CN105787252A - 一种医疗决策支持方法及系统 - Google Patents

一种医疗决策支持方法及系统 Download PDF

Info

Publication number
CN105787252A
CN105787252A CN201610029798.1A CN201610029798A CN105787252A CN 105787252 A CN105787252 A CN 105787252A CN 201610029798 A CN201610029798 A CN 201610029798A CN 105787252 A CN105787252 A CN 105787252A
Authority
CN
China
Prior art keywords
patient
information
decision
thrombolytic
intravenous thrombolysis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610029798.1A
Other languages
English (en)
Other versions
CN105787252B (zh
Inventor
贡京京
张焱
刘红云
黄勇华
冯军
魏微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610029798.1A priority Critical patent/CN105787252B/zh
Publication of CN105787252A publication Critical patent/CN105787252A/zh
Application granted granted Critical
Publication of CN105787252B publication Critical patent/CN105787252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种医疗决策支持方法,包括预先配置风险决策信息库;利用风险决策信息库对患者进行测试,确定患者对不同表达模式的风险决策信息的反应结果;根据反应结果采用潜类别分析,对患者潜在的风险决策倾向进行分类,并预测不同类别中的患者在接受不同表述模式的风险决策信息时的溶栓认同率;多维度采集患者的基本信息;根据患者的风险决策倾向类别以及患者多维度基本信息,建立风险决策模型,实现对患者的静脉溶栓倾向的预测;对患者进行静脉溶栓适应症的评估,若患者符合适应症,则根据风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。

Description

一种医疗决策支持方法及系统
技术领域
本发明涉及医疗技术领域,具体来说,涉及一种医疗决策支持方法及系统。
背景技术
脑卒中(俗称中风,包括脑梗死和脑出血,80-85%为脑梗死),是一种急性脑血管病,具有高发病率、高致残率、高致死率、高复发率的特点。在世界范围内,脑卒中成为仅次于癌症的第二大死因,也是我国国民首要死因,脑卒中发病率以每年8.7%的速度上升。
急性脑血管病不仅具有“四高”特点,严重威胁国民的健康和生存,从卫生经济学角度上讲,还有一“高”,就是经济负担高。据统计,我国每年用于治疗脑血管病的费用约在每年100亿元以上,加上间接经济损失每年支出近200亿元。因此,脑卒中防治刻不容缓!
在各类治疗中,脑梗死超早期静脉溶栓是其中最重要的治疗方案之一,大量的全球临床观察和试验提供了无可争辩的事实证明该治疗能够显著改善卒中患者的预后,并且任何提高溶栓率的策略和方法均可以显著提高成本效用,显著降低致残率,改善患者的生活质量。国内外指南或共识均高度推荐急性脑梗死发病4.5小时(时间窗)内使用静脉rt-PA溶栓,强调院内延误越少、溶栓开始越早、获益愈多,风险愈少。
然而,虽然时间窗内静脉rt-PA溶栓是治疗急性脑梗死最有效、最应被推广的方法,但因为时间窗限制等因素,其在全球范围的使用率都很低,美国近年报告显示获得溶栓治疗的患者仅占所有急性脑梗死患者的2.4%~5.2%;而我国的溶栓率甚至不足1.6%。进一步研究发现,在中国,最常见的导致溶栓急诊拖延的原因竟然是对溶栓知情同意的获取(占所有原因的43.24%)。据不完全统计,在中国,至少有18.2-20%的符合溶栓条件的急性脑梗死患者因为医患沟通和风险决策问题拒绝或错过溶栓治疗,甚至部分医院可高达98%(因医生和患者的观念问题,在一项纳入50例符合静脉溶栓的急性脑梗死患者临床观察研究中,49例患者拒绝静脉溶栓)。为争取溶栓时间窗,对于急性脑梗死的早期发现、快速转运、急诊评估、溶栓策略等各方面均有许多相关研究和进展,然而,对于如何在短时间内获得患者或其家属的认同,提高静脉溶栓率问题,目前尚无有效方法。
就决策模式而言,目前的医疗决策模式主要有三种:家长模式、告知模式和共同决策模式。所谓家长式的决策模式,就是以医生为中心的决策模式,即医疗决策几乎都是由医生先诊断,然后医生从可能的治疗方案中选出自认为恰当的措施,最后告之患者接受怎样的治疗。因此,医疗决策所有的权力都集中在医生手中。所谓告知模式,即由医生将诊治的目的、方法、预后等相关情况告知患者及其家属,由其权衡利弊后做出选择。在我国在临床实践中,目前的医疗决策模式正是以传统的家长模式或告知模式为主。而作为溶栓治疗,主要采用了告知模式,因为作为早期具有出血风险(某些出血甚至是致命的)一项积极治疗方法,必须有患者或其家属的知情同意方可实施,但这种决策模式已严重制约了溶栓治疗的有效开展。
