在医院手术室日常管理中，医护人员需要根据手术过程和结果选择合适的国际疾病分类（ICD）编码，但具体操作时可能存在错选、乱选等问题。本研究引入NLP和DL模型，利用病历文本资料，对ICD编码进行纠错及预测。采用NLP技术对资料进行预处理，包括数据清洗、标注、分词、向量化等，将非结构化、半结构化的文本资料转化为结构化数据；然后使用DL模型对预处理后的数据进行训练。模型基于大量的历史数据学习疾病诊断、手术名称及其他相关字段与ICD编码之间的关系，然后根据这种关系对ICD编码进行纠错，并预测可能的ICD编码。在此基础上，对围手术期各阶段的数据进行循环分析，预测潜在的手术风险，使医护人员能够更好地了解患者的情况和需求，提供更安全的手术环境和更优质的医疗服务，实现对手术室各项业务的精确分析与管理。手术室智慧管理系统功能模块见图1。

图1 系统功能模块

表1 数据结构

      1.1.1  系统程序设计

      本研究选用scikit-learn库的SVC函数，划分训练集和测试集，创建SVM模型，使用线性核函数，正则化参数C设为1，激活概率估计，在训练集上训练SVM模型，在测试集上进行预测，输出分类报告，展示模型性能。程序流程见图2。

图2 编码纠错流程

表2 ICD编码匹配输出结果

      手术数据是医疗数据的重要组成部分，其中ICD编码可以反映手术类型、手术并发症等信息，有助于监测手术安全、预警手术风险等。本研究采用NLP和DL技术对不同科室的手术数据自动进行ICD编码预测，在医护人员选择ICD编码时能自动推荐提醒该科室高频出现的ICD编码。

      1.2.1系统程序设计

      本研究基于DL和NLP技术对手术数据进行特征提取和分类，配合循环神经网络（RNN）、长短期记忆网络（LSTM）和卷积神经网络(CNN）等模型进行训练，并学习历史手术名称与ICD编码的关系，从而根据手术数据自动预测ICD编码。流程见图3。

图3 ICD编码预测程序流程

      1.2.2数据获取与预处理

      本研究采用外科手术数据作为实验数据，每条记录包括患者信息、科室信息、手术名称、手术日期、手术医生、诊断结果、检查检验结果等。每条记录还有一个或多个对应的ICD编码，表示该手术的类型、指征、并发症等信息。第一步使用Python的正则表达式库（re）对原始数据进行清洗；第二步数据预处理，首先对选取的数据进行人工标注并交叉验证，然后使用CountVectorizer方法进行分词，最后使用Tokenizer方法进行数据向量化；第三步划分训练集和测试集，设置测试集的比例为20%，随机种子为42，以确保每次运行代码时得到相同的结果。

      1.2.3模型构建与训练

      本研究使用深度学习模型对数据进行训练，选择LSTM模型，构建包含嵌入层（Embedding层）、LSTM层和全连接层（Dense层）的神经网络。首先，使用Sequential模型构建神经网络，其中Embedding层设置将每个单词的ID转换为密集向量，设置输入长度为500，词嵌入维度为100；LSTM层使用100个LSTM神经元，设置dropout和recurrent_dropout均为0.2，可以在每次更新时随机丢弃20%的输入，以防止过拟合；Dense层作为输出层，使用sigmoid激活函数，只有一个神经元，用于预测ICD编码；并使用二元交叉熵损失函数和Adam优化器进行训练。训练过程中，另使用EarlyStopping防止过拟合，如果在2轮迭代中验证集上的损失没有下降，则停止训练。

      1.2.4模型预测与评估

      使用训练好的模型进行预测，模型根据大量的历史手术信息学习科室信息、个人信息、病史、诊断结果、检验检查结果与手术名称、ICD编码之间的关系，然后根据这种关系预测可能的ICD编码并自动输出。模型对不同手术类型编码的预测性能见表3。本研究基于LSTM的手术数据自动ICD编码预测系统的预测性能较高，准确度、精确度、召回率和F1值大部分高于0.8。但从表3可以看出，对于不同手术类型其预测性能存在差异，其中，腹腔镜下胆囊切除术、腹腔镜下阑尾切除术和开胸心脏瓣膜置换术的预测性能较高，而颅内肿瘤切除术和人工全髋关节置换术等预测性能相对较低，可能与不同手术类型的样本数量有关。在手术室场景下，医护人员可以根据手术报告和本系统模型的ICD编码预测结果，更快地选择ICD编码，显著提高了编码的效率和准确性，同时可以减少编码错误，为手术风险预警与处理提供数据支撑。

