基于真实世界数据构建术后急性中重度疼痛风险预测模型

目的:基于真实世界医学数据,构建及验证患者术后急性中重度疼痛风险预测模型。方法:筛选2020年4月至2021年4月在暨南大学附属广东省第二人民医院行择期麻醉手术的成年患者2434例,将术后24 h运动视觉模拟评分法(VAS)评分作为结局指标,将患者分为轻度疼痛和中重度疼痛两个队列,筛选与术后中重度疼痛发生相关的指标并进行单因素分析,将差异具有统计学意义(P<0.05)的指标用于构建预测模型,数据集以7:3的比例划分,用于建模与内部验证;筛选2021年5月至2021年8月的1200例相同条件的患者,这部分数据用于外部验证。通过受试者工作特征(ROC)曲线下面积(AUC)、准确度、F1等5种指标评估模型预测效果,采用夏普利算法(SHAP)图对最优模型进行解释。结果:随机森林(RF)预测模型整体性最好,基于SHAP分析可得出风险因素相对重要性排名,前六名依次是麻醉时长、手术时长、晶体使用量、体质量指数、胶体使用量和年龄。结论:本研究构建的术后急性疼痛预测模型体现出较好的预测性能。

麻醉与围术期医学科专科数据平台设计与实现

目的:基于临床数据中心,建立麻醉与围术期医学科专科数据平台,实现辅助科研与临床决策,加速数据成果转化。方法:通过ETL过程,将数据统一清洗后存储到SQLServer,形成贴源数据层,再结合自然语言处理技术(NLP)和SNOMED等医学标准数据集进行标准语义化处理,最终利用科研数据采集引擎将数据填充到基于Elasticsearch框架的麻醉与围术期医学模型中,形成高性能的麻醉与围术期医学科专科数据库。结果:麻醉与围术期医学科专科数据平台提高了数据可视化程度和数据应用质量,在科学研究和辅助临床决策上具有重要意义。结论:麻醉与围术期医学科专科数据平台,从临床检索、科学研究和辅助决策等多角度满足学科发展需求,具有广阔前景。

麻醉科围术期专科数据库的建设和应用

分析基于大数据平台的麻醉科围术期专科数据库辅助临床决策的技术方案和实践经验。阐述基于大数据平台的麻醉科围术期专科数据库的应用形式,介绍如何构建高质量、可计算的围术期大数据知识架构和实践流程,并在围术期并发症的提取场景中得以应用。大数据技术在围术期专科数据库的开发和应用,可以为手术科医师提供精准、高效、便捷的围术期并发症提取、危险因素分析和预测模型。对于提高患者围术期的安全性、改善患者的预后以及建立危险因素预测模型起着重要的作用。

麻醉与围术期医学科数据标注平台的设计与实现

目的:构建基于麻醉与围术期学科标准医疗术语数据的标注平台,实现非结构化医学文本数据在专科数据平台集中展示和应用。方法:以麻醉与围术期医学科重点关注的医学指标作为标准数据元创建任务,采用Java、Vue等前后端编程语言,结合Axios、Vue-router、医学术语知识库等相关技术建立系统基础平台架构。将电子病历系统及手术麻醉系统非结构化数据导入基础平台,在Web端页面随机分配给专业医学标注人员按文本节点进行术语标注,提供可供机器学习的标准化样例数据。结果:基于非结构化文本数据搭建的数据标注平台主菜单主要由任务中心和管理中心构成。其中指标列表,标注文本和结果列表组成平台任务中心供人工标注,人员管理、任务管理、数据维护、标注数据元覆盖率统计及结果导出组成平台管理中心进行平台运维。结论:麻醉与围术期医学科数据标注平台实现了非结构化文本数据的人工标注与机器学习,为数据平台全量数据展示提供了转化中台。

基于麻醉与围术期医学专科数据平台的术后急性中重度疼痛风险因素分析

目的基于麻醉与围术期医学专科数据平台,回顾性分析影响术后急性中重度疼痛发生的风险因素。方法通过数据平台,筛选2018年5月至2020年5月在我院行非局麻手术且术后采用连续静脉镇痛的成年患者1445例,根据术后24 h运动VAS评分,将患者分成轻度疼痛(VAS<4分,n=976)和中重度疼痛(VAS≥4分,n=469)两组,筛选所有患者术前、术中和术后疼痛发生具有一定相关性指标共21项,采用单因素及多因素logistics回归方法分析与术后中重度疼痛发生相关的风险因素。结果单因素分析显示术后轻度疼痛和中重度疼痛两组年龄、性别、麻醉方法、手术级别、禁饮时间、手术麻醉时间、有创监测操作、补液量及术中舒芬太尼和肌松药物使用差异有统计学意义(P<0.05),多因素logistics回归分析显示性别、手术级别、禁饮时间、术中舒芬太尼使用和动脉穿刺置管是影响术后急性中重度疼痛的独立危险因素(P<0.05)。结论术后急性中重度疼痛发生与性别、手术级别、禁饮时间、术中舒芬太尼使用和动脉穿刺置管有关,值得临床大数据研究参考。

基于数据治理的脑血管专病数据库建设实践

基于广东省第二人民医院脑血管专病数据库建设实践,介绍基于数据治理的专病数据库系统架构,探讨专病模型、后结构化处理、多维数据管理、智能搜索等关键技术应用,并阐述专病科研平台建设成果。

术后急性中重度疼痛风险预测模型构建

目的:基于数据平台,应用机器学习算法构建术后急性中重度疼痛风险预测模型。方法:在数据平台中收集非日间且非局麻手术患者1634例用于模型建立和验证,收集1000例相同条件的患者用于外部验证;将患者分为干预组和对照组,使用术后运动VAS评分作为结局变量,采用机器学习算法构建预测模型,并以AUC、准确率、F1值等5种指标评估预测效果。结果:轻量级梯度提升机、随机森林、梯度提升、自适应提升4种模型在内部验证中AUC值均超过0.75;其中前3种模型在外部验证中AUC值均超过0.7;麻醉时长、手术时长、年龄、用药等变量在模型中展现出较高重要性。结论:基于数据平台和机器学习算法构建的术后急性中重度疼痛风险预测模型具有较好的准确性,可供临床参考。

基于字符余弦相似度的地址数据治理方法

目的:探讨基于字符余弦相似度的地址数据治理方法,为医院病案室、传染病报病及科研统计分析提供患者的地址清洗数据。方法:使用字符的余弦相似度评估患者地址与标准数据集的相似条目,选取相似对最高的前10条地址后,通过弹性距离评估将匹配最好的第1个地址作为映射地址,若无合适地址则以“不详”进行地址标记,供患者下次就诊时更正。结果:经过人工复核,每200名患者手工填写的住址以95%置信区间(95%CI)可以正确修复170~186个地址;修复错误的地址多为患者填写的“某街道”,而标准数据集中尚无该街道名称,对其关键词进行过滤可以进一步提高地址信息修复水平。经由热力图对比,地址修复后能够提供更清晰集中的位置信息。结论:通过采用基于字符余弦相似度的地址数据治理方法,拓展一种修复基础数据和进行数据映射的有效方法,可为医院相关部门提供准确的患者基础信息数据资料。