基于智能预警模型的院内VTE防治管理实践

摘要：文章介绍了广西医科大学第一附属医院引入 VTE 防治系统的应用效果。该系统基于智能预警模型，通过量化管理和动态监控，显著提升了 VTE 风险识别率和防治水平，并有效减轻了医护人员的工作负担，提高了专科运营效率。

关键词：VTE防治系统；机器学习；医疗安全

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2025）09-0045-03 开放科学（资源服务） 标识码（OSID） ：

0 引言

深静脉血栓形成（VTE） 是一种严重的医疗状况，其发病的隐蔽性和症状的非特异性使得它成为医疗质量和患者安全的一个潜在威胁[1]。由于VTE的早期识别和预防至关重要，因此，寻求高效、准确的风险评估和预防手段成为当前医学研究的热点。鉴于上述背景，医院提出构建VTE防治管理系统，提高防治效率，更有效地规范VTE的临床管理。近年来，人工智能技术的迅猛发展及其在医学领域的广泛应用，为临床VTE防治提供了新的解决思路。特别是机器学习算法，它能够从海量的医疗数据中挖掘出深层模式，构建出精确的静脉血栓栓塞（VTE） 预测模型[2]。这种技术的引入，无疑为提升血栓风险评估和预防能力带来了新契机。已有研究展示了机器学习在VTE风险评估中的应用潜力[3]。例如，一项涵盖7 家医院、57000余例手术患者的研究显示，通过机器学习技术构建的Gradient Boosting模型在预测性能上显著优于传统的Caprini评分系统[4]。这不仅证明了机器学习在医疗领域的实用性，也揭示了其相较于传统方法的优越性。因此如果VTE防治管理系统通过机器学习，能智能自动血栓风险评估和预警，实现实时监控，则可以大幅提升VTE防治的效率和效果，从而保障患者的安全与健康[5]。

1 项目建设与开发

1.1 数据采集与标准化治理

通过应用程序编程接口（API） 直接与医院信息系统（例如HIS、LIS、PACS等） 进行集成，实现患者数据的实时或定期获取，降低了因人工操作而产生的错误。对于复杂的数据结构和格式，采用专业的数据抽取工具，如ETL工具，对医院信息系统中的数据进行有效抽取、转换和加载，以满足各种数据采集需求。对于那些对实时性要求极高的数据，比如患者生命体征监测数据，通过抓取系统日志的方式来获取，以保证数据的实时更新，为VTE防治提供即时支持。这些数据构成了智能预警及辅助决策的基础。医院信息技术人员通过标准化的数据治理流程，在数据采集的过程中，实施了严格的数据校验机制，包括字段长度校验、数据类型校验、值范围校验等，以及时发现并纠正数据中的错误和异常，确保数据的准确性。采集到的数据将经过清洗，去除重复、无效或错误的数据，并将不同来源、不同格式的数据转换为统一的格式和标准。此外，还建立了数据监控机制，对数据采集、存储和处理的整个过程进行实时监控，确保数据的准确性和可用性。

1.2 知识库与规则引擎构建

针对静脉血栓栓塞症（VTE） 的防治，信息中心的技术团队与临床医务人员紧密合作，广泛搜集与VTE 相关的疾病知识、临床指南、共识文件以及最新的研究文献，并精心筛选整理出权威、准确且对临床实践具有指导价值的知识内容。这些知识被分类整理，例如基础规则、创新规则、智能规则等。此外，对知识进行了结构化处理，提取了关键信息，如疾病诊断标准、治疗方案、预防措施等，形成了标准化的知识条目。这些结构化后的知识条目被整合到一个全面的引擎知识库中。基于知识库中的内容，定义了各类规则，如不良事件识别规则、禁忌证提示规则、危急值报警规则等。技术人员编写规则逻辑，将规则转化为可执行的代码；通过上述知识库的构建过程和规则引擎的设计方案，成功构建了一个智能的VTE防治系统。系统支持根据不同场景和业务需求灵活配置和调用规则集。