具体的,首先,在家长式决策模式的引导下,容易忽略患者及家属对相关检查与治疗的诉求和体验;其次,由于医护人员与患者及家属对医疗专业知识和信息掌握的不对等性,双方在医疗信息交流与沟通、不同治疗策略风险与收益的理解与认知、诊疗的偏好与价值观等诸多方面存在盲点与误区,尤其在医患矛盾日益突出的中国社会,当患者预后不佳时极易引发医患矛盾和纠纷。再次,家长式的决策模式适用于一般性治疗,不适用于急性脑梗死患者的静脉溶栓治疗。因为在静脉溶栓后的初期严重颅内出血风险会增加,因此需向患者及其代理人讲明溶栓的收益和风险,必须在取得其知情同意后,方可继续进行静脉溶栓治疗,患者具有最终决策权。国外也同样存在类似问题,鉴于溶栓治疗对脑梗死患者的极端重要性,甚至国外有研究者建议取消溶栓治疗的知情同意步骤,但在中国这是不可想象的,尤其是在医患关系日益紧张的今天。
告知式的决策模式受医生和患者两方面主观因素的影响,严重影响静脉溶栓治疗的开展。虽然对于符合条件的急性脑梗死患者积极进行溶栓治疗已成为广大医务工作者的普遍共识,然而对于脑梗死患者或家属来说,却面临着严重的问题:首先,由于平时脑卒中的防治宣传力度不足,不仅溶栓治疗的知晓率低,且存在认知偏倚;其次,一旦急性脑梗死突如其来,需要进行溶栓风险决策时,许多患者及家属面临的现状是:①接诊医生成为收益和风险告知的重要的信息主体和来源;②在目前临床实践中,由于没有溶栓风险决策理论指导,在决策形式上,没有决策的标准化操作流程;在决策内容上,没有关于溶栓的风险和收益的标准化内容,溶栓风险决策只能依靠临床医师对静脉溶栓的个人理解、好恶和沟通习惯,存在着极大的主观性和随意性;③患者或家属很容易对溶栓治疗产生认知偏倚,过分担心溶栓出血风险而犹豫不决,错过最佳治疗时机,给社会、家庭和个人造成无法弥补的损失。
就风险决策的重要载体--静脉溶栓知情同意书而言,无论其内容或是形式在全国各医院或卒中治疗中心千差万别,必然会对溶栓治疗产生极为不利的影响。以北京大学人民医院《医疗知情同意书汇编》中《急性脑梗塞静脉溶栓治疗知情同意书》为例,该文件概括说明了静脉溶栓的意义、实施条件和方法、潜在风险及对策,是该领域内应用相对较多的制式医疗文书,然而,对于静脉溶栓治疗风险和收益没有具体说明,而这恰恰是溶栓决策的重要参考内容。
此外,就决策模式而言,目前,国际上还有一种决策模式:共同决策。该决策模式是以患者为中心的医疗模式,强调患者参与医疗决策,即重视患者对疾病、检查、治疗的切身体验,并致力于在分科目益细化的条件下解决患者的实际需求。这是一种全新的“以患者为中心”的医疗模式,强调患者参与医疗决策,但由于其费时费力,尤其不适合作为静脉溶栓风险决策的首选方案。
具体的,首先,医生和患者并不都能很好地就患者的偏好和价值观进行讨论。不是所有患者或家属愿意承担溶栓决策的重负。根据自身患癌症的经验,新英格兰医学期刊著名编辑兼胃肠病专家FranzIngelfinger不堪忍受所谓“决策选择”折磨之苦,愤而指出:医生应着力建设与患者之间独裁且家长制的关系。即Ingelfinger主张医生应当对患者负起责任,而不是把决策的重任交付到患者的肩上。
其次,提供足够的信息用来理解风险、利益和可能结果也有一定难度。即使是专业或专科医生,每个个体对同一治疗的理解和表述也是千差万别,而作为患者或其家属,由于疾病本身的影响(对认知的影响、对情绪的影响等)及其自身个性因素、文化因素、经济因素等个体特征的差异,对治疗的认知和态度也是各不相同,最后导致决策结果具有很大的变异性和不确定性。
再次,由于共同决策强调医生对治疗方案的充分解释和说明,患者对其自身诉求的表达和评估,以及医患双方经过多次充分的沟通和讨论后,达成一致性意见,势必需要消耗大量的时间,在考量是否进行择期治疗的患者中可以实行这种决策模式(如骨科的择期手术),但是对于急性脑梗死的患者来说,从发病到给予静脉溶栓药物(包括来院时间、检查检验时间、诊断时间、溶栓评估时间以及医患沟通和知情同意的决策时间)的时间一般不能超过4.5小时,最迟不超过6小时,显然,共同决策模式无法在短时间内完成,成为制约其在脑梗死患者中开展的最大瓶颈。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的是提供一种医疗决策支持方法及系统,以克服目前现有技术中的上述技术问题。本发明的技术方案是这样实现的:
根据本发明的一个方面,提供了一种医疗决策支持方法。
该医疗决策支持方法包括:
预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
其中,所述静脉溶栓风险信息的表述模式包括以下至少之一:百分率、具体数值、OR值(OddsRatio值)。
此外,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
另外,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
可选的,所述潜类别分析通过Mplus软件实现。
根据本发明的另一方面,提供了一种医疗决策支持系统。
该医疗决策支持系统包括:
信息库配置模块,用于预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
