|
人工智能在医疗质量管理中应用现状和效果范围综述曾华堂1柯夏童1伍丽群1索靖东21. 深圳市卫生健康发展研究和数据管理中心2. 清华大学万科公共卫生与健康学院
摘要：目的 梳理人工智能在医疗质量管理中的应用现状和效果。方法 检索中国知网、万方、维普、Web of Science、Pub Med等数据库近10年文献，并制定纳入和排除标准进行筛选。结果 最终纳入18篇文献。在再入院中，智能随访系统和预测模型的应用明显降低非计划再入院风险；在医院获得性感染中，人工智能辅助感染监测系统对潜在医院获得性感染患者的召回率高；在患者安全中，患者安全事件分类和评估平台自动分析医疗事件报告潜力巨大；在合理用药中，智能处方推荐和审核系统提高处方合格率和降低用药成本；在手术并发症中，手术辅助系统全过程干预显著地减少手术并发症；在住院死亡率中，人工智能算法模型比传统评分方法的预测结果更准确；在医院运行管理中，人工智能技术辅助医院实现就医流程的再改造，提高运行效率和患者满意度。结论 人工智能技术赋能医疗质量提高已有不错的落地应用，有效改善了医疗安全和患者治疗效果。
关键词：人工智能;医疗质量管理;范围综述;
基金资助：科学技术部高技术研究发展研究中心科技创新2030—新一代人工智能重大项目（2021ZD0114100）； 深圳市“医疗卫生三名工程”资助项目（SZSM202111001）；
- 专辑：
医药卫生科技 - 专题：
医药卫生方针政策与法律法规研究
随着美国医学研究所（Institute of Medicine）发布的“人皆犯错”报告过去20多年，医疗质量问题仍普遍存在。例如，美国每年仍有2%～4%患者的死亡或残疾由诊断错误、手术操作不当、用药错误等医疗错误直接或间接造成，而其中有30%～50%因医疗错误导致的死亡和残疾是可以预防的[1]。因此，医院应加快构建医疗质量信息化管理平台，采用人工智能技术实现对医疗质量事前、事中、事后的有效监管，保障医疗质量[2]。
医疗领域中的人工智能技术基于收集到的各种数据识别和预测临床风险，并提供解决危险因素的方案，在提高医疗质量管理方面具有巨大的潜力。例如，人工智能技术能够筛选高风险人群，并提供早期预防指导和干预措施。当人工智能技术与医疗数据相结合时，这些预测能够改善患者和医疗服务提供者之间的沟通，以减少可预防死亡和残疾的发生。在医疗领域中，人工智能技术分为机器学习（ML）和自然语言处理（NLP）两大类，其中ML主要运用于结构化的医疗数据，NLP运用于临床记录、电子病历等非结构化数据。例如，可以利用ML等人工智能技术提供临床风险预测，以提高患者的安全性。与基于规则的风险预测方法相比，数据驱动的ML算法更具有优势，因为它们允许同时考虑多个数据源以识别预测因子和结果[3]。越来越多的医疗机构采用ML及其他形式的人工智能技术，以改善医疗质量和治疗效果。
人工智能在医疗质量管理中有广泛的用途，不仅包括临床诊疗质量，而且有与医院运行相关的医疗效率、医疗效益、系统性和安全性[4]。本文旨在通过基于人工智能的医疗质量管理研究进行范围综述，归纳总结人工智能在医疗质量管理方面的应用现状、实现的效果、存在的问题和面临的挑战，并提出相应的建议，为充分发挥人工智能辅助医疗质量管理的作用提供参考。
1 资料与方法1.1 检索策略本研究要解决的问题是：医疗质量管理中实践了哪些人工智能技术以及人工智能如何改善医疗质量管理。基于此，在中国知网（CNKI）数据库、万方数据库、维普数据库、Web of Science核心数据库、Pub Med和IEEE Xplore数据库中，系统检索基于人工智能的医疗质量管理研究。检索时间范围为：2012年1月1日—2022年8月1日。
