血液病患儿智能预警系统的建设与应用

冯佳怡?柳立平?周芬?沈南萍

摘  要：儿童急性淋巴细胞白血病等血液病种类繁多，且易出现反复性贫血、出血、感染等不可预期的情况，严重可导致休克及死亡。上海儿童医学中心每年承接近5 700名儿童血液病患者，超过全国儿童血液病患者的1/3，白血病早期预警系统的智能化建设可为医生提前介入提供依据。运用儿童早期预警评分PEWS，对病区（42张床位）进行测试，证实发现该方法可提供至少11小时的预警，需381 min。同时，该方案用通过物联及CNNS卷积神经网络深度学习的手段实现PEWS实时计算。

关键词：儿童早期预警评分;白血病;物联技术;CNNS神经网络;深度学习

中图分类号：TP18;R-331           文献标识码：A文章编号：2096-4706（2022）02-0119-05

Abstract： There are many kinds of blood diseases such as acute lymphoblastic leukemia in children， and they are prone to unpredictable situations such as recurrent anemia， bleeding and infection， which can seriously lead to shock and death. Shanghai Children's Medical Center accepts nearly 5 700 children with hematological diseases every year， more than 1/3 of the national children with hematological diseases. The intelligent construction of the early warning system for leukemia can provide a basis for doctors to intervene in advance. Using the Pediatric Early Warning Score （PEWS）， testing of the ward （42 beds） confirmed that the method can provide at least 11 hours of early warning， which takes 381 minutes. At the same time， the scheme realizes the real-time calculation of PEWS by means of deep learning of IOT and CNNs convolutional neural network.

Keywords： PEWS; leukemia; IOT technology; CNNS neural network; deep learning

0  引  言

为了让更多白血病患儿得到及时有效的治疗，本文拟设计一个全自动智能计算PEWS值的系统。该系统将PEWS需要的数据：监护仪数据对接电子病历系统并结合经（Artificial Intelligence， AI）处理提取的面部及精神特征值，两者结合实现PEWS实时评估。项目实施分为三部分：第一部分实现病房监护仪与医院HIS及电子病历系统的无线对接，这一部分主要实现设备信息物联，将病患的心率、血氧饱和度、呼吸等参数对接到医院电子病历系统，替代医务人员手动录入信息的环节，其中涉及Wi-Fi覆盖、不同品牌监护仪与HIS端口对接等技术性问题。第二部分AI智能算法代替人眼识别对病人肤色等面部数据进行识别及建模评分，利用CNN神经卷积网络模型提取部分深度神经网络结构中深度图像特征，并赋予其数值。第三部分将这两部分的数据一起并构建特征组与PEWS值表达之间相关性关系模型，实现PEWS值的自动化计算，并在电子病历部分中体现出实时的PEWS值。

1  现状分析

我院血液肿瘤科为国家重点专科，年收治全国各地白血病人约5 700例。由于血液病种类繁多且易出现反复性贫血、出血、感染和白血病细胞浸润各脏器等不可预测突发状况，致使患儿在短时间内产生急性休克等状况，所以儿童血液病人的预警建设在我院就尤为重要。波士頓儿童医院的PEWS儿童早期预警评分（Pediatric Early warning score， PEWS）评估方法，对血液病患儿进行评估。PEWS需要两部分数据：第一部分是由监护仪提供的患儿血压、心电、血氧及呼吸实时信息;第二部分是患儿精神状态及特征等需视觉及语言交流作为判定依据。几部分信息结合计算获得PEWS值，计算值域如表1所示。

该评分方法有助于患儿病情恶化的早期预警，避免患儿发生心肺功能衰竭，提供至少11 h预警时间，有助于医疗团队早期介入，改进治疗方案或者转移至有条件的重症监护病房（ICU）。

试点病区的42张床位每天进行PEWS评估需要的总平均时间为383.5 min，由此可见，依靠人工方法采集数据需要投入相当大的人力，在本已紧张的临床工作中加入动态、连续性PEWS评估，责任护士工作负担急剧增加。因此，尽管此评估对患儿意义重大，但目前只能在部分患儿实施，大部分患儿可能因此而错失及时评估和及时治疗。如何切实解决这种临床迫切需要是我们必须解决的问题。