反应测试模块,用于利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
倾向分析模块,用于根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
信息采集模块,用于多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
倾向预测模块,用于以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
患者评估模块,用于对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
风险决策模块,用于在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
其中,所述静脉溶栓风险信息的表述模式包括以下至少之一:百分率、具体数值、OR值(OddsRatio值)。
此外,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
另外,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
可选的,所述潜类别分析通过Mplus软件实现。
本发明的有益效果:通过本发明,减少了目前临床风险决策的随意性和盲目性,在诊疗风险决策和医患沟通中使患者及家属充分地认识到临床检查和治疗的必要性和需要承担的相应的风险,避免因风险决策与医患沟通的内容和形式的差异导致的决策偏倚,顺利取得患者及其家属的理解与支持,从而最大限度地减少医患纠纷,维护医患双方的权益,尤其是最大限度地保障了患者的生命和健康权益,有效提高脑梗死患者的溶栓认同率(从15.9%提高至97%),从而减少脑梗死患者病死率和致残率,显著降低由脑卒中及其相关疾患对社会、家庭和个人造成的无法弥补的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的医疗决策支持方法的流程示意图;
图2是根据本发明实施例的医疗决策支持系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种医疗决策支持方法。
如图1所示,根据本发明实施例的医疗决策支持方法包括:
步骤S101,预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
步骤S103,利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
步骤S105,根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
步骤S107,多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
步骤S109,以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
步骤S111,对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
步骤S113,在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
其中,所述静脉溶栓风险信息的表述模式包括以下至少之一:百分率、具体数值、OR值(OddsRatio值)。
此外,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
另外,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
可选的,所述潜类别分析通过Mplus软件实现。
根据本发明的实施例,还提供了一种医疗决策支持系统。
如图2所示,根据本发明实施例的医疗决策支持系统包括:
信息库配置模块201,用于预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
反应测试模块203,用于利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
倾向分析模块205,用于根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
信息采集模块207,用于多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
倾向预测模块209,用于以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
患者评估模块211,用于对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
风险决策模块213,用于在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
其中,所述静脉溶栓风险信息的表述模式包括以下至少之一:百分率、具体数值、OR值。
此外,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
另外,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
可选的,所述潜类别分析通过Mplus软件实现。