根据2011年1月卫生部办公厅印发的《三级综合医院医疗质量管理与控制指标（2011年版）》，人工智能在医疗质量管理中的应用可以从重返类、医院获得性感染类、住院死亡类、患者安全类、合理用药类、手术并发症类、医院运行管理类开展评价[5]。因此，本研究的中英文检索策略如下。（1）中文检索策略。检索词1：人工智能；检索词2：再入院、院内感染、住院死亡、患者安全、合理用药、手术并发症、医院管理；检索式：“主题=检索词1*检索词2”或“全文=检索词1*检索词2”（模糊匹配）。（2）英文检索策略（以Pub Med为例）：#1 artificial intelligence[Me SH],#2 patient readmission[Me SH],#3 hospital acquired infections[Me SH],#4 in-hospital mortality[Me SH],#5 patient safety[Me SH],#6 rational medication[Me SH],#7 surgical complications[Me SH],#8 hospital operation management[Me SH],#9#1 AND (#2OR#3 OR#4 OR#5 OR#6 OR#7 OR#8）。
1.2 文献纳入和排除标准1.2.1 纳入标准根据文献检索情况和研究目标，本文的纳入标准设定如下。（1）研究主题：基于人工智能的医疗质量管理研究，其中医疗质量管理的指标包括重返类、医院获得性感染类、住院死亡类、患者安全类、合理用药类、手术并发症类、医院运行管理类；（2）研究类型：经过同行审议的试验、观察和横断面研究，以定量研究为主；（3）文献来源：期刊和学位论文。
1.2.2 排除标准(1）研究内容没有同时涉及人工智能或医疗质量，其中手术机器人不属于人工智能的范畴；（2）仅能获得摘要部分，但是无法获得全文；（3）语言为中、英文之外的研究；（4）研究没有具体的数据；（5）文献类型为会议类、报告类、信件类、综述类。
1.3 筛选方法(1）将检索到的文献导入到Mendeley 2.71.0文献管理器并删除重复结果，（2) 3名研究人员通过阅读题目和摘要确认文献是否符合纳入标准，（3）对纳入的文献进行全文阅读并提取相关数据。此外，如果研究人员对纳入的文献存在争议，则通过投票最终决定。根据检索策略初步检索到中、英文文献共7 666篇，删除重复结果后保留6 869篇。根据文献标题和摘要确定795篇进行全文阅读，剔除结局指标不明或无法统计的文章，最终纳入18篇文献进行总结分析，见表1。
2 结果与分析2.1 文献外部特征(1）从发表时间来看，在纳入研究的文献中，发表时间最早是2018年，2021年的研究最多（8篇，占44.44%），其次为2018年和2019年（3篇，占16.67%）。
(2）从第一作者所属机构来看，研究来自高校（10篇，占55.56%）、医疗机构（7篇，占38.89%）和研究机构（1篇，占5.56%）。
(3）从研究关键的人工智能技术来看，这些研究主要包括智能监测系统（3篇，占16.67%）、手术操作辅助系统（3篇，占16.67%）、疾病风险预测（3篇，占16.67%）、临床决策辅助系统（2篇，占11.11%）、智能处方推荐和审核（2篇，占11.11%）、患者安全事件分类和评估平台（1篇，占5.56%）、药物不良反应预测（1篇，占5.56%）、管理流程升级改造（1篇，占5.56%）、智能随访系统（1篇，占5.56%）、智慧病房（1篇，占5.56%）。
