【关键词】卒中；大数据；人工智能；机器学习；综述

近年来，人类生存环境和生活方式发生重大转变，脑血管疾病危险因素不断增多，脑卒中在中国甚至全世界范围内的发病率逐年上升。脑卒中具有高发病率、高复发率、高致残率、高死亡率及高经济负担等特点，严重威胁人类健康［1］。一项疾病负担研究显示，全球有超过8000万脑卒中患者［2］，2019年我国40岁以上人群中现患及曾患脑卒中人数超过1700万［3］。大数据指从各种资源中获取、以高速度创建和处理的海量数据［4］，大数据的应用、分析、集成和管理在医疗领域受到重视，分析大数据可预测疾病的发展趋势，进行早期干预以改善医疗事件结局，可产生深刻、长远的社会意义［5］。本文旨在综述大数据在脑卒中领域的应用现状，以期为医务人员的临床研究提供参考。

1大数据在脑卒中领域的应用优势

1.1数据储存方面

电子病历取代传统纸质病历后，保留电子病历的技术从基于云存储技术构建信息共享平台到基于联盟区块链技术的电子病历共享系统，不仅实现了成本低、数据传输速度快、易于获取信息、存储容量大，而且还保证了传输过程中电子病历的完整性和安全性［6］。电子病历以及信息化时代带来的各种便利，使得医疗技术与临床护理飞速发展，也为脑卒中的研究提供了有价值的信息。

1.2经济支出方面

脑卒中是全球导致死亡的第二大原因，是导致长期残疾的首要原因，全球范围内脑卒中后治疗和护理的经济负担不断增加［7］。《中国卫生健康统计年鉴2019》显示，2018年缺血性脑卒中和出血性脑卒中患者人均住院费用相比2008年分别增长56%和125%［3］。庞大的医疗支出使得大数据应用展现突出优势。诊断错误不仅造成医疗资源的浪费，而且无法满足患者真正的治疗需要。MANE等［8］回顾了5年的数据，构建诊断性能仪表板来监控诊断质量，利用大数据跟踪诊断错误情况及其危害，从而减少误诊的发生。LIBERMAN等［9］使用一种名为“Symptom-DiseasePairAnalysisofDiagnosticError”（诊断误差的症状-疾病配对分析）的工具，通过患者现有症状结合大数据，可以判断和监测诊断错误。在临床上大数据可以有效降低脑卒中的误诊率，减少对患者的损害与疾病支出，满足社会需要和公共卫生需求。

2大数据在脑卒中领域的应用方法

大数据在脑卒中领域的应用可以分为两类：基于实践的分析方法、应用人工智能（artificialintelligence，AI）和机器学习的新兴方法［10］。基于实践的分析方法涉及临床和护理的各方面，AI和机器学习的兴起将脑卒中引领到全新的研究方向和领域。

2.1基于实践的分析方法

在临床治疗和护理中收集、评估和分析大量数据，可实现脑卒中的精确医疗［11］。将遗传学与大数据结合，能提高脑卒中病因识别的准确性，对寻找干预靶点和改善患者预后有重要意义［12］。将遗传学与精确医学整合，在大数据的基础上进行多组学数据融合，发现和干预脑卒中复发和预后的遗传因素，对脑卒中的临床研究具有指导作用［13］。基于大数据进行流行病学调查，可指导公共卫生服务策略制定。GATTELLARI等［14］计算了新南威尔士州9年间脑卒中患者的入院率和死亡率，总结出该州在脑卒中亚急性期管理、出院后护理和二级预防方面缺乏重视。UNG等［15］使用河南省焦作市的以疾病诊断相关分组（DiagnosisRelatedGroups，DRG）为基础的支付系统，分析医疗支出大数据探索脑卒中患者治疗费用的影响因素，提高了医疗诊断的准确率。疾病管理是提高脑卒中患者生活质量和监测风险因素的基本手段，张书凡等［16］依托医院信息服务平台，利用大数据和云计算创新性建立了患者全程管理模式，满足多学科联合护理患者的需求，促进了脑卒中单病种质量管理的发展。侯玉梅等［17］为探究脑卒中的疾病规律，利用数据挖掘与Logistic回归模型构建预测模型，该模型可以让患者自我监测脑卒中风险，对脑卒中管理和预防提供了便利性和时效性。依托于大数据和智慧医疗构建疾病新的管理模式，可能是疾病管理发展的趋势，有望在提高患者依从性的同时减少人力资源消耗，更好地提升临床管理效能。