2  智能血液病患儿智能预警系统建设步骤

研究如何实现病房现有的监护仪与医院HIS及电子病历系统数据无线对接，其中会涉及到实现移动病人数据全Wi-Fi覆盖的方案、各品牌监护仪与医院HIS系统及电子病历端口衔接等技术问题。这一部分工作将监护仪数据无线对接到研究对象的电子病历中，实现体征数据实时、准确、共享的目的。F3521F5E-FEDC-48F0-9D92-299061994CD7

利用CNNs（神经卷积网络模型）提取部分深度神经网络结构中深度图像特征（如灰度特征、形态学特征、纹理特征、直方图特征等）。构建影像组学特征与PEWS值表达之间相关性关系模型，筛选有效的图像组学特征建设病人的面部数据识别信息库，根据患儿不同分型设计建模，确定算法及相应的评分标准，尝试用人工智能替代肉眼进对病人肤色等外部可视信息进行科学评分。

将无线传输到电子病历中数据与人工智能识别后的评分相结合得到实时的PEWS值，并将该值与HIS系统同步，显示的预警提示值及时提醒医院人员对病患采取干预，提高病患救治率。

3  智能血液病患儿智能预警系统工作原理

3.1  系統数据无线对接步骤

研究设计基于无线网络，数字化采集患儿生命体征数据，如心率、血氧饱和度、呼吸等参数与EMR/CIS（电子病历）系统进行对接，实现体征数据实时、准确、共享的目的。

步骤描述为：（1）患者入院后，分配保存患者信息的唯一标识腕带以确定患者身份。（2）患者接入设备支持辅助（监护仪、呼吸机等）治疗时，进行扫描（设备需具有扫描功能）确认身份。（3）支持辅助设备向采集服务器进行数据传输。（4）数据采集服务器与设备进行通讯，并将采集到的数据存储到数据库中完成全部流程。具体步骤如图1所示。

3.2  步骤具体实施

3.2.1  病人监护仪数据实现无线传输

当前监护仪由于品牌、接口、协议等不尽相同导致数据采集的难度较大。当前设备数据接口有RJ45、RS232、RS485、RJ11等，其中以RJ45与RS232最为常见。目标是基于Wi-Fi网络进行研究，所以设备数据采集部分涉及将多种接口进行转换、统一达成基于Wi-Fi进行传输的目的。对于仪器设备转换采集通常有三种情况分别是：（1）RJ45->Wi-Fi转换传输;（2）Wi-Fi->Wi-Fi传输;（3）RS232->Wi-Fi转换传输。本项目采用Wi-Fi->Wi-Fi传输，其前提条件是所有的传输需在医院统一的Wi-Fi下进行，且要保持各个监护信号传输点的通讯顺畅。Wi-Fi信号稳定与服务器资源充足是研究能否深入的基础保障，本文中数据传输特点是，瞬时数据流量较小但连接频繁，故组网时应把高稳定性低延迟作为首要目标，具体为标准及测试方法为：选取无线信号覆盖的任意5个接入点，进行PING测试。发送1 000个1 000字节的PING包，以不丢包为测试合格。选取建筑物角落进行信号强度测试，不低于65 dBm为测试合格。

图1  监护仪与医院HIS及电子病历系统数据无线对接步骤

本文按照医院实际情况进行讨论，满足以上条件后，项目组开始在各个病房反复踩点，在病房中间及四个测定设备在血液科不同点是否可以保证Wi-Fi信号的顺利传输，经过几次测定，发现在病房的角落Wi-Fi信号不稳定无法顺利传输。解决方案是在四个角落增加AP增强信号，为保障在血液楼每一层实现Wi-Fi无损失传输，在每个房间增加2个左右的AP。万一实在遇到Wi-Fi信号弱的盲点，数据在监护仪中可保留48～240个小时，可以根据时间点提取。经过调试，我们发现病房的角落Wi-Fi信号比较弱，然后增加了AP进行信号增强以保障项目顺利实施。