2.2 文献内部特征2.2.1 人工智能模型用于非计划再入院预测非计划再入院与患者的不良结局相关，并且是治疗质量低的反映，对患者和医院都有很重的经济负担。由纳入的文献可知，约12%的非计划再入院可以避免，并估计可以降低约10亿美元的再入院治疗成本[24]。SVM、随机森林、GBDT等ML模型用于预测非计划再入院发生的概率常见于各种疾病[25]，例如心力衰竭、血液透析、肿瘤等，且大部分预测模型的准确率高达90%以上。但是模型结果应用不足，表现在模型结果不能指导临床干预措施的实施，以改善患者预后和降低非计划再住院风险[26]。
表1 人工智能技术在医疗治疗管理中的应用现状和效果[url=]下载原图[/url]
[url=] [/url] 下载原表 [url=] [/url]
2.2.2 人工智能用于识别潜在医院获得性感染的患者为了减少医院工作人员手动检查所有可能包括医院获得性感染的患者记录，越来越多的医院尝试使用基于人工智能算法的自动监测系统。有大量不同的人工智能算法和分类器模型可以应用于分类任务以识别潜在医院获得性感染的患者，而具有高召回率的算法特别适用于筛查感染，例如SVM和梯度提升等，这些算法的召回率达到89.84%～93.70%，模型精度为66.9%～79.7%[7]。此外，人工智能算法的模型精度在不同病种的表现不同。例如，对含有呼吸机相关的肺炎和败血症的住院患者表现良好，潜在的医院获得性感染患者都能被正确识别。然而，在含有尿路感染和艰难梭菌的住院患者中，有20%的患者被识别错误[7]。
2.2.3人工智能用于自动分析医疗安全事件报告分析患者安全事件报告中导致疾病的因素及严重程度有利于提高患者安全，但每年只有小部分患者安全事件报告被分析，主要原因是安全事件报告内容大部分为非结构化数据，需要大量的人工审查。目前使用NLP、ML等人工智能算法在自动分析医疗事故报告的应用较少，因为医疗安全事件报告中的医学文本高度细致性和专业技术性进一步增加了文本分析的复杂性。然而，Evans等[13]研究表明，ML算法自动分析医疗安全事件报告的潜力巨大，对安全事件分类的准确率为78.82%～98.10%。虽然ML算法自动分析安全事件报告还存在分类错误的问题，还不能完全取代人工审查，但可以作为一个医疗安全事件报告集合。人工审查重点分析集合里的安全事件报告，实现缩小审查范围、节省人力、提高医疗效率和患者安全的目的。2.2.4
2.2.4人工智能用于提升合理用药水平人工智能技术在合理用药领域主要有4个方面：一是处方前置审核，减少医生给药时机、给药剂量、诊断与用药不符、重复用药、给药途径不符、药物配伍禁忌等错误，提高处方合格率。例如，有研究表明，人工智能技术用于13家医院门诊处方前置审核期间，处方合格率平均提高了4.66%[16]。二是临床智能药物推荐，人工智能技术在患者不同疾病阶段下给出个性化的用药方案。例如，在患者手术期间，通过采用ML预测的结果，麻醉师对阿片类药物需求估计的准确性增加了24%[23]。三是医保报销平台监测，人工智能技术用于监测和干预药师可疑的用药行为，以降低药物成本和避免过度医疗。四是药物不良反应预测，基于人工智能的分析可以根据药物相似性（包括化学结构、作用机制等）预测以前未报告的不良反应。例如，有研究表明，使用神经网络的深度学习方法既能预测药物不良反应的准确率，还能识别相关分子的亚结构，以提供个性化的药物不良反应风险评估和治疗建议[8]。