表3 对不同手术类型ICD编码的预测性能

      临床手术过程复杂，情况瞬息万变，实时监测患者的生理信号和手术数据，并结合ICD编码的预测模型，可以实时发现并预警可能出现的风险。如模型预警患者在手术过程中可能出现心律失常，医生便能提前准备除颤器或提前配备药物，还可进一步预测风险等级，如预测一名患者存在中度出血风险，另一名患者存在高度心肌缺血风险，可以帮助医生优先处理高风险情况，对比不同风险，做出最优决策。

      1.3.1系统程序设计

      本研究将术前数据和术中数据作为输入特征，结合ICD编码纠错和预测的模型，训练深度神经网络（DNN）模型来预测术中风险。流程见图4。

图4 手术风险预警与处理流程

      1.3.2数据获取与预处理

      本研究使用了两类数据：术前数据和术中数据。术前数据包括患者的基本信息、病史、体格检查、实验室检查、影像学检查等，主要来源于医院电子病历系统，通过接口或文件方式获取。为保证数据质量，需要对数据进行清洗、规范化、缺失值填充等操作。

      术中数据包括患者的生理信号和手术数据，如心率、血压、血氧饱和度、出血量、手术时间等。本研究根据一定的关联或规则进行随机生成或模拟，例如，生理信号可以根据患者的年龄、性别、健康状况等因素进行模拟，手术数据可以根据患者的手术类型、手术时间、手术风险等因素进行模拟。

      1.3.3模型构建与训练

      首先定义DNN序贯模型：Sequential模型是层的线性堆叠，包括一个输入层、两个隐藏层和一个输出层。通过输入层的神经元数量由输入数据的特征数量决定，两个隐藏层的神经元数量可以根据问题的复杂性进行调整。设置第一个全连接层节点数为128，激活函数为ReLU，输入维度为指定的input_dim；第二个全连接层节点数为64，激活函数同上；输出层节点数为1，激活函数为sigmoid，因为本研究的目标是进行二分类任务；编译模型指定损失函数为二元交叉熵，优化器为Adam，性能评估指标为准确率。然后创建投票分类器，使用基于概率的软投票方法，通过集成多个模型的预测结果，选择得票最多的类别作为最终的预测结果。

      划分训练集和测试集。使用训练集数据训练DNN模型，构建补充训练模型并训练集成模型。使用KerasClassifier包装DNN模型，指定训练周期数为100，批次大小为10。然后构建并训练集成模型：SVC模型已经在之前的实验中被训练过，此处补充训练随机森林模型，并进行集成综合。

      1.3.4模型预测与评估

      本研究在测试集上进行预测，基于预测结果评估模型的性能。预测的结果用于风险预警和风险等级评估，为医护人员的决策提供参考。为保证模型的性能，在实际使用中数据收集、特征选择、模型训练和评估、模型优化等步骤需要反复进行。模型部分预测结果见表4。可以看出，本研究设计的模型在大多数样本上都能够预测正确，但也有一些样本预测错误。例如，对于患者2002，模型预测不存在风险，但真实情况是存在风险的。分析其原因，可能是因为该患者的术中数据中没有明显的异常信号，导致模型无法捕捉到潜在的风险。提示模型还需要进一步提高敏感性和鲁棒性，以应对复杂多变的手术场景。

表4 手术风险预警模型预测结果（部分）

来源：唐灵逸,郑涛,邵维君.基于深度学习与自然语言处理的手术室智慧化管理创新研究[J].中国数字医学,2023,18(08):12-17.

声明：转载的目的在于传递及分享更多信息，如涉及侵权，请及时联系我们，谢谢！

医工融合创新中心编辑：蒋琴（实习生）

医工融合创新中心审核：朱宗达

欢迎关注医工融合创新中心公众号，一起探讨学习交流。