1.3 VTE 风险关键控制点与指标研究

为深入分析静脉血栓栓塞症（VTE） 的发生因素，临床医务人员首先运用文献检索法，广泛搜集了关于静脉血栓栓塞症（VTE） 发生因素的众多研究资料。对这些文献进行了系统的回顾与分析，初步筛选出可能与VTE发生相关的因素。随后，设计并发放了针对医护人员的调查问卷，了解他们对VTE的认知、态度以及在临床实践中的经验。通过问卷调查，收集到了医护人员对VTE发生因素的直接反馈和观察数据。此外，对具有丰富临床经验的医务人员进行了深入访谈，从而获取了更多关于VTE发生机制的深入见解和临床经验。将通过文献法、调查法和访谈法收集到的数据进行整合。运用统计学方法对数据进行处理和分析，以识别出与VTE发生显著相关的因素。根据数据分析结果，初步筛选出可能影响VTE发生的一系列潜在因素。这些因素可能包括患者年龄、性别、基础疾病、手术史、卧床时间、血液指标等。利用医院信息系统中的临床数据，对初步筛选出的潜在因素进行进一步的验证和分析。通过客观数据，评估这些因素与VTE发生之间的关联强度和可靠性。组织专家团队对初步筛选出的因素进行评审和讨论。运用德尔菲法（Delphi法） 进行多轮筛选和验证，进行多轮专家咨询，最终确定了影响VTE发生的关键潜在因素。这些因素包括血液速度减慢（如长期卧床、活动减少） 、血管壁损伤（如手术、创伤） 、血液高凝状态（如妊娠、产后、外科大手术后） 等。信息中心技术人员利用自然语言处理（NLP） 引擎，从文本信息中提取了关键信息，并将其转化为结构化的数据。为进一步确保信息的一致性和标准化，信息技术人员同时将这些信息映射至国际医学术语标准系统SNOMED-CT，为每个信息元素分配了唯一的标识符，便于后续的数据管理和深度分析（图1） 。

1.4 智能VTE 风险预警模型构建

在构建智能VTE风险预警模型时，特征工程、模型训练及评估是核心环节。系统首先全面收集患者的基本信息（如年龄、性别、体重等） 和血液学指标（如凝血指标、血小板计数等） ，这些信息构成了模型输入的原始特征。对于不同类型的特征，采用了相应的预处理方法，如编码转换和归一化处理，以消除量纲差异并提升模型性能。如将年龄转换为具体数值，将性别编码为二进制变量（如男性为1，女性为0） ，确保模型能够处理这些特征。对于类别型特征，采用编码转换，如使用独热编码（One-Hot Encoding） 将离散的类别值转换为二进制向量。对于数值型特征，进行归一化处理，如使用最小—最大归一化或Z-score标准化，以消除量纲差异，使特征值处于同一尺度上，从而提升模型性能。选择随机森林算法作为血栓风险预测模型的基础，因其具有处理高维数据、抗过拟合能力强、易于实现和解释等优点。基于特征工程方法，运用随机森林算法构建了血栓风险预测模型。通过采用bootstrap方法，从原始训练集中随机抽取样本，生成了多棵决策树，并通过投票机制整合了它们的预测结果。这种集成学习策略显著提高了模型的稳定性和精确度。此外，为了充分利用多元异构数据并捕捉其中的时间依赖性，项目组还采用了深度学习技术。具体来说，提取了患者生物标志物在过去一段时间内的测量值，形成了时间序列数据。通过应用滑动窗口方法和降维技术，捕捉了不同时间尺度的变化特征并降低了数据的复杂性。随后，采用了循环神经网络（RNN） 和长短时记忆网络（LSTM） 等模型来处理这些序列数据，并捕捉其中的复杂相互作用和动态变化。最终，系统将静态特征和动态时序特征相结合，送入随机森林模型进行血栓风险预测。当预测概率超过预设阈值时，系统会触发智能预警，及时提醒医疗人员采取必要的防治措施。为了全面评估模型的性能，采用了多个指标进行衡量：准确率（Accuracy） ：准确率是指模型预测正确的样本数占总样本数的比例。它是评估模型整体性能的基本指标。召回率（Recall） ：召回率是指模型正确识别出的正类样本数占实际正类样本数的比例。对于VTE风险预警模型来说，召回率越高，意味着模型能够识别出更多的高风险患者。F1值（F1 Score） ：F1值是准确率和召回率的调和平均数，它综合考虑了模型的精确性和召回能力。F1 值越高，说明模型在平衡精确性和召回率方面表现越好。此外，还可以根据实际需求选择其他性能指标，如精确率（Precision） 、AUCROC曲线下的面积等，以更全面地评估模型的性能。通过上述特征工程、模型训练和性能评估的步骤，可以构建一个高效、准确的智能VTE风险预警模型，为临床医务人员提供有力的决策支持。同时，医院管理部门将该模型嵌入医院HIS系统，以便对每例发生VTE的患者进行分析，并根据不同原发病和危重程度为患者推荐最优化的治疗方案。