3.2.2  计算服务器容量

本项目中服务器作为数据解密单元及数据存储单元，其高速、稳定、可扩展是本项目正常运转的基础，已知每名患者每采集频率生成的数据量为10 KB，最快采集频率为30分钟一次，集合项目研究需求存储资源需求式为：

40 KB×2（次）×24 h×365（天）×3（年）×100（患者数）×1.2（冗余）=250 GB

CPU频率4 000 Hz，内存32 GB，网络千兆双冗余即可满足需求。

3.2.3  监护仪数据解密

在完成物理连接之后，接下来需要将数据进行采集后需要进行传输及解密，为保证原始数据的完整性，本文采用先传输后转译的形式进行。即通过物理线缆或工业硬件采集设备与监护仪设备进行物理连接后，在服务器中部署数据采集软件，与监护仪进行链路保持。通过定时发送“hello”保持信息，使服务器与监护仪设备保持数据连接传输状态。此部分数据传输模型如图2所示。

经过传输服务器中已经接收到数据，数据样例是：

此时数据没有经过处理，无法直接引用保存。由于此消息采用HL7标准数据格式进行封装，于是采用HL7格式进行解密，HL7数据格式如图3所示。

说明：消息开始标志（1字节）对应于ASCII的，十六进制为<0x0B>。

HL7消息为多个字节，只能包括ISO 8859-1字符（十六进制值为0x20到0xFF）以及回车符。不能包含其他控制字符与不可见字符。服务端接收的消息中如果存在非法控制字符，将不进一步处理。消息结束标志（2字节）分别对应于ASCII的，十六进制为<0x1C><0x0D>。根据如上解析规则，真实数据解析为：

PV1||I|^^CCU&12&3232241478&4601&1|||||||||||||||U|

解释：科室名称为“CCU”;床号为“12”;TCP连接端口号为“4 601”;接收病人标志位为“1”（已接收病人）。IP地址为网络字节序的32位数字;“3 232 241 478”对应的IP地址是“192.168.23.70”。“3 232 241 478”的二进制格式为“11000000 10101000 00010111 01000110”，从左到右，第一个8位“11 000 000”对应的十进制数为“192”;第二个8位“10 101 000”对应的十进制数为“168”;第三个8位“00 010 111”对应的十进制数为“23”;第四个8位“01 000 110”对应的十进制数为“70”。F3521F5E-FEDC-48F0-9D92-299061994CD7

3.3  通過AI学习方法设计不同类型的图像学特征

该部分主要对病人的面部图像等进行采集后，由AI进行对图像的特征值主要包括：灰度特征、形态学特征、纹理特征等进行深度学习，提取有效特征值，利用CNNs网络模型提取部分深度神经网络结构中深度图像特征，结构图如图4所示。

其具体表达为：计算机通过采集大量病人大量图像的深度学习，提炼其浅层图像特征，中度特征至深度特征，到最后进行分类，这样的过程可认为对图像的一个打分，比如面色货唇色泛白的病人为1分，面色或唇色青紫的病人为2分，这样一个过程，在这个过程中计算机通过深度学习后得出的结论小于偏差的3.37%，远高于人工判定的正确性，同时也可避免因护理人员经验不足等原因所造成的误判断。之后，构建影像组学特征与PESE值表达之间相关性关系模型，筛选有效的影像组学特征，得出有效的影像组学特征后构建训练和测试数。据样本集，使用深度学习网络模型，如（Stacking Auto-Encoder， SAE）、（Deep Belief Network， DBN）、（Deep Belief Machine， DBM）等，预测预警值预期。利用测试集数据对预测模型进行测试和验证，并进一步优化网络模型中的结构和参数，如图5所示。

综合上述两部分，通过计算客观可获取数据加上AI优化过的特征值来确定病人的PEWS值进行预警，如图6所示。

神经功能AI影像特征值（1）呼吸功能、呼吸频率、呼吸做功及氧气治疗水平;

