跨界关联方面，在传统的人口学特征、脑血管病危险因素和临床特征方面，引入临床影像数据和临床指南诊疗决策推荐和临床研究证据的外部要素，与传统的临床特征要素形成内外互动；在全局视图方面，依托区块链、体系构建和平台计算能力，通过临床特征、影像特征和指南推荐等多维要素整合，针对脑血管病病因诊断和分类，急性期和二级预防治疗决策、医疗质量管理等场景进行情景映现和评估。大数据驱动的管理决策范式在粒度缩放、跨界关联和全局视图等方面引入新的视角，推动新型临床诊疗管理模式，将进一步提升大数据使能创新的价值创造。