脑血管病临床决策支持系统对卒中医疗服务质量关键绩效指标的影响研究.pdf

120Chin J Stroke,Jan 2024,Vol 19,No.1开放获取（Open Access）脑血管病临床决策支持系统对卒中医疗服务质量关键绩效指标的影响研究张心邈1，2，徐曼2，丁玲玲1，2，荆京1，2，龚浠平1，董可辉1，赵性泉1，2，王拥军1，2，3，李子孝1，2，3，4【摘要】目的 探索脑血管病临床决策支持系统（clinical decision support system，CDSS）对卒中医疗服务质量关键绩效指标改进是否具有积极作用。方法 回顾性连续纳入首都医科大学附属北京天坛医院血管神经病学2病区应用脑血管病CDSS前（2020年111月）住院治疗的缺血性卒中患者作为对照组，应用脑血管病CDSS后（2021年111月）收治的缺血性卒中患者作为干预组，比较两组患者的基线特征和缺血性卒中医疗服务质量关键绩效指标，评估脑血管病CDSS对卒中医疗服务质量的影响。结果 本研究共纳入1331例患者，其中对照组651例，干预组680例。对照组平均年龄为（71.711.8）岁，男性490例（75.3%）；干预组平均年龄（72.310.2）岁，男性498例（73.2%）。缺血性卒中医疗服务质量关键绩效指标中，干预组入院48 h内不能行走患者进行深静脉血栓预防率（86.3%vs.65.0%，P0.01）、出院时患者抗栓治疗率（98.1%vs.96.2%，P=0.03）、出院时合并心房颤动的患者抗凝治疗率（70.1%vs.44.2%，P0.01）均高于对照组。结论 脑血管病CDSS有助于改善缺血性卒中患者的医疗服务质量关键绩效指标。【关键词】缺血性卒中；人工智能；临床决策支持系统；医疗服务质量【中图分类号】R74【DOI】10.3969/j.issn.1673-5765.2024.01.016Research on the Influence of Cerebrovascular Disease Clinical Decision Support System on the Key Performance Indicators of Medical Care Quality for StrokeZHANG Xinmiao1,2,XU Man2,DING Lingling1,2,JING Jing1,2,GONG Xiping1,DONG Kehui1,ZHAO Xingquan1,2,WANG Yongjun1,2,3,LI Zixiao1,2,3,4.1Department of Neurology,Beijing Tian Tan Hospital,Capital Medical University,Beijing 100070,China;2China National Clinical Research Center for Neurological Diseases,Beijing 100070,China;3National Center for Healthcare Quality Management in Neurological Diseases,Beijing 100070,China;4Chinese Institute for Brain Research,Beijing 100070,ChinaCorresponding Author:LI Zixiao,E-mail:【Abstract】Objective This study aimed to explore whether cerebrovascular disease clinical decision support system(CDSS)could improve the key performance indicators of medical care quality.Methods In our study,ischemic stroke patients hospitalized in Ward 2 of Vascular Neurology,Beijing Tiantan Hospital,Capital Medical University before applying cerebrovascular disease CDSS(January to November 2020)were retrospectively included as the control group.Ischemic stroke patients admitted after the application of CDSS assisted diagnosis and treatment(January to November 2021)were included as the intervention group.The baseline characteristics and key performance indicators of medical care quality for ischemic stroke in these two groups were compared to assess the impact of cerebrovascular disease CDSS on medical care quality of stroke.Results A total of 1331 patients were included in this study,including 651 in the control group and 680 in the intervention group.The mean age of the control group was(71.711.8)years,with 490 