“慢性癌癥”不容忽視！這個醫(yī)學檢驗模型讓診斷更準確!
年齡越大，患心力衰竭這種“慢性癌癥”的可能性越大。心力衰竭的常見癥狀是胸悶、呼吸困難，但其他疾病如慢阻肺也是這種癥狀，就像一團霧，需要醫(yī)學的檢測數據才能“廓清”眼界。
但醫(yī)學檢測也存在“灰色地帶”——血漿中NT-proBNP的檢測值低于300是正常的，高于900就可以判定為心力衰竭，300-900之間的數值就是“灰色區(qū)間”。公共醫(yī)院醫(yī)學實驗室主任劉興會解釋說:“300是正常的，那么850也是正常的嗎？要達到跨度600的‘灰度值區(qū)間’，需要一個‘老司機’來駕馭?！倍芏鄾]有經驗的醫(yī)生，或者一些遠郊、貧困地區(qū)的基層醫(yī)生，對于這個“灰值區(qū)間”很難做出決定，可能會耽誤治療時機。
隨著檢驗醫(yī)學的快速發(fā)展，經過多年的信息化建設，實驗室信息系統(tǒng)積累和沉淀了大量的患者檢驗數據。近年來，鞏俐醫(yī)院醫(yī)學實驗室通過數據挖掘技術，從多維度、復雜的海量數據中挖掘出對醫(yī)生、患者和檢驗技術人員有價值的參考信息，并根據歷史數據分析某些疾病與某些因素的相關性，為疾病的診斷和治療提供科學決策，從而幫助臨床提高疾病的診斷效率。
2017年，劉興會的研究小組試圖利用醫(yī)院積累的海量數據和數據挖掘軟件，提取診斷心力衰竭的關鍵臨床試驗指標。在研究期間，收集了2013年1月至2018年12月近4萬名接受NT-proBNP檢測的住院患者的臨床資料和檢測數據。
課題組骨干、科副主任徐利民介紹，經過數據清洗、特征篩選等步驟，篩選出9483例NT-proBNP住院患者，根據臨床出院診斷分為心力衰竭組和非心力衰竭組。然后按一定比例分層選取一個訓練集(6638例)和一個測試集(2845例)，用訓練集數據構建NT-proBNP灰度值心力衰竭患者的判別模型并進行檢驗。結果表明，利用機器學習算法構建的NT-proBNP灰色患者心力衰竭判別模型，對于一些臨床上不能快速識別的疑似心力衰竭患者具有一定的應用價值，可以幫助臨床醫(yī)生在危急情況下快速準確地做出決策，挽救患者的生命。
上海市炎癥與慢性病管理人工智能重點實驗室位于鞏俐醫(yī)院。it負責人遲永斌介紹，數據挖掘是近幾年發(fā)展起來的信息處理技術。將數據挖掘技術應用到醫(yī)學信息數據庫中，可以找出精細的醫(yī)學診斷規(guī)則和模式，對具有相同病因和共同發(fā)病機制的患者亞組進行準確的診斷、評估、預測、治療和預防，幫助患者康復。"我們在這個領域取得了有價值的研究成果."
