官术网_书友最值得收藏!

(二)利用人工智能和多源數(shù)據(jù)進(jìn)行傳染病預(yù)測(cè)和慢性病危險(xiǎn)因素篩查

應(yīng)用單位:重慶市衛(wèi)生健康統(tǒng)計(jì)信息中心、重慶市疾病預(yù)防控制中心
涉及科室:呼吸內(nèi)科、傳染科
疾病種類:流感、手足口病、慢性阻塞性肺疾病
案例簡介:本申報(bào)案例應(yīng)用于城市高發(fā)傳染病提前防控及慢性病及時(shí)預(yù)防,涉及的主要病種為流感、手足口病、慢性阻塞性肺疾病,涉及的醫(yī)療科室為呼吸內(nèi)科、傳染科。本案例打造的疾病預(yù)測(cè)防控體系,利用“互聯(lián)網(wǎng)+醫(yī)療健康”大數(shù)據(jù)前沿技術(shù),提出“宏觀+微觀”的深度智能疾病預(yù)測(cè)方法。預(yù)測(cè)模型的基本原理可以分為三個(gè)部分:一是篩選、收集流感疫情相關(guān)的宏觀和微觀數(shù)據(jù)。二是開發(fā)人工智能融合模型,該模型不僅融合了傳染病預(yù)測(cè)的經(jīng)典方法——時(shí)間序列模型,而且融合了多種人工智能方法,如隨機(jī)森林模型和循環(huán)神經(jīng)網(wǎng)絡(luò)模型。三是運(yùn)用模型得到傳染病相關(guān)指標(biāo)。流感預(yù)測(cè)模型自2018年起上線應(yīng)用,與傳統(tǒng)流感監(jiān)測(cè)模型相比,該模型可以提前一周預(yù)測(cè)流感指標(biāo),準(zhǔn)確率達(dá)90%以上,成為國內(nèi)首個(gè)上線的實(shí)測(cè)傳染病預(yù)測(cè)模型。本案例在實(shí)施前積累了超過2 000萬份城市級(jí)健康檔案數(shù)據(jù)以及2012年至今的天氣、百度指數(shù)、哨點(diǎn)醫(yī)院監(jiān)測(cè)的ILI%(流感樣病例百分比)、流感病歷以及微博輿情等數(shù)據(jù);案例實(shí)施后持續(xù)積累天氣、百度指數(shù)、哨點(diǎn)醫(yī)院監(jiān)測(cè)的ILI%、流感病歷等數(shù)據(jù)。同時(shí),本案例根據(jù)疾病防控的實(shí)際業(yè)務(wù)需求研發(fā)傳染病預(yù)測(cè)系統(tǒng),支撐傳染病預(yù)測(cè)的落地應(yīng)用,可指導(dǎo)民眾進(jìn)行疾病預(yù)防,對(duì)重慶市衛(wèi)生健康相關(guān)部門和公眾起到預(yù)警的作用,助力政府部門在相關(guān)的疾病防控工作中提升效率,從而降低疾病預(yù)防和控制成本。
1.案例背景
目前機(jī)構(gòu)實(shí)際采用的傳染病疫情預(yù)防預(yù)警系統(tǒng),包括流感預(yù)防預(yù)警系統(tǒng),主要依賴傳統(tǒng)監(jiān)測(cè)手段。本案例通過與各級(jí)醫(yī)療機(jī)構(gòu)、疾病預(yù)防控制中心和傳染病監(jiān)測(cè)哨點(diǎn)醫(yī)院協(xié)作,由醫(yī)療機(jī)構(gòu)診斷并報(bào)告臨床診斷病例和確診病例,研究人員基于該系統(tǒng)報(bào)告的信息及自行獲取的氣象等數(shù)據(jù),建立疾病預(yù)測(cè)模型。這種“定時(shí)抽樣,每周匯總”的數(shù)據(jù)獲取方式,存在數(shù)據(jù)結(jié)果相對(duì)滯后、人力物力耗費(fèi)量大、監(jiān)測(cè)與上報(bào)過程煩瑣、數(shù)據(jù)來源單一、無其他來源數(shù)據(jù)比對(duì)修正的問題。
