智慧医养大讲堂
您当前的位置:  > 智慧医养大讲堂

No.4 孔桂兰:学习型健康医疗系统——涵义与应用

  • 期号:2021-06 总90期

编者按

智慧医养大讲堂由中国老年学和老年医学学会智慧医养分会、智慧养老50人论坛、中国人民大学智慧养老研究所共同主办,原则上每月举办一期。

智慧医养大讲堂第期于2021428日晚在在中国人民大学信息学院理工配楼4层会议室成功举行,同时线上腾讯会议同步进行!本期大讲堂由中国人民大学信息学院青年教师周季蕾博士主持。

主讲人孔桂兰,北京大学健康医疗大数据国家研究院副研究员中国老年学和老年医学学会智慧医养分会副主任委员中国医院协会健康医疗大数据应用管理专委会常务委员

一、学习型健康医疗系统的背景及概念

健康医疗系统的核心主题包括健康医疗服务的提供方、使用方和购买方,这样就构成了完整的健康医疗系统。

cc41c2gt2kx20regzu.png 

1 健康医疗系统示意图

传统医学范式具有一定的局限性。传统医学范式一般分为医学研究、医学实践、医学教育三部分,医学研究的目的是通过科学研究发现新的医学知识,医学实践的目的是治病救人,通过医学教育使医学人员掌握这些医学知识应用到医学实践中,从而推动医学进步。但是研究发现,医学知识从发现到落地到医学实践中最长需要17年的时间,因此现在的医学实践远远落后于医学研究。

 

cc41c91riuxunvpqqu.png 

2 传统医学范式图

健康医疗领域一个不容忽视的问题是医疗差错,随着医疗信息化的推进,研究发现2020年全球人口和医疗卫生系统的数据生成速度是2011年的50倍,生物医学知识的倍增时间从1950年的50年到现在2020年的73天。医生不得不花费大量时间用于医疗数据的录入上面,导致与患者的交流时间减少,这就很容易导致医疗差错的发生。

循证医学就是一种解决医疗差错问题出现的方法这就对医生提出了很高的要求,第一要能访问各种证据库、文献库,第二医生能使用各种文献库等进行相关文献检索,第三医生要具备一定的知识储备能够判断哪些数据可以采纳。这给循证医学的发展带来了一定的瓶颈。

在此背景下,2007年美国国家医学研究院提出了学习型健康医疗系统的概念(The Learning Healthcare System),该概念最早萌芽于2006年的一次圆桌会议,当时的会议主题是循证医学,最终科学家们提出证据的产生、应用应与当前健康医疗系统无缝链接,形成学习型健康医疗系统 

2009年,Charles Friedman教授在美国Health IT协调办公室任首席科学家时,开始LHS研究,推动了LHS的发展,并提出了一个LHS的通用定义:一个任何规模的医疗系统,如果能够持续、日常地从数据中学习,并持续改进医疗服务质量和效率,就称之为学习型健康医疗系统-LHS”。在他的推动下, 2014年美国密歇根大学成立LHS ,其中核心关键词是learning (学习)the sciences related to learning(学习的科学)health(健康医疗2017年美国密歇根大学和相关公司成立研究学习型健康系统的期刊《Learning Health System》。

学习型健康医疗系统的目的主要有以下五个方面:每一个患者事件都能被记录、学习数据产生的知识能够及时辅助医学决策通过日常不间断的学习,健康医疗质量能够持续得到改进一个基础架构能够支撑各种规模LHS的正常运行LHS应该能够成为一种文化、日常行为

学习型健康医疗系统的规模可以是单个健康医疗机构,也可以是多个健康医疗机构组成的网络组织;从地域上来分,可以是一个地区//省的健康医疗机构,也可以是整个国家的健康医疗机构,未来的发展可以成为全球的健康医疗机构。

二、学习型健康医疗系统的核心要求及架构

学习型健康医疗系统的支撑平台不仅需要政府政策的支撑,也需要技术的支持平台和人力的支撑,实现这个过程的建设需要政府、医疗机构、医生、患者等与医疗相关的人员共同参与。学习型健康医疗系统的核心过程分为三个方面:第一,从医疗实践到医疗数据的产生,主要涉及到健康医疗信息系统平台的建设,是一个工程性的工作。第二,医疗数据产生之后的大数据挖掘,产生相关的健康医疗知识。第三,基于产生的健康医疗知识辅助医学决策。

实现一个学习型健康医疗系统的主要步骤一般分为以下六步:定位急需解决的健康医疗问题成立LHS学习型共同体LC实现医疗实践到医疗数据的采集实现医疗数据到医疗知识的产生实现医疗知识到医疗实践的转化应用开启下一轮的学习周期

