基于人工智能构建急腹症快速分诊系统

急腹症是一组以急性腹痛为起病表现的急诊疾病,既包含急性单纯性阑尾炎等简单疾病,也包括消化道穿孔、重症急性胰腺炎等可能危及生命的复杂疾病。在有限的时间内,依据患者对症状的描述快速对急腹症进行准确分诊,识别和筛选危重患者,并进行优先处理,是一待解决的重要问题。计算机技术的发展使得利用人工智能(artificial intelligence,AI)技术建立急腹症快速分诊系统成为了可能。急腹症智能分诊系统的研究主要包括以下几个方面:(1)根据医学教材以及病例诊断的文本信息建立知识图谱;(2)根据患者主诉,实现医学术语到知识图谱中概念的归一化;(3)利用深度学习的方法训练模型,使计算机判别不同的急腹症;(4)在医院以及急救中心等场所部署训练后的AI模型进行测试并基于临床使用效果和反馈进行优化,使得系统对急腹症诊断的准确率达到可接受的水平(根据一般标准为:F≥94%)。在开发过程中,自然语言处理是急腹症人工智能分诊系统建立所必需的核心技术。本文综述了近年来自然语言处理领域中的最新技术进展,并讨论了将其应用于构建急腹症快速智能辅助诊断系统的前景。此系统的开发可以作为范式推广到其他疾病,优化患者的就诊流程,提高急诊效率。

急诊外科入院患者疾病谱及频率的时间序列变迁模式：一项基于23795例患者数据的真实世界临床研究

目的急诊科面临的诸多挑战之一是在有限的人力资源和急救资源范围内以最高效率和最佳质量对病情复杂多变的患者进行及时处置。本研究尝试结合大数据和小波变换方程组，从急诊外科患者入院数据中解析出疾病谱及频率的多尺（multiplescales）度时间序列变迁模式，从而为优化急诊急救资源配置提供一种智能化解决方案。方法利用数据管理工具 （ DataChiefAvaintec, Helsinki, Finland ）导入四川省人民医院2005．2014年所有急诊外科入院患者数据，进行整理、清洗和辅助定义后，以9h为单位对入院患者进行序列累加，形成连续波谱。采用计算数学软件平台（MATLAB）小波变换函数进行分解，分解层数5层，对每一层波谱高度及其分布进行分段计数统计，并利用K—mean算法找出分解尺度系数间关系。最后利用aprori算法进行频繁模式挖掘（frequentpatternsmining），挖出患者入院疾病谱及频率分布模式。结果纳入23795例患者，疾病种类分布以急腹症占比最高，同时发现，急外患者入院变化是复杂的渐升波谱。小波分解后，信号波A反映了特定时间尺度下整个波动数据的趋势性变化。而噪声波D则反映了波动在特定时间尺度下的细节特征。如Al主波尺度代表以16d为周期的波动。相应的D1，反映了16d周期波动下的变化剧烈程度。以D1始，D1-D5代表波谱分解的噪音部分。以研究期间发生的5·12特大地震为例，在D3层出现了明显的噪声波，提示波动周期为4d，其临床解释为：4d内患者入院激增。结论急诊外科的疾病发病受到多个时间尺度的影响，这种影响是一种典型的多尺度现象。利用小波分析可以方便的根据不同的时间尺度把急诊入院的病案信息的变化趋势分解出来，这种方法有助于合理分配急诊资源。