临床医生与信息系统的“爱恨情愁”：知人知面不知“心”

发布时间：2020-07-17 18:20:16来源：e医疗

系列长文

临床医生与信息系统的“爱恨情愁”

这是专题

第9篇文章

全文字数：3200余字

刘倩竹，医学博士，教育学硕士。

2016年加入InterSystems，担任医学总监，带领团队负责产品安全评估和质量控制、临床方案设计和应用指导、医学内容创建和证据更新，主持和参与的项目涉及区域医疗信息化建设、医疗集团数据分析和利用、医疗机构HIS／EMR／CIS系统搭建、医院信息系统获益评估和改进等。在加入InterSystems之前，刘倩竹在北京大学第一医院担任临床医师（心血管内科专业）。11年间，曾先后负责门诊、住院、急诊、ICU等部门的临床、教学和管理工作，并作为医务人员代表多次参与电子病历实施探讨与改进、临床路径和CDSS部署与实践等。2013年赴英学习医学教育，随后加入英国医学杂志出版集团（BMJ），负责CDSS相关产品内容、形式和技术本地化。

专栏前期文章阅读：

作者说：着手书写“临床医生与信息系统的‘爱恨情愁’”系列文章的初衷是，希望从终端用户的视角阐述我们所期待的信息系统，为医学信息工作者提供参考，助力医学信息系统不断改进，最终迎来医疗品质的完美提升。在这个系列中，笔者会以临床常见疾病为例，用真实的临床场景说明亲身经历过的信息系统的优势和不足。其中肯定有思虑不周全或逻辑不严谨之处，望各位读者按需审阅，取其精华、弃其糟粕。同时，文中不涉及机构管理、收银财务、耗材库管等环节对临床工作的影响。此外，本系列更多在于探讨信息系统在临床应用场景中的“可能性”，而非“可行性”；文中部分图片尚处于设想模拟阶段，并非真实系统图片，请知悉。

心脑血管疾病已连续20年“荣登”人类死亡原因榜首，且其引起的总死亡人数令上榜的其他死亡原因“望尘莫及”，每年因心脑血管疾病耗费的医疗资源和费用也是“名列前茅”。随着医学科学的进步，对心脑血管疾病进行预测和筛查的手段愈发丰富。虽然医务人员作为疾病预测和诊疗的第一决策人的地位不可动摇，但是来自医学信息系统的支持和建议，将为做出这些决策提供极大的便捷性。

本文以“10年心血管疾病风险预测”为例，具体描述医学信息系统如何辅助医务人员快速做出精准决策。

01

背景知识

动脉粥样硬化性冠心病和脑卒中（Atheroscleroticcardiovasculardisease，ASCVD）是人类健康的首要威胁，防治ASCVD已经成为全球公共卫生和临床医学面临的重大挑战。目前，关于ASCVD风险的预测模型主要有4个：Framingham预测模型[1]、AHA/ACC预测模型[2]、SCORE预测模型[3]、Chnia-PAR预测模型[4]。

Framingham预测模型是最早的ASCVD预测模型，由于时间久远，其结果可能高估某些地区人们的心血管疾病风险，因此目前应用较少。

AHA/ACC预测模型专门针对40-79岁的美国人群制定，分类涵盖非西班牙裔白人男性、非西班牙裔白人女性、非西班牙裔黑人男性和非西班牙裔黑人女性。必要预测因子包括：年龄、性别、种族、总胆固醇含量、高密度脂蛋白含量、收缩压、是否接受降压治疗、是否吸烟、是否合并糖尿病；次要预测因子包括：舒张压、低密度脂蛋白含量、是否应用他汀类药物、是否应用阿斯匹林。是2018年AHA/ACC血脂管理指南[5]推荐的心血管疾病一级预防预测模型。

图1SCORE预测模型

*点击查看大图

SCORE预测模型（上图1）专门针对40-65岁的欧洲人群制定，分类涵盖欧洲高风险国家／地区男性、欧洲高风险国家／地区女性、欧洲低风险国家／地区男性和欧洲低风险国家／地区女性。预测因子包括：性别、年龄、是否吸烟和总胆固醇含量。是2016年欧洲心血管疾病预防指南[6]推荐的心血管疾病一级预防预测模型。因其方法简便，也是被世界上最多非欧洲国家使用的预测模型。换句话说，是目前全球应用最广泛的心血管疾病预测模型。