在医疗数据到医疗知识的这一过程中,医疗大数据的分析挖掘主要有四类的方法:第一,描述性方法,主要是日常的统计分析。第二,预测性建模,基于历史发生的疾病数据情况,预测未来疾病发生的风险或者某个群体或者某个患者不良预后发生的风险。第三,诊断性分析,比如哪些因素决定了某种疾病的发生。第四,指导性分析,比如虽然知道某种疾病的发生情况,也预测到了某个患者的不良预后,但是对病人进行怎样的干预,需要医生做一些决策,这都需要指导性知识的支持。

在医疗知识到医疗实践的这一过程中,数据产生的医学知识主要包括回归方程、预测模型、临床指南、决策模型、医学规则,要对这些医学知识进行解读和建模,然后开发医疗决策支持系统。这里的决策支持系统主要有临床决策支持系统(CDSS)和可计算生物医学知识(CBK)。

美国医学信息学协会在2007年发表的文章说明,在美国信息技术和大数据技术的支撑下,要实现临床决策支持系统,需要三大支柱:第一,最佳的知识按需可用。第二,高度采纳并有效使用 。第三,知识、决策支持方法的持续改进(学习型) 

可计算生物医学知识(CBK)自2016年在美国经Charles Friedman团队提出之后,得到了美国以及其他西方发达国家学者和业界的热烈响应。CBK中的知识更为广义:既包括传统自然语言描述的知识,亦包括数据挖掘产生的各类数学模型;CBK的功能在于把人读(human readable)的知识封装为机器可读、可运行(machine readable, executable)的知识对象,从而机器可以对该知识对象进行检索、推理、以及共享;CBK的目的在于使医学知识可查找(Findable), 可访问(Accessible), 可互操作(Interoperable), 可重用(Reusable)(FAIR)

目前北京大学健康医疗大数据国家研究院合作团队-美国密歇根大学开发了一个针对可计算生物医学知识(CBK)的系统平台-Knowledge GridKGrid,主要包括可计算知识对象、数字图书馆/可计算知识对象库、可计算知识对象激活器、可计算知识对象应用服务四个方面。

总之,学习型健康医疗系统(LHS)是大数据时代帮助提升医疗服务质量、改善患者预后、降低医疗费用的新医疗范式。临床决策支持系统是实现学习型健康医疗系统(LHS)的重要工具,可计算生物医学知识是实现临床决策支持系统的重要技术手段,可计算生物医学知识+临床决策支持系统是实现LHS的催化剂。

三、学习型健康医疗系统的国际成功案例

CancerLinQ是由美国临床肿瘤学会(The American Society of Clinical Oncology, ASCO)创建的一个肿瘤诊疗领域LHS。截至目前, CancerLinQ收集了100多家参与医疗机构中的患者全部数据, 已经成为肿瘤诊疗数据覆盖面最广的LHS集成平台。在此数据基础上, CancerLinQ可以进行快速数据分析,通过学习数百万肿瘤患者的临床数据,为临床医生提供诊疗质量评估和实时的临床决策支持,最终帮助提高肿瘤诊疗质量、优化每位患者的诊疗决策。通过逐步积累肿瘤诊疗新知识, CancerLinQ可以为临床指南和临床决策支持工具的修订提供有力的证据,且能为临床医生在快速变化的医疗环境中提供最新肿瘤诊疗知识。

四、学习型健康医疗系统的国内推进及未来发展

北京大学健康医疗大数据国家研究院2018年开始在国内推进学习型健康医疗系统的工作2018与英国曼彻斯特大学一同建设了北大曼大论坛,邀请了John Ainsworth 教授及其团队成员Glary Leeming 博士分享了英国大曼城区健康互联城市的经验和技术2019根据曼大的经验,建设了国际联合工作坊成立学习型智慧医疗体系研究中心2020年联合密歇根大学医学院联合研究所和浙江省鄞州区基于浙江省鄞州区电子健康档案数据建设肾脏疾病领域的学习型智慧医疗体系

学习型健康医疗系统(LHS)面临的挑战主要有以下几个方面:LHS的推动需要医疗政策、医学伦理的支持成立LHS学习型共同体LCLHS的推动需要医疗大数据采集、存储、以及实时、智能分析的基础技术平台支撑LHS (CDSSCBK)需要实时集成到EMR医疗机构、医护人员对LHS的认可、接受和使用

资料来源:

据发表在智慧养老50人论坛公众号上的《智慧医养大讲堂No.4|孔桂兰学习型健康医疗系统——涵义与应用》缩写整理得到。

(责任编辑:曹敏)

Copyright © 2021 RESEARCH INSTITUTE OF SMART SENIOR CARE. All rights reserved

京ICP备18021587号-6