生物医学与信息技术在心脏疾病诊疗中的机遇与挑战课件.pptx

1、Big Data vs.Big Disease生物医学与信息技术在心脏疾生物医学与信息技术在心脏疾病病 诊疗中的机遇与挑战诊疗中的机遇与挑战心血管疾病仍然是全球成人死亡的首要原因CVD(51.7%)Economic Loss of NCD,2011 to 2025全球心血管疾病负担$7.28 trillion for NCDs世界卫生组织(WHO):中国是全球CVD负担最重的国家2015 中国心血管病报告:全国CVD患者2.9亿，每年死亡350万人，占总死亡原因的42-45%，居各种疾病之首。CVD医疗费用增速远超GDP增速。仅2014年脑梗470亿元，急性心 肌梗死133亿元。心血管疾病（C

2、ardiovascular Disease,CVD）CVDDeaths 40%中国心血管疾病负担日渐加重 1975年至今，心 血管疾病死亡率 下降约30%归因于 危险因素的控制 早期检测 积极的治疗心血管疾病的防治取得极大进展30%1961年：Framingham 研究首次确立了危险因 素的概念，并提出冠心病可预防。认为高血压、高血脂、吸烟、肥胖、家族史等是冠心病的RFs。Kannel et al,Ann Intern Med 1961心血管疾病危险因素的概念A vigorous five-mile walk will do more good for an unhappy but other

3、wise healthy adult than all the medicine and psychology in the world.-Paul Dudley White-Framingham heart study哪个人的心血管疾病危险性更高？哪个人的心血管疾病危险性更高？医疗健康支出增加会使预期寿命延长吗？医疗数据远比我 们想象的复杂！Hersh W,et al.Health-care hit or miss?Nature 20110.81.21.87.93508162432402009 2010 2011 2015 2020ZB数据量呈指数级增长呈指数级增长最近两年产生的数据量相当于

4、之前产生的全部数据量20122020年世界范围内健康数据增长50倍McKinsey&Co.Report 2011大数据时代的来临500petabytes25,000petabytes2 201012 22 202020 0全球健康数据预 期增长50倍Google ScholarPubMed,ACM,IEEE,etc.医学领域的“Big Data”呈井喷式的增长生物信息医疗信息医学大数据的6大特征Andreu-Perez J,et al.IEEE J Biomed Health Inform.2015;19(4):1193-208.Nature.2009;457:1012Science.2013

5、;343:1203Google搜索预测流感流行趋势与美国CDC监测数据吻 合，并提前1周预测流感爆发高峰期Google搜索对流感趋势的预测Twitter对心脏死亡的预测负面情绪：比如愤怒，压力，疲惫正面情绪：比如高兴，兴奋，希望happier language about happier topics associated with lower rates ofheart disease death；angry language about negative topics associated with higher rates.Psychol Sci.2015;EpubTwitter对心脏死

6、亡的预测JAMA.2013;309:1351JAMA.2013;309:2443JAMA.2014;EpubJAMA.2014;Epub健康服务是大数据应用的最重要的领域之一SWEDEHEART）数据来源数据来源优势优势不足不足电子化医疗数据电子化医疗数据多样化的临床数据,存在非结构化数据,数据类型差异性 大,患者隐私问题行政管理数据行政管理数据(CDC,医保等)标准化（ICD-9,10）可获得准确性差,缺少临床细节,不能区分 并发症及合并症生物标记物生物标记物代表个体化特征 可用于精准化医疗存在假阳性,可获得性差,患者隐私 性差体征数据体征数据(远程,可穿戴设备)可获得院外的生命 体征,生理

7、参数未能广泛应用,尚未确定临床重要特 征信号临床注册研究临床注册研究数据一致性（ACC,AHA,NICOR,仅限定于特殊疾病或特殊处置,相互 间不能广泛使用互联网数据互联网数据容易获得,容量大，种类多数据质量不一致,存在非结构化数据,数据类型差异大医学影像数据医学影像数据可获得动态图像 数据一致性好不同模式下获得的数据比较困难,图 像数据和其他数据共同使用困难患者报告数据患者报告数据直接来源于患者缺少标准化,缺少临床医生的解释,可能存在缺失值,.心血管疾病大数据的来源及特心血管疾病大数据的来源及特点点心血管疾病大数据的分析方法医疗大数据分析（BDA）在改善心血管疾病管理的八个应用风险预测 模型