males(75.3%),and the mean age of the intervention group was(72.310.2)years,with 498 males(73.2%).Among the key performance indicators of medical care quality of ischemic stroke,基金项目国家自然科学基金项目（82171270；82101357）北京市自然科学基金项目（Z200016）作者单位1北京 100070首都医科大学附属北京 天坛医院神经病学中心2国家神经系统疾病临床医学研究中心3国家神经系统疾病医疗质量控制中心4北京脑科学与类脑研究所通信作者李子孝卒中医疗质量管理专栏张心邈 主治医师 讲师李子孝 教授 主任医师 博士研究生导师121中国卒中杂志 2024年1月 第19卷 第1期开放获取（Open Access）the proportion of patients who were unable to walk within 48 h of admission received deep vein thrombosis prevention(86.3%vs.65.0%,P0.01),the rate of patients who were discharged with antithrombotic therapy(98.1%vs.96.2%,P=0.03),and the rate of patients with atrial fibrillation with anticoagulation therapy(70.1%vs.44.2%,P0.01)in the intervention group were higher than those in control group.Conclusions Cerebrovascular disease CDSS can improve the key performance indicators of medical care quality in patients with ischemic stroke.【Key Words】Ischemic stroke;Artificial intelligence;Clinical decision support system;Medical care quality卒中是中国居民第一位死亡原因。在全球范围内，中国年龄标准化后的卒中发病率最高（354/10万人年）1-3。积极推进卒中防治，包括危险因素干预、急性期救治以及规范化二级预防，可以提升卒中的医疗服务质量，改善患者结局。然而，目前卒中诊疗仍面临巨大问题：一方面，指南和临床实践之间仍存在较大差距，亟须寻找提升真实世界中卒中医疗服务质量的有效方法；另一方面，我国优质脑血管病医疗资源分布不均，卒中专业医师短缺，医疗负担重4-5。因此，提升临床医师的脑血管病诊断和治疗水平，推进卒中诊疗标准化与同质化至关重要。近年来，人工智能（artificial intelligence，AI）作为一种新型科技手段和工具已得到广泛应用6-7，临床决策支持系统（clinical decision support system，CDSS）是AI在医疗领域 的一项重要应用技术8-9。CDSS运用计算机系统将患者的临床信息与知识库相互匹配，以协助疾病诊断，并根据循证证据提供优化的诊疗方案，在辅助医师做出临床决策的同时，通过对诊疗流程的提示介入，减少医疗差错的发生，提高医疗服务质量。首都医科大学附属北京天坛医院、国家神经系统疾病临床医学研究中心、中国卒中学会和神经疾病人工智能研究中心于2019年6月联合发布了脑血管病CDSS。脑血管病CDSS可提供AI影像、缺血性卒中病因及发病机制辅助分析，基于指南推荐的缺血性卒中急性期管理及二级预防辅助决策。本研究旨在探索脑血管病CDSS对卒中医疗服务质量关键绩效指标的改进效果。1 对象与方法1.1 研究对象 本研究为回顾性研究，研究对象分为对照组和干预组。对照组：连续纳入安装脑血管病CDSS前（2020年111月），首都医科大学附属北京天坛医院血管神经病学2病区收治的缺血性卒中住院患者。干预组：连续纳入安装脑血管病CDSS并投入使用后（2021年111月），血管神经病学2病区收治的缺血性卒中住院患者。纳入标准：年龄18岁；发病7 d内的缺血性卒中；经头颅影像学证实缺血性卒中；从急诊或门诊收住院。排除标准：DWI阴性的缺血性卒中或TIA；诊断为其他脑血管病（如脑出血、蛛网膜下腔出血、脑静脉窦血栓形成等）；诊断为非脑血管病（如癫痫、中枢神经系统感染、代谢性脑病等）。本 研 究 通 过 医 院 伦 理 委 员 会 批 准（KY2020-016-02）。1.2 研究方法 采用单中心自身前后对照，比较分析应用脑血管病CDSS前后两个阶段患者的基本情况及缺血性卒中医疗服务质量控制指标的执行情况。脑血管病CDSS于2020年12月完成病区安装，并对病区医师进行2周培训，确保掌握使用方法。脑血管病CDSS对接医院信息系统（hospital information system，HIS），从HIS、实验室信息管理系统（laboratory information management system，LIS）、医学影像存档与通信系统（picture archiving and communication system，PACS）、电子122Chin J Stroke,Jan 2024,Vol 19,No.1开放获取（Open Access）病历系统（electronic medical record，EMR）等获取患者数据，通过医学语言处理技术、卒中多模影像自动判读技术、数据推理处理技术处理数据，采用深度学习/机器学习算法与临床卒中知识库相结合的方法，整合多源数据，输出辅助决策，决策内容涵盖缺血性卒中预测、诊断和治疗3个环节。