基于电子病历识别谵妄的研究现状与展望

Abstract

谵妄是老年住院患者中常见的并发症，会导致患者认知功能下降，增加老年人失能、跌倒、死亡等风险，造成沉重的社会负担。虽然目前已有多种床旁谵妄筛查量表，但谵妄临床漏诊率依旧居高不下，这可能与谵妄具有急性波动性、常于夜间发病的特点有关。随着电子病历智能化和自动化的日渐发展，已有研究探索了通过电子病历识别谵妄患者，这为谵妄的诊断和预防提供了重要帮助。本文就电子病历识别谵妄的研究现状进行回顾与总结，并对该方法的发展前景进行展望，以期为智能化诊断谵妄提供依据和奠定基础。

引言

谵妄是一种多种原因引起的常见于老年住院患者的急性脑器质性精神障碍，主要表现为急性发作的意识紊乱，通常伴注意力不集中、思维混乱以及感觉、知觉功能的异常^[1]。有研究显示老年住院患者入院时谵妄发生率为 31%，住院期间谵妄发生率为 3%～45%^[2-5]。谵妄的发生不仅会造成死亡率增加、住院时间延长、认知功能/躯体功能下降，还会增加医疗费用和加重照顾者负担^[6-12]。因此提高谵妄识别率并及时干预，可以改善谵妄的不良预后^[13-16]。

目前国内外有多种用于谵妄的评定量表，主要有意识模糊评估法（Confusion Assessment Method，CAM）、记忆谵妄评定量表（Memorial Delirium Assessment Scale，MDAS）、3 分钟谵妄诊断评估（3-Minute Diagnostic Interview for CAM-defined Delirium，3D-CAM）、谵妄评定量表（Delirium Rating Scale，DRS）等。其中 CAM 量表是使用最广泛的谵妄筛查工具，Inouye 等^[17]研究发现该量表的敏感度为 94%～100%，特异度为 90%～95%，具有较好的信效度。但是，由于谵妄具有急性起病和病情反复波动的特点，而 CAM 量表为床旁评估工具，难以动态掌握反复波动的病情，因此该量表筛查谵妄的准确性依赖于评估员的培训程度和评估水平。此外在实际工作中临床医生的工作量较大，以至于难以及时发现谵妄，故谵妄漏诊率仍较高。有研究发现在癌症老年患者中，谵妄漏诊率为 60%；急诊老年患者中，谵妄漏诊率甚至高达 84.6%^[18-19]。为了避免床旁评估量表的局限性，近年来国外有研究制定了基于电子病历的谵妄评估方法，该方法不受时间及空间的限制，可重复及规范地对患者进行回顾性评估，从而进一步提高谵妄识别率。目前国内尚未见到此类研究的相关报道。本文就目前基于电子病历识别谵妄相关方法的研究与应用予以综述，并对此类评估方法的发展前景进行展望，旨在为今后建立计算机自动化筛查谵妄模型和人工智能谵妄识别系统奠定基础。

1. 电子病历识别谵妄研究现状

1.1. 电子病历评估谵妄问卷

电子病历评估问卷于 2005 年由 Inouye 团队^[20]研发。此评估方法适用于经过专业培训的临床医师，通过阅览整份电子病历来回答问卷中的 7 个问题。第一个问题为电子病历中是否记录患者出现急性意识状态改变，如有则回答后续六个问题，包括电子病历中有无急性意识状态改变的具体描述、持续时间、是否采取干预措施以及有无好转等。Inouye 等发现该问卷灵敏度达 74%，特异度达 83%。该方法的优势在于不受时间和空间的限制，可回顾性地、重复地及规范地查看电子病历来评估谵妄，特别是识别夜间突发的谵妄，从而使谵妄漏诊率显著减少。但和床旁评估工具相比，它存在以下局限性：① 需要接受过培训的专业评估员，不适用于所有临床医师；② 只能进行回顾性评估，无法实时提醒医务人员；③ 评估结果依赖于评估员的个人经验和谵妄患者的症状是否典型；④ 需人工浏览患者的全部电子病历，工作量较大，整个过程需要 15～30 min，如评估数量较多则需花费较多人力和时间，因此该方法的可推广性较差。

