【优先发布】电子健康记录数据挖掘技术研究进展

电子健康记录（Electronic Health Records，EHR）是指以电子形式存储和管理的个人健康信息，是传统纸质病历的数字化产物，一般涵盖了个体医疗历史事件相关的多模态数据信息。相较于传统纸质病历，EHR具有数字化、可持续性、可互操作性等良好特性。通过使用EHR，医疗机构和提供者可以更高效地管理和共享患者的医疗健康信息，减少纸质记录的繁琐和错误，患者也可以更方便地获取和访问自己的健康数据，促进医患间的沟通和合作。因而，EHR的最初目标是实现和促进医疗健康信息的数字化以及共享利用，改善和提升医疗保健的质量和效率。

随着人工智能和医疗健康大数据技术的不断发展，医疗机构的数据采集和记录方法具有异质性，导致EHR数据可能存在错误、缺失或不一致的情况，从而影响数据挖掘结果的准确性和可靠性。此外，不同医疗机构和数据库系统采用的数据格式标准不一致，导致EHR数据互操作集成和跨系统分析困难。同时，EHR涉及个人健康信息，保护患者隐私和数据安全也限制了对大规模EHR数据集的访问和共享。为了探寻方法和路径以解决EHR数据挖掘面临的挑战问题，促进EHR数据挖掘更好地服务于医疗保健行业需求，为精准化、个性化医疗决策和健康管理提供高价值情报和技术方法支撑，本文通过对相关文献进行梳理分析，总结EHR挖掘技术的研究进展与应用前景，发现不足并提出相关建议。

图1所示，EHR挖掘技术的研究从2013年之后受到各国学者的关注，文献数量逐年增长，在2015年研究达到鼎盛时期，之后呈现稳定状态。Google公司在2013年提出Word2Vec模型，基于深度学习的方法在各个领域受到广泛关注，也推动了EHR挖掘技术的发展。我国在2015年发布《国务院关于积极推进“互联网+”行动的指导意见》，首次提出加快发展基于互联网的医疗卫生服务。随着EHR系统在医疗领域的逐渐普及，人工智能技术在医学研究中的应用日益广泛。在早期阶段，由于EHR系统的建设和发展相对滞后，研究人员主要依赖人工智能技术来分析医学文献数据，而非临床电子病历数据。这种趋势在一定程度上限制了人工智能在医学领域的应用潜力。尽管一些研究人员已经开始尝试利用关联规则等方法对特定科室或类型的数据进行分析，但由于数据获取的限制，跨学科研究仍然面临着诸多挑战。近年来，随着人工智能和深度学习技术的飞速进步，以及EHR系统建设的逐步完善，EHR挖掘领域迎来了新发展机遇。这些技术的突破使得研究者能够更高效、更深入地处理和分析海量的临床数据，从而极大地推动了该领域的深入研究。

在第1章文献计量分析研究的基础上，延伸阅读相关的文献资料，并调研了EHR数据挖掘领域的背景知识和相关信息。经过筛选，从众多文献中选取具有代表性的74篇作为参考文献，旨在用于下文全面概述该领域的发展历程和研究现状。

早期通常采用经典的机器学习单模型及集成方法，深入挖掘结构化电子病历数据的特征关联，并通过对多元特征的学习进行预测任务。Li和Fan将筛选的多变量特征输入多种机器学习模型进行结果预测，验证不同模型的准确性，前者是对女性先兆子痫（Preeclampsia Eclampsia，PE）进行风险预测，XGBoost集成模型的预测效果最好；后者对无症状颈动脉粥样硬化患者进行诊断预测，逻辑回归（Logistic Regression，LR）是最佳预测模型。针对不同任务的预测需求，各种机器学习模型的表现各有优劣，通常需尝试多种模型并进行比较，以找到在特定任务中表现最佳的预测模型。为充分发挥单个模型的优势，学者们探索了混合模型策略，这种模型融合了不同单一模型的优点，使得预测性能得到了显著提升。Lee等将典型的基准机器学习分类器和堆叠分类器在老年抑郁症预测任务中进行对比，堆叠分类器的性能具有更强的鲁棒性；雷诺扬帆等使用三种标准机器学习模型以及三种集成学习模型筛选房颤的高危患者，集成模型Stack表现最好；Bernardini等使用一种稀疏平衡支持向量机（Sparse Balanced-Support Vector Machine，SB-SVM）的方法对诊断为早期2型糖尿病的数据进行建模，通过提高模型可解释性并找到最相关的特征来管理高维数据。