为了更好的理解本发明的上述技术方案,以下通过技术原理对本发明的上述技术方案进行详细说明。
1、静脉溶栓风险决策信息库
根据权威的国际大型静脉溶栓临床研究数据结果,采用信息筛选、数据转换(不同信息框架、不同信息模式)、条目编制等方法编订静脉溶栓风险信息(包括溶栓的风险和收益两方面的信息),创建可靠、有效的溶栓风险信息库,以备给予不同患者个体呈现最适宜的溶栓风险信息模式。
1.1溶栓风险决策信息条目的内容来源
溶栓决策风险信息基本内容来自于急性脑梗死静脉溶栓治疗大规模的Meta分析数据,随着研究的进一步开展,溶栓决策信息可不断更新。
1.2溶栓风险决策信息原始内容的转换
利用风险决策基本理论和方法(框架效应、月晕效应等),对溶栓决策信息条目进行编制和更新,主要风险信息表述模式分为百分率、具体数字、OddsRatio值(OR值);风险信息框架模式为:正面框架、负面框架;主要风险信息详略模式为:详细信息、模糊信息。在实际运用中,可以将这些变换模式进行组合。
首先按照正面框架(生存率、无致死性颅内出血、无残率等)和负面框架(死亡率、致死性颅内出血、致残率)的信息维度将原始数据进行整理和转换为百分率模式或具体数字模式。而百分率的呈现模式或者具体数字呈现模式均代表了溶栓获益与风险的表象,真正反映溶栓获益与风险内在本质的指标应该是OR值,它是具有科学意义的结果,具有重要的实用价值。OR值模式有两个特殊性:①存在顺序维度:以溶栓治疗为参照或以不溶栓治疗为参照;②存在信息清晰性维度:可以具体数值呈现或者模糊呈现(即仅提示大小关系,不提供具体比率)。
1.2.1风险信息的表述模式举例
1)百分率模式:
若选静脉溶栓方案:患者生存率为81.4%,三个月后随访,41.6%的患者无残疾或仅有轻度残疾,96.9%的患者不会出现严重颅内出血。
2)具体数字模式
a、具体大数字模式:
若选静脉溶栓方案:在20000名脑梗死患者中,17800名患者存活,三个月后随访,8920名患者无残疾或仅有轻度残疾,19140名患者不会出现严重颅内出血。
b、具体小数字模式:
若选静脉溶栓方案:1000位患者中,890位患者存活,三个月后随访,446位患者无残疾或仅有轻度残疾,957位患者不会出现严重颅内出血。
3)OR值模式
a、OR值模式-溶栓方案在前:
静脉溶栓方案与不溶栓方案患者生存率无显著差异,溶栓方案3个月后无残疾或仅有轻度残疾的可能是不溶栓方案的1.52倍,溶栓方案不出现严重颅内出血的可能是不溶栓方案的0.12倍。
b、OR值模式-不溶栓方案在前:
不溶栓方案与静脉溶栓方案患者生存率无显著差异,不溶栓方案3个月后无残疾或仅有轻度残疾的可能是溶栓方案的0.66倍,不溶栓方案不出现严重颅内出血的可能是溶栓方案的8.23倍。
1.2.2风险信息的框架模式举例
1)正面框架信息:
若选静脉溶栓方案:患者生存率为81.4%,三个月后随访,41.6%的患者无残疾或仅有轻度残疾,96.9%的患者不会出现严重颅内出血。
2)负面框架信息:
若选静脉溶栓方案:患者死亡率为18.6%,三个月后随访,58.4%的患者有严重残疾,3.1%的患者出现严重颅内出血。
1.2.3风险信息的详略模式举例
1)详细信息:
静脉溶栓方案与不溶栓方案患者生存率无显著差异,溶栓方案3个月后无残疾或仅有轻度残疾的可能是不溶栓方案的1.52倍,溶栓方案不出现严重颅内出血的可能是不溶栓方案的0.12倍。
2)模糊信息:
静脉溶栓方案与不溶栓方案相比,患者生存率无显著差异,三个月后随访,静脉溶栓方案无残疾或仅有轻度残疾的可能性大于不溶栓方案,溶栓方案不出现严重颅内出血的可能性小于不溶栓方案。
2、患者溶栓倾向的测试与分析
根据大样本脑梗死患者对不同溶栓风险信息的反应结果,采用潜类别分析,对其潜在的溶栓倾向进行分类,该类别即为患者对静脉溶栓治疗相对稳定的反应模式或倾向性。并同时可以预测不同类别中的患者在接受不同表述模式的静脉溶栓风险信息时的溶栓认同率。
2.1潜变量分析
潜变量分析是探讨潜在变量的模型化分析技术,是一类重要的现代统计学方法,其降维技术可以综合分析错综复杂的变量,使结果更易解释;潜变量间的效应可以揭示观测变量之间的内在联系,克服了普通模型描述因果关系的单向性。主要的潜变量模型包括:因子分析模型、结构方程模型、潜在类别分析(LCA)模型等。x2似然比函数(L2)、Akaike信息标准(AkaikeInformationcriteria,AIC)、贝叶斯信息标准(Baysianinformationcriteria,BIC)等这几个指标是常用的模型评价标准。AIC和BIC是信息准则评价指标,通过对数似然(LogLikelihood,LL)值校正模型参数,它们评价模型时不仅考虑模型的拟合度,还考虑模型的简约度,利用这两个指标容易选出高效简约的模型。但在LCA中没有完全自动化的程序可以用于确定类别个数,最常用的方法是采用多个指标进行评价,同时需要考虑对结果实际解释来选择合理的模型。
2.2分析工具:潜变量分析采用Mplus软件实现。
2.3溶栓应答潜变量分析
按照正、负两种信息框架将患者或其家属分为两组,但是为了考虑结果的可比性,限定所分不同组的意义相同。结果显示正负框架曲线重合,根据拟合优度指标和临床意义,初步将患者潜在的溶栓倾向分为三类:溶栓依从组(C组)、溶栓抵触组(R组)、中间变异组(I组)。并可以分别根据各自的分析模型估计对于不同溶栓信息,正面框架、负面框架、整体患者的溶栓认同率。
3、患者个体特征信息收集