8、人群健康 管理药物及器 械安全性 监测疾病及治 疗的异质 性分析精准医疗 及临床决 策支持医疗质量 及行为评 估研究应用公共健康美国国立卫生研究院（NIH）支持大数据项目 2013年10月9日NIH宣布支持Sutter Health,IBM和Geisinger Health System 研究大数据用于心力衰竭早期预警美国国家临床研究网络美国国家临床研究网络Patient-Centered Outcomes Research Institute0.68亿美元建立国家临床研究亿美元建立国家临床研究网网络络2014年年7月美国月美国PCORI 投票表决通过的第一个临床投票表决通过的第一个临床 大数

9、据大数据研究项目研究项目2014 Aug 7;512:18PCORI Awards$14 Million to Determine Best AspirinDose to Protect Patients with Heart Disease英国临床研究数据库（Clinical Practice Research Datalink）CPRD是2011年NHS和MHRA资助的数据库整合项 目，包括以下数据资源：社区用药数据 医院内用药数据 实验室检查数据 医院疾病编码数据健康咨询数据疾病注册数据癌症数据 1998-2013，CPRD发表890篇研究论文，其中半数是近 三年发表。JAMA 10篇，

10、Lancet 16篇，BMJ 33篇http:/瑞典国家级数据库瑞典国家级数据库 瑞典基于人群的登记和全国强制性医疗登记，为临 床研究创造了独特的条件 基于人群的登记：社会经济学变量登记 瑞典社会保险登记 基于医疗的登记：患者登记 用药登记 死因登记 癌症登记 EMR 100多种疾病全国登记基于瑞典临床研究数据基于瑞典临床研究数据库库的心的心血血管疾管疾病病研研究究如何将心血管大数据方法应用于临床科研 中？Pilot study心力衰竭患者出院后1年再入院影 响因素分析和探讨 全全 球球 2300万 无明显性别及种族差异 尤其常见于年龄65 岁以上人群 美美 国国 510万 预计2030年上升

11、至850万 整体患病率1%12%中中 国国 450万 整体患病率0.9%(男性0.7%,女性1.0%).最主要病因已从风湿性心脏瓣膜病转换成冠心病心力衰竭已成为全球重要的临床及公共卫生问题心力衰竭的高死亡心力衰竭的高死亡率率0%在诊断心衰后，患者5年及10年的存活率分别为50%和10%当左室功能出现异常后还会导致猝死发生的风险升高。100%80%60%40%20%5 years10 yearsMacIntyre K,et al.Circulation.2000;102:11261131 Mosterd A,et al.Eur Heart J.2001;22:13181327 Cowie MR,

12、et al.Heart.2000;83:505510.Survival(%)在中国，年龄校正的心衰再入院率明显上升；美国每年有100万例心衰再入院；美国CMS数据显示，在首次入院治疗后，25%的心衰患者会在出院30天内再次入院。住院费用是心衰患者的最大医疗支出，占直接经费的60%。心力衰竭的高再入院率心力衰竭的高再入院率Reducing hospital readmissions is a Key IssueBarreto-Filho JA,et al.JAMA.2013;309:355363.研研 究究 步步 骤骤最困难最重要可获得什么样的数据来源？如 何 从 这 些 数 据 中 确 定 所

13、 需 的临床条件？如何建立 可供研究 的数据组？单因素分析多因素分析（COX回归）比例风险模型心衰再入院研究项目流程筛选疑似的心衰患者判断是否心衰提取患者特征性指标数据分析得出结论检索条件：界定入院时间年龄18岁出院诊断含“心功能心衰心力衰竭”参照Framingham标准再入院组 非再入院组主要标准 夜间阵发性呼吸困难或端坐呼吸 颈静脉怒张 肝颈静脉回流征阳性 肺部啰音 心脏肥大 第3心音 肺水肿次要标准 双下肢水肿 活动后气短 肝大 心动过速（大于120bmp）胸腔积液 肺门增大Barker WH,et al.Circulation.2006;113:799805.改良的Framingham

