基于数据挖掘的Sepsis患儿集束化治疗时间窗预测及内环境变化模式的研究

Sepsis is a leading cause of death in pediatric intensive care unit, which has the characteristic of complex pathological mechanism and unbalanced internal biological environment. The effectiveness of bundle treatment has a close relationship with the treatment time window. However, how to evaluate, predict, and use the time window both scientifically and effectively is the focus and the difficulty in current researches. The clinical practice at home and abroad proves that the selection of treatment time window is lack of medical evidence for sepsis care. Our clinical analysis also shows that the execution time of each single element of bundle treatment is highly heterogeneous, and has a serious impact on the prognosis of children. As a result, the treatment plan is needed individually and urgently. This study uses structured electronic medical data, and builds bundled treatment time window evaluation model and individualized prediction model using Rough Set, Association Rule and Bayesian Network etc., aiming at illustrating the change patterns of internal environment imbalances within the time window. Finally, a prospective cohort study is undertaken to check the individualized prediction model, verify internal environment changes after treatments, and provide optimized treatment. The study aims at the key problems in clinical treatment, explores the basic solution ideas and measures under the background of information, and comprehensively uses data mining tools like process mining, correlation analysis, machine learning etc., to solve problems individually and innovatively in clinical researches.

Sepsis是儿科重症监护病房的主要死因，病理机制复杂，机体内环境失衡。集束化治疗方案的有效性与治疗时间窗密切相关，如何科学有效评估、预测、运用时间窗是当前研究的焦点与难点。国内外临床实践证明，时间窗的选取缺乏严格的循证医学证据，带有很大主观性。我们的临床分析亦显示，各单项策略的执行时间节点呈高度异质性，且严重影响患儿预后，亟需个体化治疗方案。因此，本课题拟利用结构化后的电子病历大数据，首次提出运用粗糙集、关联规则、贝叶斯网络等构建集束化治疗时间窗评估和个体化预测模型，运用人工神经网络、时间序列混合模型分析时间窗内患儿内环境变化模式；最后，通过前瞻性队列研究考核时间窗个体化预测模型，提供优化的治疗方案，并验证治疗后内环境变化模式。本课题立足临床救治工作中的关键问题，探索信息化背景下的基本解决理念和措施，并综合运用流程挖掘、相关性分析、机器学习等挖掘工具，创新解决临床研究中的个体化问题。

脓毒血症（Sepsis）是一种因为感染而导致的全身炎症反应综合征，是全球感染患者致死致残的重要因素。在发病及病情进展过程中，感染更多是作为诱因存在，真正的致死原因为失调的宿主反应所致器官功能障碍。而非稳态宿主反应过程复杂而多样，涉及机体炎症、免疫、凝血及组织损伤等多环节。本课题组运用大数据分析方法，建设Sepsis临床专业词库和临床语义模式库，构建包括病例人口学特征、体征、检查和检验结果、治疗干预措施、主要诊治时间点、治疗结局等完备的数据仓库，分析发现集束化治疗策略执行时间呈现高度异质性，缺乏对时间目标的统一认知。运用机器学习技术，验证了年龄修正的SOFA和SIRS评分在预测儿科重症监护病房（PICU）Sepsis诊断的准确性，开发了治疗“时间窗”评估和预后不良预测的机器学习模型，与SIRS标准相比，年龄修正SOFA评分≥2在预测PICU入院儿童住院死亡率方面具有更高的准确性，在识别严重感染儿童方面具有更高的敏感性；并对临床表型数据进行向量化表示，识别儿童Sepsis亚型及相关危险因素，通过深度自编码神经网络降维，进而通过无监督聚类算法识别不同亚型。我们成功识别出了儿童脓毒症的4种亚型：（1）肌酐升高；（2）轻症；（3）血氧不足且精神状态不佳；（4）肝功能受损。不同亚型具有不同的临床特征和治疗结局，其中亚型3的死亡率最高。融合随机森林、XGBoost、逻辑回归、神经网络、知识图谱等研发儿童Sepsis临床智能决策系统：A.急诊科Sepsis诊断智能预警系统；B. ICU Sepsis死亡风险智能预警系统；C. 基于儿童Sepsis知识图谱的临床决策辅助系统。运用XGBClassifier、决策树、随机森林等决策分析方法，对内环境检测指标进行特征提取及计算，针对各系统关键指标构成呼吸、循环、血液、肾脏、凝血、神经、电解质、血气等分类并分析生物标记物变化情况及致死的重要性，通过代谢组学数据训练识别Sepsis病原体，区别革兰氏阴性和革兰氏阳性感染诊断，感染患者的临床和代谢组学生物标志物通路和血液富集分析显示Sepsis伴有氮代谢异常、细胞呼吸障碍、肾或肠衰竭。