对急性脑梗死患者进行人口统计学分析,收集个体特征、情绪状态、健康程度和态度、决策倾向、性格特征等信息。其可根据临床的实际需要,结合不同的患者身份和不同的决策情境和决策目标进行内容的删增和补充。
3.1包括(但可不限于)如下信息:
受教育程度、受教育程度年限、年龄、性别、婚姻、性格、来院就诊(包括住院)的频率/平均次数、对自己目前健康状况的总体评价、是否对健康或养生关注、生活自理程度、家族健康史。
3.2心理测查(包括但不限于情绪状态、人格特质测查)
SCL-90(SymptomChecklist90):包含90个项目的自陈症状量表;EPQ问卷。
4、溶栓风险决策倾向预测
通过潜类别分析确定大样本患者对静脉溶栓治疗三种倾向性,同时在采集大样本患者的人口统计学信息和个体特征的结果的基础上,以患者静脉溶栓倾向性为因变量(Y),以患者多维基本信息为自变量(X),采用多元Logistic回归分析建立静脉溶栓风险决策模型/方程,完成对其溶栓决策倾向的影响因素的多角度(包括但不限于决策背景、信息表述模式、信息框架、信息详略、个体人口统计学信息、健康态度、健康状况、个性特征)、同步分析和解释,实现对患者的溶栓倾向的预测。
4.1多元Logistic回归分析
首先,根据静脉溶栓风险决策信息库的结果,将患者潜在的溶栓倾向(溶栓依从、溶栓抵触、中间变异)作为因变量(Y),将人口统计学因素、健康状况、态度、个性、情绪、心理健康因素作为自变量(X),分别进行单变量Logistic回归分析(univariateanalyses),只有那些与潜类别有显著关系的预测因子(p<0.1)可以进入多元分析。在进行多元分析时,还需要对各预测因子之间的共线性进行检验,进行必要的删减或合并,根据拟合优度、伪R方、似然比检验、参数估计等确定最佳模型。最后构建方程,预测患者个体在三种不同溶栓倾向中的概率。
建立模型/方程具体步骤如下:
G1=LOG[P1/P2]=a1+b11X11+b12X12+…+b1kX1k
G2=0(参照组)
G3=LOG[P3/P2]=a3+b31X31+b32X32+…+b3kX3k
再根据如下方程,即可计算不同被试在不同条件下进入各潜类别的概率:
P(C1)=exp(G1)/[exp(G1)+exp(G2)+exp(G3)]
P(C2)=exp(G2)/[exp(G1)+exp(G2)+exp(G3)]
P(C3)=exp(G3)/[exp(G1)+exp(G2)+exp(G3)]
5、溶栓治疗适应性评价
用于对罹患急性脑梗死的患者个体进行静脉溶栓适应症的紧急评估,包括如下内容:
5.1、适应症:
a、年龄18-80岁;
b、发病4.5h内(rtPA)或6h内(尿激酶);
c、脑CT除外颅内出血及大范围梗死早期低密度;
d、家属同意并签署知情同意书。
5.2、禁忌症:a、既往颅内出血;b、近3月头颅外伤、非腔隙性脑梗死、心肌梗死;c、近3周胃肠或泌尿系出血;d、近2周大手术;e、近1周不易压迫止血部位的动脉穿刺;f、严重心、肝、肾功能不全或严重糖尿病患者;g、体检活动性出血或外伤(如骨折)证据;h、口服抗凝药,且INR>1.5;或48h内肝素治疗(APTT延长);i、血小板<100×10^9/L;j、血糖<2.7mmol/L;k、SBP>180mmHg,或DBP>100mmHg;1、妊娠;m、不合作。
6、静脉溶栓治疗个体化决策
对于确诊的急性脑梗死的患者个体,在经过适应症评价后,认为符合静脉溶栓条件,可以进入本模块,实现溶栓治疗的个体化风险决策。首先,收集预测该患者溶栓决策倾向的必要的个体特征(主要包括但不限于婚姻状况、决策者身份、健康自评、健康关注度、既往高血压史、既往饮酒史、内外向、对生命质量的态度),同时分别将正面框架信息或负面框架信息代入溶栓风险决策倾向预测的决策方程,确定该患者个体在不同溶栓框架信息下,在不同溶栓倾向中的概率,即确定其特定溶栓反应模式,最后参照不同框架下不同溶栓倾向组中对于不同的条目的溶栓认同率的预测,患者对溶栓风险信息库中不同溶栓信息的认同率的差异,按照溶栓认同率从大到小的顺序,依次呈现不同的溶栓风险信息,直至获得溶栓认同为止。
由此可见,借助于本发明的上述技术方案,减少了目前临床风险决策过程随意性和盲目性,在诊疗风险决策和医患沟通中使患者及家属充分地认识到临床检查和治疗的必要性和需要承担的相应的风险,避免因风险决策与医患沟通的内容和形式的差异导致的决策偏倚,顺利取得患者及其家属的理解与支持,从而最大限度地减少医患纠纷,维护医患双方的权益,尤其是最大限度地保障了患者的生命和健康权益,有效提高脑梗死患者的溶栓认同率(从15.9%提高至97%),减少脑梗死患者病死率和致残率,显著降低由脑卒中及其相关疾患对社会、家庭和个人造成的无法弥补的损失。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种医疗决策支持方法,其特征在于,包括:
预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
2.根据权利要求1所说的医疗决策支持方法,其特征在于,所述静脉溶栓风险信息的表述模式包括以下至少之一:
百分率、具体数值、OR值。
3.根据权利要求1所述的医疗决策支持方法,其特征在于,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
4.根据权利要求1所述的医疗决策支持方法,其特征在于,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