14、心力衰竭诊断标准：7条主要标准，6条次要标准满足2项主要标准，或1项主要和2项次要标准入选标准夜间阵发性呼吸困难 或端坐呼吸入院记录-主诉入院记录-现病史病程记录-症状肝大心脏肥大胸部X线腹部彩超超声心动图病程记录-查体入院记录-体格检查颈静脉怒张肝颈静脉回流征阳性肺部啰音双下肢水肿肺水肿，肺门增大诊断标准的查询主要标准非结构化数据非结构化数据 不可直接使用不可直接使用人口学特征、病因、病史指标：基本人口学特征：入院时年龄，性别导致心力衰竭的最主要病因：冠状动脉粥样硬化性心脏病、非缺血性心肌病、心脏瓣膜病、肺源性心脏病、高血压、其他病因既往病史：高血压、高脂血症、心房颤动、慢性肾脏病、缺血性脑

15、血管病、糖尿病、甲状腺疾 病、支气管哮喘、慢性阻塞性肺疾病等入院时体格检查：收缩压、舒张压、体重、体重指数辅助检查指标：化验检查：血常规、生化指标（包括肝肾功能、白蛋白、电解质等）、BNP、NT-proBNP、炎症指标（包括C-反应蛋白、超敏C-反应蛋白）、凝血指标（D二聚体）和甲状腺功能辅助检查：胸部X线片、肝脏超声、超声心动图非药物治疗：经皮冠状动脉介入治疗、冠状动脉旁路移植术、人工心脏起搏器、主动脉内球囊反搏术、心脏再同步化治疗、埋藏式心脏复律除颤器、血液透析治疗及卫生经济学指标住院期间口服：受体阻滞剂、ACEI/ARB、螺内酯、地高辛、袢利尿剂、硝酸酯类药物等。住院期间静脉：正性肌力药

16、、袢利尿剂、儿茶酚胺类药物、抗心律失常药和抗感染药物出院带药：受体阻滞剂、ACEI/ARB、螺内酯、地高辛、袢利尿剂、硝酸酯类药物等。卫生经济学：住院天数、花费提取患者特征性变量入院记录-主诉入院记录-现病史病程记录-症状胸部X线腹部彩超超声心动图病程记录-查体入院记录-体格检查基本人口学特征病 因合并疾病化验检查辅助检查药物治疗非药物治疗确定患者导出数据 筛选了2010-2015年间14985份疑似“心力衰竭”患者病历；从每份病例中提取症状、体征、诊断、病史、辅助检 查和治疗，传统提取数据每份病例耗时半小时，以每 天连续工作10小时、无节假日计算，需2.05年时间 增加更多研究人员？缩短研究

17、时间？放弃Framingham标准，采用ICD编码？实际工作情况医疗科研分析平台-应用说明丰富的科研数据集市，支持各种类丰富的科研数据集市，支持各种类型型的科的科研研课题课题 技术领先的实时病例搜索引擎，技术领先的实时病例搜索引擎，支支持持复杂复杂查查询询 以研究对象为主线，全面、多维度以研究对象为主线，全面、多维度的的组织组织和和管理管理智能定智能定义义CRF，支持医院系统支持医院系统数数据填据填充充和电和电子子数据数据采采集集（EDC）轻松对科研项目、队列、指标进行轻松对科研项目、队列、指标进行统统计分计分析析，在，在线线生成生成可可视化视化图图表表自定义随访计划，配套消息网络支自定义随访

18、计划，配套消息网络支持持多渠多渠道道触达触达 多中心数据库管理，项目人员协多中心数据库管理，项目人员协同同作作业业科研数据多层安全控制，数据查看科研数据多层安全控制，数据查看、开放开放、挖掘挖掘无无隐患隐患 配套专业统计服务和大数配套专业统计服务和大数据环境的据环境的挖挖掘分掘分析析服务服务1 项目管理2 研究对象3 观测指标4 在线分析一站式科研平台权限管理权限管理科研项目管理系统科研项目管理系统多中心多中心随访管理系随访管理系统统科研数据科研数据项项目目患者管理患者管理搜索搜索分析系统分析系统eCRF管理系统管理系统疾病管理疾病管理CDR合作平台数据院外数据医院DBHISLISDB n健康

