区块链和人工智能驱动的脑血管病诊疗和质量管理决策范式研究

doi:10.3969/j.issn.1673-5765.2021.07.001

中国卒中杂志 ›› 2021, Vol. 16 ›› Issue (07): 639-642.DOI: 10.3969/j.issn.1673-5765.2021.07.001

区块链和人工智能驱动的脑血管病诊疗和质量管理决策范式研究

王孟, 韩颖, 李子孝

1北京 100070首都医科大学附属北京天坛医院国家神经系统疾病临床医学研究中心
2国家神经系统疾病医疗质量控制中心
3首都医科大学附属北京天坛医院神经病学中心
4北京脑科学与类脑研究中心
5中国医学科学院脑血管病人工智能研究创新单元

收稿日期:2021-05-06 出版日期:2021-07-20 发布日期:2021-07-20
通讯作者: 李子孝 lizixiao2008@hotmail.com
基金资助:
国家自然科学基金（92046016）
“十三五”国家重点研发计划（2017YFC131090）
北京市自然科学基金（Z200016）
北京市科学技术委员会基于人工智能的脑血管病临床诊疗决策研究（Z201100005620010）
北京市百千万人才项目（2018A13）
北京市青年拔尖人才项目（2018000021223ZK03）

Research on Lockchain Technology and Artificial Intelligen-Driven Cerebrovascular Disease Diagnosis and#br# Treatment and Quality Management Decision Paradigm#br#

Received:2021-05-06 Online:2021-07-20 Published:2021-07-20

摘要/Abstract

关键词: 脑血管病; 大数据; 医疗质量; 管理决策范式

王孟, 韩颖, 李子孝. 区块链和人工智能驱动的脑血管病诊疗和质量管理决策范式研究[J]. 中国卒中杂志, 2021, 16(07): 639-642.

WANG Meng, HAN Ying, LI Zi-Xiao. Research on Lockchain Technology and Artificial Intelligen-Driven Cerebrovascular Disease Diagnosis and#br# Treatment and Quality Management Decision Paradigm#br#[J]. Chinese Journal of Stroke, 2021, 16(07): 639-642.