China-PAR预测模型是首个中国心血管疾病风险预测模型，建立于四项前瞻性队列随访数据基础之上，采用严格的统计学方法，为中国男性和女性分别构建了10年ASCVD风险预测模型。该模型不仅容纳了欧美模型中涉及到的危险因素，还根据中国南北方地域差别，纳入了腰围、家族史等新的预测因子。由于此模型发布时间尚短、应用数量较小，尚无法得知确切使用情况和预测准确度。

无论应用上述哪个预测模型，凭借医务人员人工计算都是不切实际的，因为即便是预测因子最少的SCORE评分（仅4个预测因子），也有极其复杂的后台逻辑支撑。因此，目前医务人员多是应用各大医学协会或厂商提供的网页计算器（下图2）完成预测。这种方法的弊端在于医务人员需要打开不同网页，并手工输入每个预测因子数值，在紧张高强度的临床场景下，并非一种简便易行的方案。

图2AHA/ACC预测模型网页计算器

*点击查看大图

02

医学信息系统助力10年ASCVD风险预测

尽管上文提到ASCVD风险预测的重要性和迫切度，但是在我国的实际临床工作中，应用却并不普遍。究其原因，大多数在心脑血管科就诊的患者已经诊断为ASCVD或存在明确ASCVD的危险因素，无需进行预测；在其他科室就诊的患者如无心脑血管疾病相关症状和体征，医务人员也很少主动对其进行ASCVD预测；社区医院等承担特定区域内人群健康管理的医疗机构，虽然有义务对所管辖居民进行ASCVD预测，但由于区域内各层级医疗机构之间的医疗数据并不联通，很难获取各类预测模型所需预测因子数值，因此也无法做到全民预测。

近年来，医学信息系统在实现了流程和管理功能之后，越来越多地关注到临床决策支持功能。如果能在医务人员使用电子病历系统的过程中，由系统自动完成10年ASCVD风险预测，并在页面进行醒目标识，则会大幅度提升工作效率和预测模型使用量。根据医疗机构选择的预测模型不同以及应用方式不同，通常有以下两种方法可以实现系统ASCVD风险预测功能。

2.1在HIS或EMR中直接创建预测模型

根据上述预测模型文献中提供的预测因子和计算逻辑，医疗机构信息科可以自行创建所选中的预测模型。医务人员可以有多种方式开启预测模型：

（1）将“10年ASCVD风险预测”在系统中设置为图标“10ASCVD”，并显示于患者信息栏（下图3），点击该图标，系统自动进入风险预测页面，且所有预测因子数值均从系统中调用并填充到相应字段。这种方式的优势在于，医务人员无论在哪个页面，只要该页面包含患者信息栏，即可完成风险预测。

图3通过图标计算10年ASCVD风险

*点击查看大图

（2）将“10年ASCVD风险预测”在系统中设置为医嘱项目（下图4），该医嘱项目可以单独开具，也可以作为某个医嘱组套的一部分进行开具（医嘱组套的详细介绍请参阅本系列文章第2篇，点击阅读：）。医嘱开具成功后，系统会自动跳转至预测模型页面。同理，所有预测因子数值均从系统中调用并填充到相应字段。这种方式的优势在于，将风险预测作为对患者的诊治方案的一部分进行实施和管理。

图4通过医嘱计算10年ASCVD风险

*点击查看大图

（3）将“10年ASCVD风险预测”在系统中设置为病历记录的一部分（下图5），其余同上。这种方式的优势在于，预测结果会自动进入病程记录，医务人员可以在此基础上添加备注。

图5通过“行动”计算10年ASCVD风险

*点击查看大图

无论以何种方式进行10年ASCVD风险预测，其预测结果都会以图标形式显示在患者信息栏或任何患者层级的页面的醒目位置（下图6）。不同风险分层以不同颜色CVD显示，例如CVD（代表低危，<5%）、CVD（代表临界，5-7.4%）、CVD（代表中危，7.5-19.9%）、CVD（代表高危，≥20%）。将鼠标置于图标上方，系统以悬浮框形式弹出具体数值和危险分层。