脑血管病CDSS可辅助医师进行梗死特征及颅内血管影像分析、缺血性卒中病因及发病机制辅助分析，并提供基于指南推荐的缺血性卒中急性期管理及二级预防辅助决策，评价卒中医疗服务质量关键绩效指标执行情况（图1）。1.3 资料收集 收集患者人口学特征（年龄、性别），既往史（高血压、糖尿病、血脂异常、心房颤动、卒中/TIA），吸烟史，入院时NIHSS评分，卒中医疗服务质量关键绩效指标执行情况等临床信息。1.4 主要评价指标 主要评价指标为缺血性卒中医疗服务质量关键绩效指标执行情况，关键绩效指标依据神经系统疾病和肾病专业医疗质量控制指标（2020年版）制订10。包括：神经功能缺损评估率、入院48 h内抗血小板药物治疗率、入院48 h内不能行走患者进行深静脉血栓预防率、住院期间患者他汀类药物治疗率、出院时患者抗栓治疗率、出院时合并高血压患者降压治疗率、出院时非心源性卒中患者他汀类药物治疗率、出院时合并糖尿病患者降糖药物治疗率和出院时合并心房颤动患者抗凝治疗率。1.5 统计学方法 采用SAS 9.3进行统计分析。符合正态分布的连续变量以表示，符合偏态分布的连续变量以M（P25P75）表示，组间比较采用t检验或连续Mann-Whitney U检验；分类变量以例数和率（%）表示，组间比较采用Pearson 2检验。所有检验为双侧检验，检验水准=0.05，以P0.05为差异有统计学意义。2 结果2.1 一般资料比较 本研究共纳入1331例患者，平均年龄（72.010.9）岁，男性988例（74.2%）。其中，对照组651例，干预组680例。两组间年龄、性别、入院NIHSS评分、高血压、血脂异常、心房颤动方面的差异不具有统计学意义；干预组患者糖尿病病史比例较高（36.2%vs.30.3%，P=0.02）、吸烟史比例较高（68.2%vs.51.0%，P0.01），差异均有统计学意义（表1）。2.2 卒中医疗服务质量关键绩效指标比较 急性期指标中，干预组入院48 h内不能行走患者进行深静脉血栓预防率较对照组高（86.3%vs.65.0%，P0.01）。出院指标中，干预组出院时患者抗栓治疗率（98.1%vs.96.2%，P=0.03）、出院时合并心房颤动患者抗凝治疗率（70.1%vs.44.2%，P0.01）均高于对照组患者（表2）。3 讨论我国脑血管病患者基数大且增长趋势明显，致残、致死率高，脑血管病防治工作面临巨大挑战。20052015年我国住院医疗服务需求增加接近6倍，而同期从事脑血管病临床诊疗的神经科医师数量仅有2倍增长1-4。经过验证的CDSS是推进脑血管病临床诊疗同质化与标准化，提升医疗服务质量的一项智能化手段6，11-13，EMR电子病历系统；HIS医院信息系统；LIS实验室信息管理系统；PACS医学影像存档与通讯系统；CDSS临床决策支持系统。图1 脑血管病CDSS结构图Figure 1 The framework of cerebrovascular disease CDSS院内卒中相关信息系统数据获取EMRHISLISPACS卒中非结构化数据转化数据处理医学语言处理技术卒中多模影像自动判读技术数据推理处理技术功能影像分析病因分型诊断分析治疗方案推荐循证证据治疗决策治疗提示风险评估预测脑血管病CDSS数据决策数据整合机器学习深度学习模型机器学习算法卒中知识库文献知识库知识图谱123中国卒中杂志 2024年1月 第19卷 第1期开放获取（Open Access）表1 对照组与干预组患者的临床特征Table 1 Baseline characteristics of control group and intervention group患者临床特征对照组（651例）干预组（680例）P值年龄/岁71.711.872.310.20.43男性/例（%）490（75.3）498（73.2）0.39入院NIHSS评分/分4（26）4（26）0.78既往史/例（%）高血压448（68.8）457（67.2）0.53糖尿病197（30.3）246（36.2）0.02血脂异常88（13.5）96（14.1）0.75心房颤动44（6.8）52（7.6）0.53卒中/TIA203（31.2）195（28.7）0.32吸烟332（51.0）464（68.2）0.01表2 对照组与干预组医疗服务质量关键绩效指标Table 2 Key performance indicators of medical care quality in control group and intervention group医疗服务质量关键绩效指标对照组（651例）干预组（680例）P值急性期指标/例（%）神经功能缺损评估率651（100）680（100）-入院48 h内抗血小板药物治疗率636（97.7）671（98.7）0.18入 院48 h内不能行走患者进行深静脉血栓预防率423（65.0）587（86.3）0.01住院期间患者他汀类药物治疗率639（98.2）662（97.4）0.32出院指标/例（%）出院时患者抗栓治疗率626（96.2）667（98.1）0.03出院时合并高血压患者降压治疗率483（74.2）532（78.2）0.08出院时非心源性卒中患者他汀类药物治疗率596（91.6）637（93.7）0.14出院时合并糖尿病患者降糖药物治疗率528（81.1）566（83.2）0.31出院时合并心房颤动患者抗凝治疗率288（44.2）477（70.1）0.01能够帮助临床医师加强循证医学指南与自身临床实践之间的联系，也是未来AI在脑血管病领域应用的一个重要方向。本研究发现基于脑血管病CDSS的干预组卒中患者，多项卒中医疗服务质量关键绩效指标执行率优于对照组，有效提高了卒中医疗服务质量，这与国际上的相关研究结果一致14-16。既往一项整群随机对照研究纳入了1952例缺血性脑血管病患者，评估CDSS对长期抗栓治疗处方实践的影响，研究结果显示，在CDSS辅助下，最佳治疗处方率增高，且缺血和出血事件风险均降低16。