2.2应用AI和机器学习的新兴方法

AI是研究和开发用于模拟、延伸和扩展人类逻辑思维的技术科学，可将复杂的算法和计算应用于大数据［18］。使用AI分析大数据可辅助医生做出临床决策，改变当前的临床护理实践。GUAN等［19］使用机器学习从颅脑CT图像中提取并学习脑卒中影像学特征，计算机在颅脑CT图像中挖掘脑卒中信息，证实了颅脑CT识别脑卒中的可行性，为进一步AI辅助颅脑CT诊断脑卒中奠定了基础。为减少脑卒中并发症的发生，有研究利用AI分析大数据建立了脑卒中风险预测模型，相较于传统的风险预测模型有更好的预测效果［20-21］。机器学习是AI的分支，可通过识别变量之间的交互模式来解决大数据的复杂问题［22］。机器学习在识别影像学特征方面有更好的灵敏度和特异度，是神经系统疾病影像学诊断的重要辅助手段［23］。LEE等［24］应用自动图像处理方法分析脑卒中患者的影像学特征，开发了3个机器学习模型预测脑卒中的发病时间，提高了静脉溶栓治疗率。MIN等［25］将脑卒中临床数据和影像学特征融入机器学习，能准确预测患者的预后情况，以期制定更好的治疗和护理方案。WU等［26］运用卷积神经网络（convolutionalneuralnetworks，CNN）自动分割算法，在多中心扩散加权磁共振成像数据集中对缺血性脑卒中的影像学特征进行识别及分割，对脑卒中分型判断有重要作用。

3大型国家数据库在脑卒中领域的应用

3.1脑卒中人群数据库中国国家卫生健康委员会和科技部

在2007年启动了中国国家卒中登记中心（ChinaNationalStrokeRegistry，CNSR）数据库，在第三次中国国家卒中登记（theThirdChinaNationalStrokeRegistry，CNSR-Ⅲ）中［27］纳入15474例脑卒中患者，前瞻性分析了脑卒中的病因、影像学特征和生物标志物，其结果提供了大量决定脑卒中患者预后因素的证据。2015年中国卒中学会为建立基于国家三级医院的脑卒中护理平台，发起了中国脑卒中中心联盟（ChinaStrokeCenterAlliance，CSCA）（https：//csca.chinastroke.net），其数据提供给研究人员进行脑卒中护理研究，以期改善患者的生存质量和疾病预后。国外数据库有澳大利亚卒中临床注册中心（AustralianStrokeClinicalRegistry，AuSCR），其收集脑卒中或短暂性脑缺血发作（transientischemicattack，TIA）患者的护理及康复情况。DALLI等［28］回顾了AuSCR登记的17980例脑卒中/TIA患者，评估患者出院后1年药物治疗依从性与3年生存率之间的关系，得到了脑卒中/TIA药物治疗依从性的循证证据。此外，美国国家神经系统疾病和脑卒中研究所及美国国立卫生研究院开发的StrokeNet，涵盖了美国27个区域中心，涉及约500家医院，为脑卒中患者提供新的潜在治疗方法，促进脑卒中的预防、治疗及康复［29］。总之，大型国家卒中中心的建立和应用，可对国家脑卒中群体进行总体系统评价，为国家卫生保健政策提供循证证据，为临床实践提供指导。