19、管理体检基因公共生活随访智能硬件检测职能量表布尔分类症状疾病史诊断药品结局调查医渡云医渡云次数检验性别慢病精神科研数据集市科研数据集市聚合聚合 统计统计结构化结构化归一归一满意度感受医渡云医渡云解析/映射整合患者Schema数据清洗标准化存储标识数据（处理）技数据（处理）技术术数据应用数据应用数据整合数据整合39医疗大数据平台的数据处理-结构化KeyValue性别女年龄38血压165/95mmHg气短是咳嗽是心悸是胸闷是喘息是双下肢水肿无 医生直接按照原有病历书写习 惯提供原有基于自然语言描述 的病历；系统自动处理为结构化的电子 病历。医疗大数据平台的数据处理-数据归一 医疗词库迭代构建：参考

20、标准病历词库：ICD-9、ICD-10、SNOMED CT、etc，把真实病历中，大量出现非标准医疗词汇，把意义一样的医疗词汇归一成一个词，把标准词汇做种子，在病 历中发现含有这些词汇的句型，找出相关语句中，其它疑似医疗词汇，人工校注把扩大了的 词库，放进病历中，发现更多句型，然后发现更多疑似词汇 诊断、实验室检查、手术名称、药物名称等专用名词的归一提取心衰再入院及非再入院患者的提取心衰再入院及非再入院患者的特特征性征性变变量量大约1周后获得研究所需的数据共纳入1103例心衰患者，研究变量123个，共135,669个变量数据分析单因素分析一般情况一般情况再入院组再入院组（n=329）非再入院组

21、非再入院组（n=774）P值值年龄（岁）72.712.566.514.70.001男性n(%)186（56.5）447（57.8）0.739收缩压（mmHg）129.222.0130.422.50.425舒张压（mmHg）73.012.876.013.30.001糖尿病135（41.0）257（33.2）0.013高脂血症191（58.1）395（51.0）0.035高血压257（78.1）530（68.5）0.001血清肌酐（umol/L）83（68，119）75（61，95）0.001eGFR（ml/min/1.73m2）67.829.979.629.60.001阻滞剂163（49.5）4

22、90（63.3）0.001ACEI/ARB150（45.6）387（50.0）0.188醛固酮受体拮抗剂107（32.5）295（38.1）0.087数据分析多因素分析（Cox回归）变量变量HR值值95%CIP值值1年龄1.012（1.001，1.022）0.0272糖尿病1.272（1.010，1.603）0.0413高脂血症1.335（1.027，1.736）0.0314缺血性脑血管病1.484（1.160，1.897）0.0025慢性阻塞性肺病1.448(1.059，1.980)0.0206舒张压0.989（0.980，0.998）0.0207血清白蛋白0.972（0.946，0.999

23、）0.0398血清钠0.962（0.939，0.986）0.0029Ln血胆固醇0.620（0.389，0.987）0.04410出院带受体阻滞剂0.640（0.506，0.810）0.000比例风险模型 h(t)=h0(t)exp(0.012X1+0.241X2+0.289X3+0.394X4+0.370X5-0.011X6-0.028X7-0.038X8-0.478X9-0.446X10)X1=年龄；X2-5代表是否有糖尿病、高脂血症、缺血性脑血管病、慢性阻塞性肺病，有为1，无为0；X6=舒张压；X7=血清白蛋白；X8=血清钠；X9=Ln血胆固醇；X10代表出院带药是否有受体阻滞剂，有为1

24、，无为0病病例例1病例病例2年龄58岁72岁糖尿病无有高脂血症有无缺血性脑血管病无有慢性阻塞性肺病无无舒张压93mmHg78mmHg血清白蛋白40g/L35g/L血清钠142mmol/L141mmol/LLn血胆固醇3.37mmol/L1.99mmol/L出院带受体阻滞剂有有h(t)h0(t)0.0005h0(t)0.0038再入院的时间再入院的时间1年内无年内无98天天准确性准确性省时性省时性处理大量处理大量 数据数据基于大数据方法的科学基于大数据方法的科学研研究究展望及总结大数据在心血管疾病的防治上已崭露头角，利用大数据的计算能力，可以分析大量既往不可应用的临床数据，极大的提高了临床资料的利 用率，节省了临床医生的科研时间。当前的基于大数据的文章仍然大多采用了传统的统计方法，尚未建立 标准化、被广泛验证的新方法。采用数据挖掘或机器学习的方法，有 可能在未来代替传统的假说驱动的方法。采用大数据分析改善心血管疾病预警和诊疗的研究越来愈多，但是当 前尚缺乏最终转化为改善患者预后的证据。因此，未来需要将大数据 的分析整合进临床实践中，以期观察真正的临床效用。敬请指敬请指正正