2.2.5 人工智能用于降低手术并发症的发生率据估计，接受侵入性手术的患者中有16%会在30天内出现术后并发症[27]。为了减少手术并发症的发生，人工智能技术主要用于以下3个方面：一是用于预测手术中和手术后环境中的不良事件（包括预测失血量、术后插管需求延长、疼痛、手术切口长度、恶心和呕吐等）。例如，基于人工神经网络模型对接受心肺旁路术的患者术后出血风险进行分层预测以及预测冠状动脉旁路移植术后需要延长通气的时间，准确率分别为92%和73%[28,29]。二是用于识别手术视频中的关键步骤和手术操作的规范性，以警示外科医生手术操作是否符合手术规范，在这些情况下进行术中干预可以显著地降低患者手术并发症的发生率。三是用于自动学习临床外科医生的丰富经验，重构数字化临床程序，如手术切除范围的制定、术后器官保留量和预测可能阳性转移的淋巴结等，使得手术计划和方案不仅依赖于外科医生，还可以使用智能算法的程序。虽然现阶段的人工智能手术系统仅实现了部分智能化，在一定程度上还需要有人的监督，但这一点将会进一步发展以实现全智能。
2.2.6 人工智能用于住院患者死亡率的预测住院患者的死亡率预测是一个重要问题，传统的评分方法通常利用实验室检测结果来预测死亡率。然而，许多研究表明，ML模型比传统评分方法的预测结果更准确。例如，Lee等[30]使用韩国婴儿临床死亡风险指数（CRIB) II数据库的数据进行回顾性分析，结果表明，基于ICU特异性数据深度学习模型对死亡率的预测结果比使用相同预测变量的急性生理功能评分方法表现更好。在过去几十年里，已经开发了几种严重程度评分系统和ML死亡率预测模型来预测住院患者死亡率，但是由于ICU的特殊性，包括疾病严重程度高、疾病进展迅速、样本数量少、患者之间差异大等，因此ICU死亡率的预测模型还有待完善。
2.2.7 人工智能用于优化医院管理流程在传统模式下，医院的医疗管理依赖于医院行政部门的整体规划，往往存在医疗资源分配不合理等管理疏漏和弊端。随着人工智能技术在医院运行管理中的应用，各医院实现了就医流程的升级和再改造，有效地提高了医疗效率和患者的就医体验。例如，一些学者利用长短时记忆神经网络（LSTM）算法建立预测模型，以准确预测患者的平均住院日、最佳病床数量、急诊等待时长等，使得整体平均住院日缩短7%～10%、危急干预成功率提高约8%、患者满意度提高16%[14]。简言之，人工智能技术促进了医院管理和医疗资源配置，并最终提高了患者和医务人员的满意度。
3 讨论与建议3.1 人工智能预测模型结果应考虑现实有用性，为降低非计划再入院提供有力支持目前，仍缺乏研究表明使用人工智能算法预测模型来指导实施的干预措施改善了患者预后并节约了治疗费用。出现这个问题的关键原因是，预测模型准确性的衡量指标不一定能反映预测模型是否有用。有用的预测模型是指能够通过预测结果识别患者非计划再入院的风险层级，采取健康资源再分配的干预措施，使得临床决策发生有利变化，达到改善患者预后和降低再入院风险成本的目的。因此，使用人工智能算法预测非计划再入院的概率时，应考虑和衡量模型的现实有用性。
3.2 按病种搭建感染自动监测系统，提高医院感染监测的精度和速度鉴于病种间的特异性，医院获得性感染自动监测系统在不同疾病中的识别精度不一，同一个人工智能算法模型无法准确判断潜在的、不同病种的患者。因此，在搭建医院感染自动监测系统时，应按病种划分监测模块。此外，医院获得性感染自动监测系统还应开发一个整合各病种的统计分析模块，辅助医院质量管理人员掌握各病种感染数据的变化趋势，以精准预判并提前制定干预措施。
3.3 加强人工智能与医学的交叉融合，提高数据的可获得性和使用场景的广覆盖性目前，基于NLP、ML等人工智能算法自动预测、提供预警和相应解决方案的场景较少：一是因为医疗行业的专业性更强，需要临床医学专家、算法、系统工程师等多方的共同参与和紧密合作；二是人工智能算法自动化分析实现的关键是高效、准确提取非结构化的医疗文本信息，这需要大规模的文本信息训练模型，但信息涉及患者的隐私而难以实现，因此需要实现信息标签的清洗；三是由于医疗数据来源不足且更难以获得，但少量样本数据无法满足ML模型的训练和测试，导致研究结果不具备稳健性和可推广性。
|