图610年ASCVD风险预测结果显示

*点击查看大图

2.2通过整合SMARTonFHIR调用预测模型

FHIR是FastHealthInteroperableResources的简称，是HL7标准的最新版。于2011年提出，结合了HL7V2、V3和CDA的优势功能，同时支持现代网络标准和最新Web技术，提供统一的扩展和约束机制，重点关注可实施性。

SMART是医疗应用平台，帮助医疗IT工作者快速创建适用于医生、护士、患者等医疗流程参与者使用的、贯穿诊疗全过程或着重某一重点场景的各类应用

大多数SMART平台上的应用本着开源的原则，可以供符合FHIR标准的HIS或EMR系统直接整合应用。AHA/ACC预测模型便是其中一个（网页链接：https://github.com/cerner/ascvd-risk-calculator）。

只要医疗机构的HIS或EMR支持FHIR标准，即可安装并使用心仪的SMARTApp，App通过FHIR接口依照用户许可访问的数据范围自动填充患者相关信息、自动运行预测模型、得出风险预测结果。

这种方式的优势是避免自行创建预测逻辑的繁琐，但是需要注意：

（1）SMARTApp共享平台上公布的App数量有限，并非包含所有10年ASCVD预测模型，譬如本文提到的4个模型中，只有AHA/ACC预测模型出现在SMARTApp共享平台上；

（2）确保现有系统与SMARTApp提供的API接口相匹配，否则即便医务人员可以通过HIS或EMR进入风险预测页面，也只能手动填写预测因子数值，无法做到系统直接调用；

（3）请随时关注已被选中并正在使用的SMARTApp的内容是否符合最新临床指南和专家共识，以免给临床诊疗带来不必要的差错。

03

结语

通过医学信息系统可以为临床提供的决策支持多种多样，本文只是以“10年ASCVD风险预测”为例进行说明，类似系统功能还有新生儿先天性心脏病筛查、慢性肾脏病风险评估等等。这些决策支持与通常所说的临床决策支持系统（CDSS）的区别在于，前者应用于健康人群的疾病预测和管理，而后者侧重于就诊患者的疾病诊断和治疗。针对这个特点，前者技术逻辑相对简单、对医学内容的要求也较后者略低。但是，仍然值得注意的是，医学信息工作者在创建此类功能时要务必邀请医疗机构管理层和一线医务人员全程参与，从目标讨论、方案设计、功能实施、测试上线，到逻辑调整、操作优化、应用分析和统计展示，均要求双方密切合作。

当IT技术与临床需求真正融合贯通时，才能发挥医学信息系统的最大作用。

04

参考文献

1.RalphB.D’Agostino,RamachandranS.Vasan,etc.GeneralCardiovascularRiskProfileforUseinPrimaryCare:TheFraminghamHeartStudy.Circulation.2008;117:743-753.

2.ScottM.GrundyandNeilJ.Stone.2018CholesterolClinicalPracticeGuidelines:Synopsisofthe2018AHA/ACCMultisocietyCholesterolGuideline.AnnInternMed.2019;170:779-783.

3.R.M.Conroy,K.Pyörälä,etc.Estimationoften-yearriskoffatalcardiovasculardiseaseinEurope:theSCOREproject.

4.XueliYang,JianxinLi,etc.Predictingthe10-YearRisksofAtheroscleroticCardiovascularDiseaseinChinesePopulation.Circulation.2016;134:1430-1440.

5.2018AHA/ACCGuidelineontheManagementofBloodCholesterol.JournaloftheAmericanCollegeofCardiology.2019;73(24):e285-e350.

6.2016EuropeanGuidelinesoncardiovasculardiseasepreventioninclinicalpractice.EuropeanHeartJournal.2016;37:2315-1381.

-END-

微信改版

星标/置顶e医疗

深度好文不迷路哦~

近期专题推荐点击阅读

……

更多专家和主题

请在菜单栏“e医疗-搜往期”输入关键字查看。

©以上文章来源

e医疗原创文章，转载请注明来源。