2 项目应用效果

2.1 实现临床质量的量化管理与动态监控

系统通过实时生成质控指标并自动预警，通过院内HIS医生工作站、护士工作站、护士执行移动终端等渠道进行消息推送，从而实现了对静脉血栓栓塞症（VTE） 防治工作的动态监控。这一创新举措极大地提高了VTE防治过程的管理水平和质量控制能力。管理者通过登录专科质控平台，可以方便地查阅各科室在特定时段内的VTE风险评估率、出血风险评估率以及VTE预防措施执行率等核心指标[1]。此外，系统还提供了对不同危险等级的VTE患者治疗措施与结果的可视化追踪，使管理者能够更为直观地监控VTE防治流程，进而有效提升诊疗质量。具体指标信息如表1所示。

2.2 精准决策支持与VTE风险防控，共筑医疗安全新防线

为确保医务人员在关键时刻能够获得恰当的决策辅助，项目组还构建了具备规则引擎筛选功能的知识库推荐信息展示系统。该系统能够根据信息的紧急程度和重要性，将其分类为提醒、预警、弹窗等不同级别，通过PC端、PDA端等多种途径展示。同时，系统后台持续监测并记录规则知识的调用频次和操作引用频次，以此为基础，不断优化规则设置，从而确保为医务人员提供时效性和准确性兼备的决策支持。在VTE（静脉血栓栓塞症） 风险防控方面，项目组引入了先进的VTE风险预测和治疗决策工具，实现了对患者VTE危险分层的精准识别、早期预警以及个体化治疗方案的制定。系统能够针对不同危险层级的患者，推荐相应的预防措施，通过及时有效的干预，显著降低VTE的发生率。值得一提的是，相比传统量表，AI 技术成功提前识别了更多VTE患者（27例相较于11 例） ，并大幅降低了NNT值（从12.0人降至5.5人） 。此外，随着系统的广泛应用，医院各项VTE评估率及预防措施执行率均得到提升，全面超过95%，充分验证了该系统在提升医疗安全方面的显著成效（表2） 。

2.3 智能评估解放医护资源，提升管理精准度

系统能够自动完成基于传统量表和AI 模型的VTE风险评估任务，实现实时有效的风险监测。这一功能极大地解放了医护人员的双手，使他们能够将更多精力投入患者的个性化治疗与关怀中。与传统方式相比，智能评估缩短了90%的评估时间，并依托全链路、全流程的知识与规则支持实时监控医生临床诊疗行为。此外，系统还能针对重点指标进行统计分析，帮助管理者发现问题并提供改进建议，从而有效优化医院管理流程、提升管理效率并节约管理成本。统计数据显示，该系统预警准确率高达91.2%，且用户黏性表现良好。

2.4 赋能医生成长与高效运营，助力医院全面发展

VTE防治系统的引入，不仅可以弥补实习医生和新入职医生在临床经验和辩证思维能力方面的不足，还通过其决策支持功能，帮助他们更快地掌握VTE防治的关键知识，提升专业水平。同时，该系统通过自动收集患者数据和完成诊疗量表的填写等任务，显著减轻了医生的工作负担，使他们能够更高效地专注于诊疗工作。医生只须简单确认，即可获得诊疗方案提醒，并支持将相关信息回写到电子病历系统中，极大地减少了重复劳动，提高了专科的运营效率，并为医院节约了运营成本。

3结论

本研究基于大规模临床数据，提出了一种机器学习方法的创新血栓风险评分模型。该模型结合了静态的个人特征和动态的时序数据，能够更全面地评估患者的血栓风险。通过引入VTE防治系统，不仅实现了临床质量的量化管理与动态监控，还为医务人员提供了决策支持，优化了医疗流程，并大幅提升了VTE 风险的识别率。最重要的是，该系统通过自动化功能减轻了医生的工作负担，提高了专科运营效率，为医院节约了运营成本。综上所述，VTE防治系统的引入是医院在提升医疗质量、保障患者安全以及优化运营效率方面迈出的重要一步。