在慢性病預(yù)防上,目前對(duì)于重大慢性疾病的控制工作仍主要集中在發(fā)病后的長期隨訪、干預(yù),較缺少事先的預(yù)防機(jī)制。在篩查中,由于面向的人群有一定局限性,可能存在很大一部分患者不知曉患病的情況,因而缺乏及時(shí)有效的防控措施。隨著我國人口老齡化進(jìn)程加快,諸如惡性腫瘤、糖尿病等慢性病多發(fā),加大了政府衛(wèi)生費(fèi)用支出和醫(yī)療財(cái)政負(fù)擔(dān)。
因此,精準(zhǔn)、高效的疾病預(yù)測(cè)防控體系可顯著提高政府疾病控制水平,大幅減少醫(yī)療財(cái)政負(fù)擔(dān)(圖3-3)。
圖3-3 案例背景
2.案例亮點(diǎn)
本案例利用“互聯(lián)網(wǎng)+醫(yī)療健康”大數(shù)據(jù)前沿技術(shù),提出“宏觀+微觀”的疾病預(yù)測(cè)方法,基于全面的影響因子收集、多種維度的模型建立,將一系列互聯(lián)網(wǎng)機(jī)器學(xué)習(xí)算法應(yīng)用于疾病預(yù)測(cè)。不僅應(yīng)用宏觀層面的數(shù)據(jù)學(xué)習(xí)歷史經(jīng)驗(yàn),還從微觀層面精確評(píng)估個(gè)體風(fēng)險(xiǎn),再匯總到宏觀層面,使疾病預(yù)測(cè)能夠達(dá)到時(shí)效性更強(qiáng)、精度更高、范圍更廣、輸出更穩(wěn)定、可擴(kuò)展性更強(qiáng)的要求(圖3-4)。
圖3-4 案例亮點(diǎn)
通過整合全國上百個(gè)城市的環(huán)境氣象因子(環(huán)境、天氣、季節(jié)),人口信息(人口、流動(dòng)、結(jié)構(gòu)),產(chǎn)業(yè)結(jié)構(gòu),經(jīng)濟(jì)教育發(fā)展,地區(qū)生活行為,醫(yī)療習(xí)慣,就診行為等一系列宏觀因子,嘗試對(duì)歷史數(shù)據(jù)進(jìn)行挖掘,進(jìn)行時(shí)間序列分析。
在個(gè)人層面,通過整合全方位、多維度的預(yù)測(cè)因子和信息來預(yù)測(cè)疾病發(fā)生風(fēng)險(xiǎn)。這些信息包括信息高度相關(guān),但頻度較低、分布較稀疏的醫(yī)療健康因子(體檢、就診、告知等),也包括信息間接相關(guān),但信息頻度和深度較高的個(gè)人行為因子(財(cái)務(wù)、職業(yè)、生活等)和互聯(lián)網(wǎng)數(shù)據(jù)因子(輿情、行為、LBS等)等。通過精準(zhǔn)評(píng)估個(gè)人層面風(fēng)險(xiǎn)并匯總到宏觀層面,能夠深入挖掘宏觀層面無法統(tǒng)計(jì)的細(xì)顆粒度的信息,從而提升預(yù)測(cè)精度。
本案例的算法融合了多種人工智能方法,如時(shí)間序列模型、循環(huán)神經(jīng)網(wǎng)絡(luò)、梯度提升決策樹、隨機(jī)森林等,提高了預(yù)測(cè)準(zhǔn)確度。
除模型研發(fā)外,本案例基于疾病防控的實(shí)際業(yè)務(wù)需求研發(fā)了傳染病預(yù)測(cè)系統(tǒng)。自2018年3月在重慶地區(qū)上線使用,該系統(tǒng)實(shí)現(xiàn)了對(duì)下周流感ILI%的預(yù)測(cè)。疾病預(yù)測(cè)系統(tǒng)的問題修復(fù)及反饋機(jī)制包含兩部分:數(shù)據(jù)質(zhì)量自查與人工反饋。在使用多維度海量數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí),考慮到可能出現(xiàn)的數(shù)據(jù)質(zhì)量參差不齊的情況,醫(yī)院引入了數(shù)據(jù)異常檢測(cè)模型。