参考文献

[1] ZHOU M G，WANG H D，ZENG X Y，et al.
Mortality，morbidity，and risk factors in China and
its provinces，1990-2017：a systematic analysis for
the Global Burden of Disease Study 2017[J]. Lancet，
2019，394（10204）：1145-1158.
[2] 马林，巢宝华，曹雷，等. 2007-2017年中国脑卒中流
行趋势及特征分析[J/CD]. 中华脑血管病杂志（电子
版），2020，14（5）：253-258.
[3] LI Z X，JIANG Y，LI H，et al. China's response
to the rising stroke burden[J/OL]. BMJ，2019，364：
l879[2021-05-01]. https：//doi.org/10.1136/bmj.l879.
[4] 张毓辉，柴培培，翟铁民，等. 2017年我国心脑血管
疾病治疗费用核算与分析[J]. 中国循环杂志，2020，
35（9）：859-865.
[5] LI Z X，WANG C J，JIANG Y，et al. Rationale and
design of patient-centered retrospective observation
of guideline-recommended execution for stroke
sufferers in China：China PROGRESS[J]. Stroke
Vasc Neurol，2019，4（3）：165-170.
[6] LI Z X，WANG C J，ZHAO X Q，et al. Substantial
progress yet significant opportunity for improvement
in stroke care in China[J]. Stroke，2016，47（11）：
2843-2849.
[7] YANG X M，RAO Z Z，GU H Q，et al. Atrial
fibrillation known before or detected after stroke
share similar risk of ischemic stroke recurrence and
death[J]. Stroke，2019，50（5）：1124-1129.
[8] 杨昕，谷鸿秋，王海波，等. 全国三级公立医院卒中
医疗质量现状分析[J]. 中国卫生质量管理，2020，27
（1）：5-8.
[9] GU H Q，RAO Z Z，YANG X，et al. Use of
emergency medical services and timely treatment
among ischemic stroke[J]. Stroke，2019，50（4）：
1013-1016.
[10] LI Z X，SINGHAL A B，WANG Y J. Stroke
physician training in China[J/OL]. Stroke，2017，48
（12）：e338-e340[2021-05-01]. https：//doi.org/10.
1161/STROKEAHA.117.019462.
[11] WANG Y L，LI Z X，ZHAO X Q，et al. Evidencebased
performance measures and outcomes in
patients with acute ischemic stroke[J/OL]. Circ
Cardiovasc Qual Outcomes，2018，11（12）：
e001968[2021-05-01]. https：//doi.org/10.1161/
CIRCOUTCOMES.115.001968.
[12] JOHNSTON S C，SIDNEY S，HILLS N K，et al.Standardized discharge orders after stroke：results of
the quality improvement in stroke prevention（QUISP）
cluster randomized trial [J]. Ann Neurol，2010，67
（5）：579-589.
[13] HSIEH F I，LIEN L M，CHEN S T，et al. Get
With the Guidelines-Stroke performance indicators：
surveillance of stroke care in the Taiwan Stroke
Registry：Get With the Guidelines-Stroke in
Taiwan[J]. Circulation，2010，122（11）：1116-1123.
[14] WANG Y L，LI Z X，XIAN Y，et al. Rationale
and design of a cluster-randomized multifaceted
intervention trial to improve stroke care quality in
China：the golden bridge-acute ischemic stroke[J].
Am Heart J，2015，169（6）：767-774.
[15] 孟群. 夯实健康医疗大数据基础助推人工智能应
用与发展[J]. 中国卫生信息管理杂志，2017，14（5）：
633.
[16] LAU E，WU J C. Omics，big data，and precision
medicine in cardiovascular sciences[J]. Circ Res，
2018，122（9）：1165-1168.
[17] 徐惠，王飞. 基于电子病历首页数据的医疗质量管理
实践[J]. 中华医院管理杂志，2019，35（z1）：23-25.
[18] HEMINGWAY H，ASSELBERGS F W，DANESH
J，et al. Big data from electronic health records for
early and late translational cardiovascular research：
challenges and potential[J]. Eur Heart J，2018，39
（16）：1481-1495.
[19] 高东平，王士泉，李伟，等. 基于区块链技术的医
疗大数据平台架构研究[J]. 中国数字医学，2019，14
（1）：29-32.
[20] 李子孝，刘涛，丁玲玲，等. 机器学习在脑血管病诊
疗应用中的研究进展[J]. 中国卒中杂志，2020，15
（3）：283-289.
[21] 丁玲玲，李子孝，王拥军. 人工智能临床决策支持系
统在脑血管病中的应用[J]. 中国卒中杂志，2020，15
（3）：290-295.
[22] TITANO J J，BADGELEY M，SCHEFFLEIN J，et
al. Automated deep-neural-network surveillance of
cranial images for acute neurologic events[J]. Nat
Med，2018，24（9）：1337-1341.
[23] GARG R，OH E，NAIDECH A，et al. Automating
ischemic stroke subtype classification using machine
learning and natural language processing[J]. J Stroke
Cerebrovasc Dis，2019，28（7）：2045-2051.
[24] PIAZZA G，HURWITZ S，GALVIN C E，et al.
Alert-based computerized decision support for highrisk
hospitalized patients with atrial fibrillation
not prescribed anticoagulation：a randomized，
controlled trial（AF-ALERT）[J]. Eur Heart J，2020，
41（10）：1086-1096.
[25] MURRAY N M，UNBERATH M，HAGER G D，et
al. Artificial intelligence to diagnose ischemic stroke
and identify large vessel occlusions：a systematic
review[J]. J Neurointerv Surg，2020，12（2）：156-
164.
[26] DONABEDIAN A. Perspectives on the free choice
of the source of personal health care[J]. Milbank
Mem Fund Q Health Soc，1981，59（4）：586-595.
[27] AZARIA A，EKBLAW A，VIEIRA T，et al.
Medrec：using blockchain for medical data access
and permission management[C/OL]//2016 2nd
International Conference on Open and Big Data
（OBD）. IEEE，2016：25-30[2021-05-01].
https：//ieeexplore.ieee.org/document/7573685.
[28] KRITTANAWONG C，ROGERS A J，AYDAR
M，et al. Integrating blockchain technology with
artificial intelligence for cardiovascular medicine[J].
Nature Reviews Cardiology，2019，17（1）：1-3.
[29] KRITTANAWONG C，ROGERS A J，AYDARM，et al. Integrating blockchain technology withartificial intelligence for cardiovascular medicine[J].Nat Rev Cardiol，2020，17（1）：1-3.
[30] 李子孝，刘翔宇，朱皞罡，等. 基于区块链技术的缺血性卒中医疗质量评价应用初探[J]. 中国卒中杂志，2020，15（6）：578-586.