5.根据权利要求1所述的医疗决策支持方法,其特征在于,所述潜类别分析通过Mplus软件实现。
6.一种医疗决策支持系统,其特征在于,包括:
信息库配置模块,用于预先配置风险决策信息库,该风险决策信息库中包括若干不同表达模式的静脉溶栓风险决策信息;
反应测试模块,用于利用上述风险决策信息库,对患者进行测试,确定患者对所述风险决策信息库中的若干不同表达模式的静脉溶栓风险决策信息的反应结果;
倾向分析模块,用于根据得到的反应结果,采用潜类别分析,对患者潜在的静脉溶栓风险决策倾向进行分类,并同时预测不同类别中的患者在接受不同表述模式的静脉溶栓风险决策信息时的溶栓认同率;其中,分类的类别包括溶栓依从组、溶栓抵触组、中间变异组;
信息采集模块,用于多维度采集患者的基本信息,其中,该基本信息包括:人口统计学信息、情绪状态信息、健康程度和态度信息、性格特征信息;
倾向预测模块,用于以患者潜在的静脉溶栓风险决策倾向类别为因变量,以患者多维度基本信息为自变量,采用多元Logistic回归分析建立风险决策模型,完成对患者静脉溶栓决策倾向的影响因素的多角度同步分析,实现对患者的静脉溶栓倾向的预测;
患者评估模块,用于对患者进行静脉溶栓适应症的评估,并根据评估结果,确定患者是否符合适应症的条件;
风险决策模块,用于在确定结果为患者符合适应症的情况下,根据溶栓风险决策模型采集患者的基本信息,并代入溶栓风险决策模型,预测其静脉溶栓决策倾向,并最终确定给该患者个体呈现的最佳溶栓决策信息的表述模式。
7.根据权利要求6所述的医疗决策支持系统,其特征在于,所述静脉溶栓风险信息的表述模式包括以下至少之一:
百分率、具体数值、OR值。
8.根据权利要求6所述的医疗决策支持系统,其特征在于,所述静脉溶栓风险信息的构成模式包括:正面框架和负面框架,其中,所述正面框架的信息包括生存率、无致死性颅内出血和无残率,所述负面框架的信息包括死亡率、致死性颅内出血和致残率。
9.根据权利要求6所述的医疗决策支持系统,其特征在于,所述静脉溶栓风险信息的展现模式包括:详细信息展示模式和模糊信息展示模式。
10.根据权利要求6所述的医疗决策支持系统,其特征在于,所述潜类别分析通过Mplus软件实现。
CN201610029798.1A 2016-01-18 2016-01-18 一种医疗决策支持方法及系统 Active CN105787252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610029798.1A CN105787252B (zh) 2016-01-18 2016-01-18 一种医疗决策支持方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610029798.1A CN105787252B (zh) 2016-01-18 2016-01-18 一种医疗决策支持方法及系统

Publications (2)

Publication Number Publication Date
CN105787252A true CN105787252A (zh) 2016-07-20
CN105787252B CN105787252B (zh) 2018-06-29

Family

ID=56402567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610029798.1A Active CN105787252B (zh) 2016-01-18 2016-01-18 一种医疗决策支持方法及系统

Country Status (1)

Country Link
CN (1) CN105787252B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516010A (zh) * 2017-08-19 2017-12-26 上海矩点医疗科技有限公司 溶栓剂量模型的构建方法
CN108133754A (zh) * 2017-12-19 2018-06-08 中国医学科学院阜外医院 一种溶栓后出血风险的预测系统
CN108267601A (zh) * 2018-01-19 2018-07-10 中国医学科学院阜外医院 一种预测心梗后不良事件的系统及试剂盒
CN109345077A (zh) * 2018-09-05 2019-02-15 北京大学 男男性行为人群的健康促进方法和系统
CN109671065A (zh) * 2018-12-14 2019-04-23 首都医科大学附属北京天坛医院 一种基于头颅ct影像的取栓判断的方法及系统
CN109948806A (zh) * 2019-03-28 2019-06-28 医渡云(北京)技术有限公司 决策模型优化方法、装置、存储介质及设备
TWI680469B (zh) * 2019-02-22 2019-12-21 國泰醫療財團法人國泰綜合醫院 應用於臨床輔助診斷的模組化醫學檢驗決策支援系統及方法
US20220061746A1 (en) * 2020-08-31 2022-03-03 Enlitic, Inc. Risk assessment system and methods for use therewith