得出该PEWS值以后，将该值反馈到HIS系统中反应在病人的电子病历中用于提醒护士，真正起到实时科学预警的作用。

4  智能血液病患儿智能预警系统应用预计成果

4.1  完成不同监护仪品牌与医院电子病历（EMR）系统无线无缝对接

完成之后，该流程可做到全程数字化的不同系统信息对接，可以节省至少20%左右的护理工作量的同时可以避免手工录入误差的可能性从而提高护理质量。全数字化流程还可以减少中央监护站的投入使用，比如一套中央监护10万，该病区有3个品牌的监护仪，则共计可减少30万的医疗成本投入。

该部分的完成奠定了医院进行病人数据全数字无纸化传输的基础，医院其他病房也可效仿，这样可节省全院约20%左右的护理资源。

同时，该部分的完成也预示着其他电子设备接入电子病历系统的可能性，为今后医院实行设备全数字化信息管理奠定了扎实的理论和操作基础。

4.2  用CNNs网络模型提取部分深度神经网络结构中深度图像特征

构建影像组学特征与PESE值表达之间相关性关系模型，利用测试集数据对预测模型进行测试和验证，并进一步优化网络模型中的结构和参数进行算法建模，该算法得出的分值结合第一部分监护数据的分值得出血液病人的整体分值建立有效的快速准确得出PEWS预警值，提供充裕的时间促使医疗团队早期改进治疗方案或者转移至有条件的ICU，提高儿童血液病人的治愈率和生存概率。

5  结  论

PEWS在血液科的预警评分标准已经在波士顿儿童医院、辛辛那提儿童医院、中南大学湘雅医院等三级儿童医院血液肿瘤科试点成功并得到认可和应用，除此之外，诸多文献中也表明PEWS在其他病区如胸外科、急诊及神经内科等也有试点也应用证明其有效性，只是在不同病区PEWS的值和计算的分值会有不同，待项目成功后准备对不同的病区开始试点，在本院全面推广试行。PEWS值被诸多文献证明具有普适性意义，本项目具有可持续发展的深远意义，其不仅能及时发现潜在的重症血液病儿童，也能及时预警其他种类的病患。本项目的试行成功不仅对我院血液病患儿有着重大意义，而且能应用到其他病区，未来我院的试点成功将对整个儿科系统提高抢救治疗率有重大的意义。

参考文献：

[1] 周芬，潘慈，高怡瑾，等.儿童早期预警评分对血液肿瘤患儿病情变化的预测价值及可行性研究 [J].解放军护理杂志，2019，36（4）：6-10.

[2] 刘煜，陈历赛，段颖晖，等.儿童早期预警评分在PICU病毒性脑炎患儿病情转归中的预测价值 [J].护理学杂志，2017，32（5）：24-26.

[3] 张佳燕，胡菲，张玉侠.儿童早期预警评分在留诊观察患儿分流中的应用 [J].护理研究，2015，29（30）：3744-3746.

[4] DUNCAN H，HUTCHISON J，PARSHURAM C S. The Pediatric early warning system score： A severity of illness score to predict urgent medical need in hospitalized children [J].Journal of Critical Care，2006，21（3）：271-278.

[5] ASYA A，PETER F，NICOLE S，et al. Validation of a pediatric early warning score in hospitalized pediatric oncology and hematopoietic stem cell transplant patients [J].Pediatric Critical Care Medicine，2016，17（4）：146-153.

[6] 唐慧，杨艳，李映兰，等.儿童早期预警评分在急性淋巴细胞白血病患儿中的应用[J].中华护理杂志，2017，52（12）：1422-142.

[7] AGULNIK A，NADKARNI A，ROBLES L N M，et al. Pediatric early warning systems aid in triage to intermediate versus intensive care for pediatric oncology patients in resource-limited hospitals [J/OL].Pediatric Blood & Cancer，2018，65（8）：e27076.[2021-11-03].https：//onlinelibrary.wiley.com/doi/10.1002/pbc.27076.F3521F5E-FEDC-48F0-9D92-299061994CD7

[8] ACKER S N，WATHEN B，ROOSEVELT G E，et al. Rapid response team activation in pediatric surgical patients [J].European journal of pediatric surgery，2017，27（1）：81-85.