通過對(duì)導(dǎo)入的數(shù)據(jù)進(jìn)行自動(dòng)檢測(cè)、異常數(shù)據(jù)點(diǎn)自動(dòng)識(shí)別與標(biāo)注,再交由疾控專家進(jìn)行判定。其檢測(cè)結(jié)果能夠持續(xù)優(yōu)化模型,保證海量數(shù)據(jù)的質(zhì)量和真實(shí)性。疾控工作人員上傳哨點(diǎn)醫(yī)院數(shù)據(jù)后,系統(tǒng)可調(diào)用異常檢測(cè)模型對(duì)數(shù)據(jù)進(jìn)行異常判斷(如數(shù)據(jù)維持在定值,異常高/低等)。
此外,疾病預(yù)測(cè)系統(tǒng)中還有用戶反饋收集入口,預(yù)測(cè)完成后,疾控中心專家可將專家經(jīng)驗(yàn)或解讀上傳至系統(tǒng),專家意見將反饋至模型進(jìn)行學(xué)習(xí)和迭代。通過不斷收集反饋、融合疾控專家經(jīng)驗(yàn),模型也在不斷進(jìn)行優(yōu)化。
3.應(yīng)用成效
本項(xiàng)目為業(yè)內(nèi)先進(jìn)的“AI+”大數(shù)據(jù)流感/手足口病預(yù)測(cè)模型及慢阻肺危險(xiǎn)因素篩查模型,流感/手足口病模型準(zhǔn)確率達(dá)90%以上;慢阻肺篩查模型準(zhǔn)確率達(dá)92%。同時(shí)本項(xiàng)目根據(jù)疾病防控業(yè)務(wù)需求,完成疾病預(yù)測(cè)系統(tǒng)(PC端+移動(dòng)端)開發(fā)并順利上線,支撐疾病預(yù)測(cè)項(xiàng)目落地應(yīng)用。項(xiàng)目病預(yù)測(cè)論文《自適應(yīng)AI模型與多源數(shù)據(jù)在重慶流感預(yù)測(cè)中的應(yīng)用》( Forecasting Influenza Activity Using Self- Adaptive AI Model and Multi- Source Data in ChongqingChina) 2019 年 9 月刊登在頂級(jí)醫(yī)學(xué)雜志《柳葉刀》( The Lancet)子刊 EBioMedicine上。
4.專家點(diǎn)評(píng)
重慶市疾病預(yù)測(cè)項(xiàng)目專家指出:“在數(shù)據(jù)層面,本次模型的建立應(yīng)用了城市級(jí)數(shù)據(jù),使用超過2 000萬份健康檔案及電子病歷數(shù)據(jù),在國際范圍內(nèi)尚屬首次;在方法層面,整合上萬維度數(shù)據(jù)因子進(jìn)行建模,應(yīng)用先進(jìn)的人工智能和大數(shù)據(jù)技術(shù),同時(shí)結(jié)合本地疾病防控實(shí)際業(yè)務(wù)經(jīng)驗(yàn)和專家知識(shí),更貼近重慶現(xiàn)狀,精確度也顯著高于傳統(tǒng)方法。專家一致認(rèn)為,本次疾病預(yù)測(cè)項(xiàng)目目前取得的研究成果在全國乃至國際范圍內(nèi)都具有實(shí)用性和開創(chuàng)性,可助力更多城市在相關(guān)疾病的防控工作中提升效率,降低預(yù)防和控制成本。”
主站蜘蛛池模板: 建阳市| 宜兰县| 富蕴县| 库车县| 乌拉特中旗| 雅安市| 襄汾县| 义乌市| 金门县| 望都县| 布尔津县| 襄垣县| 清水河县| 夏津县| 驻马店市| 郑州市| 富裕县| 平泉县| 喜德县| 鸡泽县| 聂荣县| 宁津县| 大埔区| 法库县| 方山县| 东兴市| 麻阳| 佳木斯市| 本溪| 盘山县| 栾川县| 湘西| 津南区| 兰西县| 临沂市| 班戈县| 富民县| 寻甸| 嘉峪关市| 荣昌县| 修文县|