CN114334157A (zh) * 2022-01-19 2022-04-12 北京富通东方科技有限公司 一种脑卒中风险预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1961321A (zh) * 2004-05-21 2007-05-09 西门子医疗健康服务公司 为医疗决策提供支持的方法及系统
CN101903884A (zh) * 2007-12-18 2010-12-01 皇家飞利浦电子股份有限公司 在医疗决策支持系统中整合生理模型
JP2012008744A (ja) * 2010-06-23 2012-01-12 Inst Nuclear Energy Research Rocaec 原子力発電プラント用コンピュータ支援トップ論理によるリスクの定量的評価方法。
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1961321A (zh) * 2004-05-21 2007-05-09 西门子医疗健康服务公司 为医疗决策提供支持的方法及系统
CN101903884A (zh) * 2007-12-18 2010-12-01 皇家飞利浦电子股份有限公司 在医疗决策支持系统中整合生理模型
JP2012008744A (ja) * 2010-06-23 2012-01-12 Inst Nuclear Energy Research Rocaec 原子力発電プラント用コンピュータ支援トップ論理によるリスクの定量的評価方法。
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贡京京 等: "脑梗死患者的框架效应及其人格类型特征对风险决策的影响", 《中国健康心理学杂志》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516010A (zh) * 2017-08-19 2017-12-26 上海矩点医疗科技有限公司 溶栓剂量模型的构建方法
CN107516010B (zh) * 2017-08-19 2021-02-09 上海矩点医疗科技有限公司 溶栓剂量模型的构建方法
CN108133754A (zh) * 2017-12-19 2018-06-08 中国医学科学院阜外医院 一种溶栓后出血风险的预测系统
CN108133754B (zh) * 2017-12-19 2019-03-12 中国医学科学院阜外医院 一种溶栓后出血风险的预测系统
CN108267601A (zh) * 2018-01-19 2018-07-10 中国医学科学院阜外医院 一种预测心梗后不良事件的系统及试剂盒
CN109345077A (zh) * 2018-09-05 2019-02-15 北京大学 男男性行为人群的健康促进方法和系统
CN109671065A (zh) * 2018-12-14 2019-04-23 首都医科大学附属北京天坛医院 一种基于头颅ct影像的取栓判断的方法及系统
TWI680469B (zh) * 2019-02-22 2019-12-21 國泰醫療財團法人國泰綜合醫院 應用於臨床輔助診斷的模組化醫學檢驗決策支援系統及方法
CN109948806A (zh) * 2019-03-28 2019-06-28 医渡云(北京)技术有限公司 决策模型优化方法、装置、存储介质及设备
US20220061746A1 (en) * 2020-08-31 2022-03-03 Enlitic, Inc. Risk assessment system and methods for use therewith
CN114334157A (zh) * 2022-01-19 2022-04-12 北京富通东方科技有限公司 一种脑卒中风险预测方法及装置

Also Published As

Publication number Publication date
CN105787252B (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN105787252A (zh) 一种医疗决策支持方法及系统
Favaro et al. Perinatal factors and the risk of developing anorexia nervosa and bulimia nervosa
Fujino et al. Asian‐American women in the mental health system: An examination of ethnic and gender match between therapist and client
Song et al. Validation of the ABCD3-I score to predict stroke risk after transient ischemic attack
Frantzen et al. Pregnancy-related hemangioblastoma progression and complications in von Hippel-Lindau disease
Ettinger et al. Magnetic resonance imaging of the thalamus and adhesio interthalamica in twins with schizophrenia