本研究中，干预组入院48 h内不能行走患者进行深静脉血栓预防比例较高（86.3%）。在我国，对不能行走的缺血性卒中患者给予深静脉血栓预防的执行水平仍不足。本研究对照组中该比例为65.0%，与“十二五”国家科技支撑计划项目资助的“金桥工程”中干预组数据相似17，CDSS干预组中该比例提升至86.3%，达到了美国“跟着指南走”（get with the guidelines，GWTG）项目中的相应比例18。本研究发现，脑血管病CDSS可显著提高出院时合并心房颤动患者的抗凝治疗率。合并心房颤动的卒中患者复发风险高，二级预防尤为重要。但在临床实践中，伴有心房颤动的缺血性卒中患者的抗凝治疗率严重不足17，19。本研究提示，利用脑血管病CDSS能够有效提高这一比例。既往国外研究也发现，利用基于警报的CDSS进行心房颤动患者卒中风险评估及抗凝治疗提示，可有效提高抗凝治疗率，降低血管事件发生风险20-21。同时，本研究也存在一定局限性：第一，本研究仅在首都医科大学附属北京天坛医院血管神经病学2病区进行，单中心研究代表性不足；第二，本研究未能纳入患者急性期再灌注治疗相关指标；第三，当前的结果不能明确推断这些指标改进与脑血管病CDSS干预存在明确的因果关系。目前国内正在开展基于CDSS的脑血管病医疗服务质量改进整群随机对照研究，可以进一步分析CDSS与医疗服务质量改进的因果关系。随着全球人口老龄化趋势的不断加剧，卒中防治面临巨大挑战。以循证为基础的CDSS可加强指南与临床实践之间的联系，让卒中患者能够得到基于循证支持的治疗方案，对提高卒中医疗服务质量，改善患者结局具有十分重要的意义。本研究发现，脑血管病CDSS可以有效提升卒中医疗服务质量关键绩效指标执行率。脑血管病CDSS对指导脑血管病临床决策、改进医疗服务质量和提升诊疗水平具有重要的应用价值。利益冲突 所有作者均声明不存在利益冲突。124Chin J Stroke,Jan 2024,Vol 19,No.1开放获取（Open Access）【点睛】脑血管病临床决策支持系统有助于改善缺血性卒中患者的医疗服务质量关键绩效指标。临床决策支持系统对于指导临床决策和提升脑血管病医疗服务质量具有重要意义。参考文献1 WANG W Z，JIANG B，SUN H X，et al.Prevalence，incidence，and mortality of stroke in China：results from a nationwide population-based survey of 480 687 adultsJ.Circulation，2017，135（8）：759-771.2 WU S M，WU B，LIU M，et al.Stroke in China：advances and challenges in epidemiology，prevention，and managementJ.Lancet Neurol，2019，18（4）：394-405.3 ZHOU M G，WANG H D，ZENG X Y，et al.Mortality，morbidity，and risk factors in China and its provinces，1990-2017：a systematic analysis for the global burden of disease study 2017J.Lancet，2019，394（10204）：1145-1158.4 LI Z X，SINGHAL A B，WANG Y J.Stroke physician training in ChinaJ/OL.Stroke，2017，48（12）：e338-e3402023-07-18.https:/doi.org/10.1161/STROKEAHA.117.019462.5 WANG Y L，LI Z X，ZHAO X Q，et al.Effect of a multifaceted quality improvement intervention on hospital personnel adherence to performance measures in patients with acute ischemic stroke in China：a randomized clinical trialJ.JAMA，2018，320（3）：245-254.6 HEO J，YOON J G，PARK H，et al.Machine learning-based model for prediction of outcomes in acute strokeJ.Stroke，2019，50（5）：1263-1265.7 WU O，WINZECK S，GIESE A K，et al.Big data approaches to phenotyping acute ischemic stroke using automated lesion segmentation of multi-center magnetic resonance imaging dataJ.Stroke，2019，50（7）：1734-1741.8 CASTILLO R S，KELEMEN A.Considerations for a successful clinical decision support systemJ.Comput Inform Nurs，2013，31（7）：319-326，quiz 327-328.9 AFZAL M，HUSSAIN M，ALI T，et al.Knowledge-based query construction using the CDSS knowledge base for efficient evidence retrievalJ.Sensors（Basel），2015，15（9）：21294-21314.10 国家卫生健康委员会办公厅.