3.2全国人口数据库

美国医疗保健成本和利用项目（HealthcareCostandUtilizationProject，HCUP）是美国最大的行政、纵向医疗保健和住院护理数据库，集合了1988年至今所有入院患者的付款信息［30］。有研究利用HCUP计算脑卒中患者危险因素的患病率，发现2004—2014年美国脑卒中患者传统危险因素的流行率明显增加［31］。英国SEMINOG等［32］分析了几乎全国因脑卒中死亡的795869例患者的信息，推断出急性脑卒中死亡率下降的相关因素。以色列最大的健康维护组织（HealthMaintenanceOrganization，HMO）数据库覆盖了该国一半以上的人口，SALIBA等［33］分析HMO数据库中43000多例心房颤动患者，发现导管消融术明显降低心房颤动患者脑卒中风险和死亡率。LEE等［34］对韩国国家健康信息数据库（KoreaNationalHealthInformationDatabase，NHID）中80多万女性进行为期10年的随访，证实血红蛋白水平变化可影响年轻女性脑卒中和全因死亡率。此外LEE等［35］利用NHID开展全国性纵向随访研究，确定了血清抗体阳性的类风湿性关节炎与缺血性脑卒中存在相关性。总之，全国人口数据库范围覆盖更广、信息更全面，能够进行更有深度的全国性脑卒中研究，从而改善脑卒中治疗现状和提高脑卒中护理质量。

4小结与展望

总之，大数据在脑卒中领域的应用从医院数据的探索到大型国家数据库的成熟运作，从基于传统统计学分析的实践应用到灵活使用AI和机器学习，医务人员在信息化背景下不断挖掘临床积累的医疗数据，使得脑卒中的临床和护理不断提升及优化。大型数据库实现了数据集成、储存、共享，研究人员可以基于国家人口发掘脑卒中的疾病特征，形成全国性和区域性的循证证据和卒中指南，早日实现全面精准医学、全民参与防治。未来，国家数据库更应加强与地方医院的交互，帮助地方区域形成更具针对性的治疗和护理模式。在目前的大数据研究中，影像学的应用逐渐成为脑卒中的发展新趋势，而影像学资料所具备的复杂性则更需要借助AI和机器学习，寻找特异性、敏感性的影像学特征。建议临床医护人员将影像组学联合其他组学资料，基于多组学数据开展脑卒中大数据全面性研究。同时，医疗专家需与计算机专家合作，形成多学科交叉互补，充分发挥大数据的潜在作用。作者贡献：范达英进行文章的构思与设计，论文撰写及修订；缪睿负责研究的实施与可行性分析；范达英、李彩进行文献检索及筛选；邓仁丽、彭燕、陈伟进行文献整理和分析；黄浩负责文章的质量控制及审校，对文章整体负责、监督管理。本文无利益冲突。

参考文献

［1］《中国脑卒中防治报告》编写组.《中国脑卒中防治报告2019》概要［J］.中国脑血管病杂志，2020，17（5）：

［3］《中国脑卒中防治报告》编写组.《中国脑卒中防治报告2020》概要［J］.中国脑血管病杂志，2022，19（2）：136-144.DOI：

［16］张书凡，韩翔，吴丹红，等.基于智慧医联体平台的脑卒中区域性管理新模式的建立［J］.复旦学报（医学版），2018，45（6）：

［17］侯玉梅，曾慧，张晨阳，等.基于数据挖掘的缺血性脑卒中患病风险预测［J］.中国老年学杂志，2021，41（1）：177-181.DOI：

［18］沈惠文，林永忠，陈淑良，等.基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究［J］.中国全科医学，2023，26（17）：

［22］黄艳，邓琪，曹丽萍，等.机器学习在心房颤动筛查和管理中的应用进展［J］.实用心脑肺血管病杂志，2022，30（11）：

作者:范达英 邓仁丽 缪睿 彭燕 陈伟 李彩 黄浩