US11640852B2 (en) System for laboratory values automated analysis and risk notification in intensive care unit
Ye et al. Association of sleep electroencephalography-based brain age index with dementia
Tatham et al. The effect of appointment rescheduling on monitoring interval and patient attendance in the glaucoma outpatient clinic
Lombardo et al. Neuro, trauma, or med/surg intensive care unit: Does it matter where multiple injuries patients with traumatic brain injury are admitted? Secondary analysis of the American Association for the Surgery of Trauma Multi-Institutional Trials Committee decompressive craniectomy study
Jin et al. Investigating the mechanism of marital mortality reduction: the transition to widowhood and quality of health care
Tully et al. Relationship between parent mood and resilience and child health outcomes in pediatric asthma.
Ahn Artificial intelligence method to classify ophthalmic emergency severity based on symptoms: a validation study
Salokangas Symptom dimensions and outcome in schizophrenia
Davis et al. Variation in hospital door-to-intervention time for ruptured AAAs and its association with outcomes
Powazki et al. Acute care palliative medicine: psychosocial assessment of patients and primary caregivers
LeTran et al. Wedge defects on optical coherence tomography angiography of the peripapillary retina in glaucoma: prevalence and associated clinical factors
Bibok et al. Retrospective evaluation of a clinical decision support tool for effective computed tomography angiography utilization in urgent brain imaging of suspected TIA/minor stroke in the emergency department
Hussnain et al. Hemoglobin level and macular thinning in sickle cell disease
Singh et al. Canadian epilepsy priority-setting partnership: Toward a new national research agenda
Knaus et al. Predicting and evaluating patient outcomes
Maatouk et al. Effects of quality improvement education in diabetic retinopathy on routine clinical practice patterns of optometrists
DiNapoli et al. Sedative hypnotic use among veterans with a newly reported mental health disorder
Gocan et al. Fast-track systems improve timely carotid endarterectomy in stroke prevention outpatients
ÖZKARACA et al. A Fuzzy Logic Based Clinical Decision Support System For Emergency Services

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant