4-王玉林-大数据时代的智慧医疗

大数据时代的智慧医疗西安交通大学第一附属医院王玉林2CONTENT目录医疗现状及发展趋势0102AI大数据与医疗04智慧时代的癌症中心与MDT06智慧网络医院展望03人工智能医学影像应用05人工智能政府应用3医疗现状及发展的趋势4医疗投入现状随着医疗需求的增长，医疗投入不断加大。中国无论是政府医疗支出还是人均医疗卫生支出现在都处于世界较低水平5从图中看出，人均卫生费用近些年都在稳步增长，而全国卫生技术人员数增长缓慢。医疗需求增长迅速，医务人员增长缓慢，近十年的数据表明全国医疗的总门诊人次，卫生总费用、人均费用增长明显高于卫生人员。医疗需求增长6医疗资源的绝对与相对不足医疗资源的相对不足，体现在医疗资源在时间、空间、行政区划上的分布不均。医疗资源的绝对不足是绝对的，因为人对健康的追求是无限的。传统的信息化手段，有助于解决医疗资源不均的问题，也可以通过提高医生工作效率的方式方式提高医疗资源的利用率，但是不能从根本上解决医疗资源绝对不足的现状；而AI和大数据方式在医疗行业的合理应用可以从根本上解决这一问题。7技术革新一直在推动医疗行业进步社会医疗具有诊疗理论具有管理能力近代时期个体行医隔离和慈善性质古时代设备自动化系统实现电子化如今时期人工智能、大数据加入实现基因检测即将时期8AI、大数据与医疗前沿科技对医疗的推进9交大一附院数据量现状1.系统数据繁杂、量多2.系统中关键信息缺失严重主要特点：数据分类数据情况诊断ICD缺失情况1800万：1000万门诊挂号身份证缺失情况1780万：800万患者信息表身份证缺失情况950万：620万电子医嘱约6000万条/年住院电子病历数据(EMR)约10万份/年影像数据(PACS)约90万次/年检验数据量(LIS)约350万次/年10医疗数据问题当前的his、lis、pacs、手麻、emr等核心业务系统对互联互通不足，缺乏统一的标准和规范的对接方式。院内系统互联互通不足由于系统最初的设计存在”过分考虑”和“考虑不足”等现象，致使数据存在大量的冗余与无用信息，且存在大量漏天现象，部分业务系统存在新旧更替导致历史数据无法使用的情况。数据结构不合理由于历史原因，缺乏唯一患者主索引，致使在各个应用环节不能完整再现一个病人的诊疗记录。缺乏患者主索引存在大量数据无法进行数据挖掘等进一步的数据分析工作，原因是多方面的，主要是系统间甚至系统内数据缺乏统一标准，以及文本病程记录等医疗文书固有的非结构化特点。大量不可处理的数据11患者唯一主索引缺失411982133863526252314511540621237092284150040380500001000001500002000002500003000003500004000004500002张3张4张5张6张7张8张9张10张大于10拥有多张卡的患者拥有卡数量12有ICD码的诊断分类391565303796221496221140203213156888154033148564140074132768050000100000150000200000250000300000350000400000450000病种数量13科室门诊量季节性变动呼吸科,52110儿科,100718脑血管,717970200004000060000800001000001200001月2月3月4月5月6月7月8月9月10月11月12月坐标轴标题科室挂号量14病种随季节变化0100020003000400050006000700080001月2月3月4月5月6月7月8月9月10月11月12月诊断变化痘病毒感染季节性鼻炎淋巴肉瘤15近五年增长最快的疾病0200040006000800010000120002013年2014年2015年2016年2017年Z95具有心脏起搏器C50乳恶性肿瘤C34主支气管恶性肿瘤16人工智能-医疗的概述智能导诊问答系统智能问诊智能健康管理语音电子病历智能影像推荐用药科研系统医疗应用自然语言处理机器学习深度学习人工智能抽取转换存储加载ETL工具核心技术患者主索引HIS数据PACS数据LIS数据EMR数据取之于医生用之于医生用之于患者取之于患者大数据+AI服务患者大数据+AI辅助医生17医疗智能分析原理医疗数据分析研究框架HealthcareAnalytics研究围绕4个网络展开18医疗智能分析的基础——医疗知识库破伤风疾病症状检查药品科室手术部位概述19医疗智能分析的基础——医疗知识库疾病：10303药品：9197检查：3148症状：9429手术：6488科室：193部位：292药品类：379检查类：52症状类：118医学知识库疾病部位科室手术症状检查药品关系数150万AI推断基础20MedicationsDiseasesModifiersNEJMMedicalConceptAnnotations–AttributeextractionsAI、大数据在医疗领域的典型应用Symptoms21SymptomsUTIDiabetesInfluenzaHypokalemiaRenalFailurenoabdominalpainnobackpainnocoughnodiarrhea(ThyroidAutoimmune)EsophagitispravastatinAlendronatelevothyroxinehydroxychloroquineDiagnosisModelsfrequentUTIcutaneouslupushyperlipidemiaosteoporosishypothyroidismConfidencedifficultyswallowingdizzinessanorexiafeverdrymouththirstfrequenturinationFamilyHistoryGraves’DiseaseOralcancerBladdercancerHemochromatosisPurpuraPatientHistoryMedicationsFindingssupine120/80mmHGurinedipstick:leukocyteesteraseurineculture:E.Coliheartrate:88bpmSymptomsFamilyHistoryPatientHistoryMedicationsFindingsAI、大数据在医疗领域的典型应用——智能诊断22AI、大数据在医疗领域的典型应用ICD诊断MS999急性肠胃炎999发热脑梗死ICD诊断I10高血压病R50发热I63脑梗死人工智能后结构化引擎自然语言的后结构化23数据与知识混合驱动的医生决策支持AI、大数据在医疗领域的典型应用场景描述医疗不良反应数据管理，是基于海量药物数据信息与机器学习算法，挖掘出在药品-药物与不良反应之间的关联关系。24疾病风险预测与决策支持AI、大数据在医疗领域的典型应用核心技术：基于深度学习的患者归一化表达与相似度25病程演进分析医疗数据分析应用四核心技术：患者相似度建模与时间序列分析26数据与知识混合驱动的医生决策支持AI、大数据在医疗领域的典型应用场景描述医疗大数据临床路径管理，是基于海量医疗数据与人工智能算法，发现诊疗过程中可能存在的问题,以规范医疗行为。AI辅助决策-临床路径分析27药物智能挖掘AI、大数据在医疗领域的典型应用场景描述：药物挖掘主要完成的是新药研发、老药新用、药物筛选、药物副作用预测、药物跟踪研究等方面的内容；人工智能在药物挖掘方面的应用，主要体现在分析化合物的构效关系（即药物的化学结构与药效的关系），以及预测小分子药物晶型结构；人工智能与药物挖掘的结合，使得新药研发时间大大缩短，研发成本大大降低；这将有可能根本上改变用药“平均”观念，即某种药物在临床使用中对大多数人有效，则认为这种药物对所有人有效;可以针对特定人群的开发有针对性的药物。5000-10000个候选化合物剩余250个化合物临床Ⅰ、Ⅱ、Ⅲ期试验剩余5个SCFDA或CFDA申请审批最终一款新药上市化合物研究临床前研究临床研究药品审批药品上市28智慧科研AI、大数据在医疗领域的典型应用利用统计学工具对入组患者进行分析，包括散点图、折线图、多元回归分析、热力图等多种方式29人工智能医学影像应用30高清的X光影像CT手部影像三维重建的手部骨骼和血管造影伦琴拍摄的第一张X光1851年1950年1990年现代医学影像技术不断进步31基于影像的诊断依然主要依赖医生的经验19世纪医生阅片20世纪医生用胶片阅片本世纪医生用竖屏阅片医学影像技术一直在改变，但人工阅片的模式还没有改变32Binarize(二值化)左右肺提取网络结构预测结果人工智能阅片机理利用图像学将影像进行分层切割采用深度学习算法（GPU计算），实现快速数据训练使用Non-maximumSuppression(NMS)算法预测结节位置及概率33案例：肺结节检测肺癌概念：肺癌发生于支气管粘膜上皮，亦称支气管肺癌。肺癌一般指的是肺实质部的癌症。中国国家中心癌症注册处数据结果显示，中国2015年估计有4292,000例癌症新发病例，2814,000例癌症死亡，肺癌成为最常见癌症，也是癌症死亡的首要原因。临床常用的肺癌诊断影像学检查：胸片检查、CT扫描、增强CT检查等。中国2000-2011年间，男性癌症发生率阿里云－天池医疗AI大赛中获奖3401肺部胸腔肺部区域提取与分割CT影像3-D复原案例：肺结节检测35肺部切面疑似肺结节疑似肺结节分割案例：肺结节检测3603多视角卷积神经网络(Multi-ViewConvolutionalNetworks)疑似肺结节分割案例：肺结节检测3703设计网络架构-主要借鉴vision的思想案例：肺结节检测备注：此网络的做法是•可以选择通用的网络架构，比如resnet,vgg等•图片分成n*n小格子•对于每一个小格子，预测bbox的位置以及为物体的概率。其中bbox就是4个坐标，中心的x,y以及宽度和长度。YOLO:Real-TimeObjectDetectionThisnetworkdividestheimageintoregionsandpredictsboundingboxesandprobabilitiesforeachregion.Theseboundingboxesareweightedbythepredictedprobabilities.JosephRedmon,AliFarhadi:YOLO9000:Better,Faster,Stronger.CoRRabs/1612.08242(2016)3803医学影像云应用实例：远程阅片基层医院三甲医院有效报告一线医生书写报告（报告工作站）二线医生审核报告（报告工作站）自动阅片请求报告（申请工作站）AI智能阅片影像技师人工审核、确认39智慧时代的癌症中心与MDT40患者能从MDT诊疗过程中获得个体化的诊疗信息和帮助个性化MDT诊疗决策通常需遵循行业临床指南遵循性MDT诊疗过程能促进成员间的交流与合作合作性MDT会议能让患者有机会被纳入高质量的临床试验高质量患者能获得诊治的连续性，即使曾在不同的MDT团队或医院曾接受诊治连续性MDT团队需要定期对诊疗决策和实践进行总结，提高诊疗水平回顾性MDT团队成员有机会获得专业继续教育专业性MDT团队需要有良好的数据管理机制，既能为患者保存就诊资料，也可用于管理和研究数据依赖性MDT简介多学科诊疗团队（Multi-disciplinaryteamMDT）：通常指由来自两个以上相关学科、相对固定的专家组成工作组，针对某一器官或系统疾病，通过定时、定址的会议，提出科学、合理意见的临床治疗模式。MDT模式不同于传统的多学科会诊或全院查房，后者更多强调的是诊疗过程和方法，而MDT强调的是诊疗中的工作模式和制度。410102030405癌症数据中心各系统运行基础，数据资产仓库肿瘤登记系统癌症患者临床信息集成化录入、管理、查询平台患者随访平台提升医疗服务治疗，提高患者治疗数据完整性的重要手段MDT综合管理系统规