1.2. 病历提取关键词识别谵妄

Kuhn 等^[21]于 2014 年提出从病历资料中提取关键词识别谵妄，该研究共纳入 95 例患者的病历，其中包含 29 名根据美国精神疾病诊断与统计手册第四版（Diagnostic and Statistical Manual of Mental Disorders-Ⅳ，DSM-Ⅳ）标准诊断为谵妄的患者。首先由经过专业培训的评估员读取病历资料，同时进行以下关键词的提取：神志不清、意识水平改变、知觉障碍、精神运动紊乱、定向障碍、记忆障碍等。再将评估员提取的内容交给专家小组，根据 DSM-Ⅳ谵妄诊断标准将患者分为无谵妄、可疑谵妄和谵妄三组，最后进行一致性检验。研究发现使用“可疑谵妄”作为鉴别谵妄的临界点时，此方法的敏感度为 84%，特异度为 77%；如使用“谵妄”作为临界点，敏感度和特异度分别为 63% 和 92%。该方法的优势在于可回顾性地从病历资料中提取关键词来评估谵妄。它的局限性在于：① 整个评估过程较为耗时；② 由于病历记录不规范或病历质量较差，将会影响谵妄的评估质量；③ 评估过程较为繁琐，同时需要专业评估员及专家小组进行评估，不适用于所有临床医师，因此不能广泛应用于实际临床。

1.3. 计算机自动阅览病历识别谵妄

计算机自动阅览病历识别谵妄由 Mikalsen 等^[22]在 2017 年研发并发表，这是国外首次尝试利用计算机信息技术建立谵妄识别模型。Mikalsen 等通过提取 1 138 位行腹部手术且具有谵妄风险患者的电子病历，运用一致聚类算法和t-分布领域嵌入算法（t-distributed stochastic neighbor embedding，t-SNE）制定出基于锚定词的谵妄识别模型，研究发现调试后的模型识别谵妄的精确率-召回率曲线下面积为 0.96。该研究的局限性在于未使用美国精神疾病诊断与统计手册第五版（Diagnostic and Statistical Manual of Mental Disorders-Ⅴ，DSM-Ⅴ）谵妄诊断标准作为参考标准进行对照，使用的参考标准为觉醒水平观察量表（Observational Scale of Level of Arousal，OSLA），此方法与 CAM 量表相比敏感度和特异度相对较低，分别为 85% 和 82%^[23]。此外，谵妄识别模型能否正确识别谵妄还取决于电子病历文本质量，电子病历中通常会出现不完整的句子或拼写错误。综上所述，该模型诊断谵妄的准确性将受到一定的影响，今后需进一步验证此模型的敏感度、特异度及信效度。

2. 电子病历识别谵妄的展望

通过电子病历识别谵妄是对现有床旁谵妄筛查工具的创新和补充，可极大地提高谵妄的早期识别率，无论是在谵妄的诊断还是治疗方面，都有着广泛的应用前景。但以上所述的病历识别谵妄方法仍处于试验阶段，并未正式应用于临床。目前我们对电子病历识别谵妄进行了初步的探索，并首次构建出基于电子病历的人工智能谵妄识别量表，研究发现该量表具有较好的可行性及信效度，此量表识别谵妄的敏感度和特异度分别为 77.8% 和 81.7%，这是国内外首次尝试通过计算机自动化提取电子病历中的关键词来智能识别谵妄，但是该量表还处于试验阶段，量表的条目和框架仍待进一步完善。当前电子病历识别谵妄的相关研究为今后建立人工智能谵妄预警系统奠定了坚实的基础。随着医院信息化发展，利用信息技术建立疾病风险预警系统引起了学者的广泛关注^[24-30]。因此，人工智能谵妄识别及预警系统的实用化有望实现，在未来可以独立依靠该系统对谵妄进行可靠的识别，进一步提高谵妄识别的准确性和效率，能有效节省人力成本和时间。此外，基于电子病历的谵妄识别系统可随着病历中数据的更新而更新，可实现较高的时效性，使临床医生能实时监控患者的病情变化，及时获得患者信息，以提高谵妄风险的应对能力。随着计算机信息技术的普及，无论是三甲医院还是基层医疗机构，都可以使用该系统来早期识别谵妄患者，这对于缩小我国目前医疗水平的差距和促进医疗资源的合理分配有着重要意义。

尽管基于电子病历的谵妄识别及预警系统有着广泛的应用前景，其存在的问题依然无法被忽视。人工智能识别系统对谵妄识别的准确性很大程度上取决于电子病历质量的好坏，因此提高临床医生的病历书写规范尤为重要，这能有效促进今后建立更加智能高效的电子病历系统。随着病历质量的提高，人工智能谵妄识别及预警系统将会逐渐应用于临床，并将作为临床诊疗决策支持系统的一部分，通过对电子病历中的数据进行深度挖掘，智能、主动地提醒临床医护人员，最终实现降低谵妄漏诊率的目的，提高医生的工作效率，让更多的谵妄患者得到及时干预。随着人工智能理论和技术的不断发展，未来将主要围绕谵妄智能化诊断方法体系的建立进行探索。此外，随着大数据时代的来临，患者的诊疗策略更加需要基于数据分析而得出，未来人工智能谵妄识别系统的研发能使临床数据中心的建立得到进一步完善，为医疗和科研提供更加完整统一的数据。

利益冲突声明：本文全体作者均声明不存在利益冲突。

Funding Statement

国家重点研发专项课题（2017YFC0840100）