区块链和人工智能驱动的脑血管病诊疗和质量管理决策范式研究

Research on Lockchain Technology and Artificial Intelligen-Driven Cerebrovascular Disease Diagnosis and#br# Treatment and Quality Management Decision Paradigm#br#

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	蒲善宇, 周齐, 潘岳松. 我国脑血管病真实世界研究进展[J]. 中国卒中杂志, 2022, 17(12): 1289-1292.
[2]	冯玉婷, 刘芷含, 柴倩云, 罗慜婧, 高一城, 陶立元, 费宇彤. 真实世界研究中混杂因素和协变量控制——以脑血管病为例[J]. 中国卒中杂志, 2022, 17(12): 1304-1309.
[3]	金奥铭, 潘岳松. 倾向性评分法在脑血管病临床研究中的应用[J]. 中国卒中杂志, 2022, 17(12): 1310-1313.
[4]	仇鑫, 李子孝. DNA甲基化与脑血管病[J]. 中国卒中杂志, 2022, 17(11): 1159-1161.
[5]	杨红娜, 冀瑞俊, 于凯, 何艳, 徐丽华, 王拥军. 缺血性脑血管病二级预防药物依从性及其影响因素研究 [J]. 中国卒中杂志, 2022, 17(11): 1227-1232.
[6]	索阅, 张喆, 谢雪微, 孔庆乐, 王拥军, 荆京. 7.0T MRI在脑血管病中的应用进展[J]. 中国卒中杂志, 2022, 17(11): 1257-1263.
[7]	胥智超, 李润芝, 米东华. 中枢胰岛素抵抗与脑血管病的关系[J]. 中国卒中杂志, 2022, 17(11): 1276-1282.
[8]	肖瑞珠, 李磊, 王孟, 姜勇, 郭敬鹏, 朱皞罡. 基于区块链的数字身份在脑血管病临床医疗数据应用的模式探索[J]. 中国卒中杂志, 2022, 17(10): 1089-1096.
[9]	罗秋雁, 黄文利, 冯慧宇, 陈玲, 周鸿雁. 脑室出血合并大面积脑梗死1例报道并文献复习[J]. 中国卒中杂志, 2022, 17(10): 1103-1107.
[10]	董漪, 张艳蓉, 曹文杰, 程忻, 董强, 顾宇翔. 浅谈脑血管病融合病房的基本概念和建设框架[J]. 中国卒中杂志, 2022, 17(10): 1139-1143.
[11]	张心邈, 潘岳松, 向祥龙, 王拥军, 孟霞. 早期临床路径干预改善卒中医疗服务质量关键绩效指标研究[J]. 中国卒中杂志, 2022, 17(09): 977-984.
[12]	陈虞, 王地, 李冠璋, 赵征, 李艺影. 脑血管病全血样本的采集、储存及转运标准化流程与解决方案[J]. 中国卒中杂志, 2022, 17(08): 911-914.
[13]	宋新杰, 姜睿璇, 张怡君, 王安心, 李子孝, 赵性泉. 脑出血急性期不同血压参数与预后的关系[J]. 中国卒中杂志, 2022, 17(07): 769-773.
[14]	李佳树, 方瑞乐, 刘改芬, 赵性泉, 鞠奕. 急性轻型卒中相关前庭症状的临床特征及其持续存在的危险因素分析[J]. 中国卒中杂志, 2022, 17(07): 780-785.
[15]	张彤, 王安心, 安媛, 张亚清, 刘艳芳, 赵性泉. 脑动脉前循环串联病变临床治疗效果meta分析[J]. 中国卒中杂志, 2022, 17(05): 503-509.