[9] AGULNIK A，ACEITUNO A M E，ROBLES L N M，et al. Validation of a pediatric early warning system for hospitalized pediatric oncology patients in a resource-limited setting[J].Cancer，2017，123（24）：4903-4913.

[10] DEMMEL KM，WILLIAMS L，FLESCH L. Implementation of the Pediatric Early Warning Scoring System on a Pediatric Hematology/Oncology Unit [J].Journal of Pediatric Oncology Nursing，2010，27（4）：229-240.

[11] AGULNIK A，ROBLES L N M，FORBES P W，et al. Improved outcomes after successful implementation of a pediatric early warning system（PEWS）in a resource-limited pediatric oncology hospital [J].Cancer，2017，123（15）：2965-2974.

[12] 王丽，张富强，何伟锋，等.儿童早期预警评分在意外伤害急诊患儿病情评估中的应用 [J].护理学报，2015，22（16）：56-58.

[13] 董梅德，吴玲，相波，等.临床科室护理工作性质调查分析 [J].护理学杂志，2015，30（12）：73-75.

[14] 张梅，范媛，朱继红，等.儿童早期预警评分系统在小儿普外科中的应用 [J].中华现代护理杂志，2014，20（32）：4133-4137.

[15] DONG S Y，LUO G N，TAM C，et al. Deep Atlas Network for Efficient 3D Left Ventricle Segmentation on Echocardiography [J/OL].[2021-12-06].Med Image Analysis，2020，61：101638.https：//www.sciencedirect.com/science/article/abs/pii/S1361841520300050.

[16] RONNEBERGER O，FISCHER P，BROX T. U-Net：Convolutional Networks for Biomedical Image Segmentation [C]//Medical Image Computing and Computer-Assisted Intervention–MICCAI 2015. Munich：Springer.2015：234-241.

[17] SZEGEDY C，LIU W，JIA Y Q，et al. Going deeper with convolutions [C]//2015 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Boston：IEEE，2015：1-9.

[18] SZEGEDY C，VANHOUCKE V，IOFFE S，et al. Rethinking the Inception Architecture for Computer Vision [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Las Vegas：IEEE，2016：2818-2826.

[19] Zhou Z W，Siddiquee M M R，Taibakhsh N，et al. UNet++： A nested U-Net architecture for medical image segmentation [C]//Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support.Granada：Springer，2018：3-11.

[20] JADERBERG M，SIMONYAN K，ZISSERMAN A，et al. Spatial transformer networks [C]//the 28th International Conference on Neural Information Processing Systems.Montreal：MIT Press，2015：2017-2025.

[21] ALJABAR P，HECKEMANN R A，HAMMERS A，et al. Multi-atlas based segmentation of brain images：Atlas selection and its effect on accuracy [J].Neuroimage，2009，46（3）：726-738.

[22] AWATE S P，ZHU P H，WHITAKER R T. How Many Templates Does It Take for a Good Segmentation？：Error Analysis in Multiatlas Segmentation as a Function of Database Size [C]//MBIA：International Workshop on Multimodal Brain Image Analysis.Nice：Springer，2012，7509：103-114.

[23] BADRINARAYANAN V，KENDALL A，CIPOLLA R. SegNet：A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39：2481-2495.

[24] ZHAO H S，SHI J P，QI X J，et al. Pyramid Scene Parsing Network [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR），Honolulu：IEEE，2017：6230-6239.

[25] 王丽嘉，苏新宇，李亞，等.基于COLLATE融合多图谱的心脏电影MRI右心室分割 [J].波谱学杂志，2018，35（4）：407-416.

作者简介：冯佳怡（1983.09—），女，汉族，上海人，工程师，硕士，研究方向：可穿戴人工智能、图像处理;通讯作者：柳立平（1983.01—），女，汉族，上海人，研究方向：智慧护理、重症医学、呼吸理疗。F3521F5E-FEDC-48F0-9D92-299061994CD7