在非结构化EHR文本数据挖掘任务方面，学者们常使用规则和机器学习相结合的方法进行命名实体识别任务，规则的确定可以提高实体识别的准确性。王阳阳和栗伟等使用机器学习和规则相结合的方法进行实体识别任务，前者使用隐马尔科夫模型识别命名实体，利用正则表达式识别数字以及日期隐私；后者使用条件随机场对病历实体识别，利用决策树生成的规则以及临床知识规则对识别结果进行优化。Lei和Zhang等通过分析中文电子病历文本数据的特点，对疾病、症状、检查和治疗四个实体进行识别，前者手动筛选出基本特征和扩展特征，使用条件随机场(Conditional Random Fields,CRF)模型进行学习和识别任务；后者对比了不同类型的特征和不同的机器学习算法对临床命名实体识别(Named Entity Recognition,NER)任务的影响。在信息抽取任务中，孙健等制定启发式规则，并设计基本特征、短语句法特征和其他特征，训练SVM、SVM+Random Forest两个分类器，在时间关系识别问题上取得了较好的结果。Chapman等使用词嵌入和词聚类构建特征工程，NLP技术识别临床笔记中的症状和药物实体，并将其关系标记为适应症或药物副作用和药物不良事件，最后使用CRF和随机森林模型分别进行命名实体识别和关系提取任务。

相较于词典规则的方法，基于机器学习的EHR挖掘方法具有更高的召回率和扩展性。在对非结构化文本数据进行实体识别、信息抽取等任务时，前期需要构建大量标注语料数据。在处理小规模样本数据时，机器学习方法可以取得良好的预测效果，但在处理庞大且复杂的EHR数据时，制定有效的特征工程以及解决效果不佳的问题成为了一个挑战。

面对海量、复杂、异构的EHR数据，深度学习模型可以减少特征工程的复杂性并提供强大的网络架构，因此在EHR挖掘领域优于传统的机器学习方法，已被广泛应用于处理结构化数据和非结构化文本数据的挖掘任务。表4总结了监督学习、半监督学习和无监督深度学习模型在EHR挖掘领域的应用。

卷积神经网络和循环神经网络作为有监督深度学习的典型代表，在EHR挖掘领域具有出色的表现。Shin等使用带有注意力机制的卷积网络模型对放射科头部CT报告分类，同时使用注意力热图为预测结果提供了可解释性。近年来，对结构化数据建模的研究不再仅关注离散的医疗代码信息，还将时间因素也考虑在内。Ju等提出了一种三维3D-CNN-SSP框架模型，关注数据的内在关联和时间特征以捕获EHR中的复杂关系，以此对患者进行风险预测。卷积神经网络（Convolutional Neural Network, CNN）模型在医学影像数据的处理任务上具有优势。Karargyris等针对胸部X射线数据集训练一个CNN模型来预测患者年纪，在预测正确的胸部X射线中进一步研究身体部位变化与患者年纪的关系。对于长距离依赖的时序问题，循环神经网络模型表现更优。吴佳伦等提出了一种基于患者相似度分析的MedSim药物推荐深度学习模型，通过RNN来学习患者的表示，检索具有相似性的患者序列为患者推荐准确、安全的药物。Choi研究了关于结构化EHR的数据表示，预测任务。赵奎等考虑了宫颈癌诊疗数据具有部分时序性且分布不均匀的特征，使用加权池化和Skip-gram算法对潜在关系进行向量表示，Bi-GRU模型用于结果预测。此外，为了更好地对结构化数据建模，Trang等改进了LSTM模型，在输出门和遗忘门增加干预措施向量建模。对于非结构化EHR文本数据的挖掘，BiLSTM-CRF是经典的序列标注模型。李超凡等结合CNN和BiLSTM模型的优势对文本进行分类任务，关注病历文本的局部特征以及上下文语义关联信息，以获取句子级别的高层特征表达，并使用Attention机制进行特征加权。