国卫办医函 2020 13号 关于印发 神经系统疾病和肾病专业医疗质量控制指标（2020年版）的通知S.北京：中国标准出版社，2020.11 ABEDI V，GOYAL N，TSIVGOULIS G，et al.Novel screening tool for stroke using artificial neural networkJ.Stroke，2017，48（6）：1678-1681.12 GARG R，OH E，NAIDECH A，et al.Automating ischemic stroke subtype classification using machine learning and natural language processingJ.J Stroke Cerebrovasc Dis，2019，28（7）：2045-2051.13 MURRAY N M，UNBERATH M，HAGER G D，et al.Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions：a systematic reviewJ.J Neurointerv Surg，2020，12（2）：156-164.14 ANDERSON J A，GODWIN K M，SALEEM J J，et al.Accessibility，usability，and usefulness of a web-based clinical decision support tool to enhance provider-patient communication around self-management to prevent（STOP）strokeJ.Health Informatics J，2014，20（4）：261-274.15 ANDERSON J A，WILLSON P，PETERSON N J，et al.Prototype to practice：developing and testing a clinical decision support system for secondary stroke prevention in a veterans healthcare facilityJ.Comput Inform Nurs，2010，28（6）：353-363.16 WEIR C J，LEES K R，MACWALTER R S，et al.Cluster-randomized，controlled trial of computer-based decision support for selecting long-term anti-thrombotic therapy after acute ischaemic strokeJ.Qjm，2003，96（2）：143-153.17 LI Z X，WANG C J，ZHAO X Q，et al.Substantial progress yet significant opportunity for improvement in stroke care in ChinaJ.Stroke，2016，47（11）：2843-2849.18 SCHWAMM L H，FONAROW G C，REEVES M J，et al.Get with the guidelines-stroke is associated with sustained improvement in care for patients hospitalized with acute stroke or transient ischemic attackJ.Circulation，2009，119（1）：107-115.19 YANG X M，LI Z X，ZHAO X Q，et al.Use of warfarin at discharge among acute ischemic stroke patients with nonvalvular atrial fibrillation in ChinaJ.Stroke，2016，47（2）：464-470.20 HAN L，ASKARI M，ALTMAN R B，et al.Atrial fibrillation burden signature and near-term prediction of stroke：a machine learning analysisJ/OL.Circ Cardiovasc Qual Outcomes，2019，12（10）：e0055952023-07-18.https:/doi.org/10.1161/CIRCOUTCOMES.118.005595.21 KARLSSON LO，NILSSON S，BNG M，et al.A clinical decision support tool for improving adherence to guidelines on anticoagulant therapy in patients with atrial fibrillation at risk of stroke：a cluster-randomized trial in a Swedish primary care setting（the CDS-AF study）J/OL.PLoS Med，2018，15（3）：e10025282023-07-18.https:/doi.org/10.1371/journal.pmed.1002528.收稿日期：2023-07-20本文编辑：彭涵瑜，栾璟煜