图神经网络模型在处理具有多样化数据结构和复杂相互关系的EHR数据方面展现出了巨大的潜力。与卷积神经网络相比，能够更全面地理解图结构的全局关系；与循环神经网络相比，则更擅长捕捉不同节点之间的复杂交互。Liu等提出了异构相似图神经网络，将异构EHR图拆分成多个同质图，基于相似度子图共同学习高质量的图嵌入。Shang等提出了一种端到端的GAMENet图增强深度学习模型，以患者纵向EHR数据和基于药物相互作用的知识库为输入，旨在生成有效且安全的联合用药推荐。MedGCN模型则可以根据患者不完整的实验室检测数据推荐患者的用药，并填补实验室数据。成全等构建“异常体征—患者—药品”异构图，使用R-GCN学习节点表示并对药物进行精准推荐。此外，DeepNote-GNN模型集成了临床笔记信息和患者网络拓扑结构，使用Bert模型提取临床笔记的深层表示，构建结构化图数据，训练GNN网络进行再入院预测。

BERT预训练语言模型具有强大的特征提取和语言表征能力，基于此，有人针对生物医学和临床医学领域训练了BioBERT和EhrBERT模型。此外，Med-BERT将为文本域开发的BERT模型框架应用于结构化EHR，预训练上下文嵌入。目前对于医学NLP任务常使用混合深度模型，张芳丛等使用Ro BERTa-WWM-BiLSTM-CRF模型对中文电子病历进行命名实体识别；韩普等使用BiLSTM-CRF+BERT+IDCNN+Self-Attention混合模型在中文糖尿病数据集上进行医学实体抽取。对于缺乏医疗数据的问题，生成对抗网络（Generative Adversarial Network, GAN）的出现为其提供了一种解决方案。GAN由生成器和判别器组成，在医学图像生成方面具有很强的能力。此外，Gupta等使用双向循环单元的生成对抗网络BiGAN，用于对EHR数据进行填充和预测。传统的GAN网络对于离散型数据生成效果不佳。Choi等提出了一种将自编码器和生成对抗网络组合的MedGAN模型，用于生成高质量、高维的患者EHR数据。Baowaly 改进MedGAN框架，使用Wasserstein GAN和boundary-seeking GAN替代GAN网络，所生成的EHR数据均优于原模型。

有监督深度学习模型需要大量人工标注数据，对数据的依赖性强。现有的研究主要关注离散的医疗代码和时间信息，而忽略了生命体征和实验室检测结果等数值型数据在这些预测任务中的作用。图神经网络模型可以将结构复杂的数据表示为图结构，为深入挖掘数据之间的复杂关联提供有效的解决方法。此外，无监督深度学习模型在EHR挖掘领域探索了对无标签数据的研究。对于小样本无标签的问题，可以使用GAN网络的方法进行数据增强。

深度强化学习（Deep Reinforcement Learning, DRL）算法是将深度学习与强化学习相结合的一种方法模型，由于强化学习的优势在于其能够根据环境的反馈来做出决策以获得最大化的奖励，因此强化学习适用于对结构化数据的预测任务，尤其是在解决患者用药以及剂量推荐这类序贯决策问题方面具有显著优势。

表5总结了部分深度强化学习模型用于EHR的挖掘。Wang等提出了一种基于图卷积的强化学习CompNet模型用于药物预测，该模型使用R-GCN对无序且相互作用的药物进行编码，使用深度Q学习(Deep Q-learning, DQL)来学习药物之间相关不良作用。Jia等模仿医生诊断过程提出一种DKDR模型，通过爬取尽可能全面的医学知识构建其知识图谱，使用Q-learning和CNN算法寻找症状最佳组合并给出诊断结果。深度Q网络（Deep Q-Networks, DQN）是经典的深度强化学习算法，融合了神经网络和Q-learning算法。吴青等使用DQN模型推荐治疗BECT的AEDs左乙拉西坦的口服剂量，模型通过发现用药前后患者身体状况的变化找到最优用药剂量，使奖励最大化。Lopez-Martinez等使用dueling DDQN模型对重症监护病房阿片类药物使用剂量进行个性化推荐。