充血性心力衰竭、成人败血症，这两个病种作为我国 ICD-10 中指定的重点病种，在住院死亡类指标、重返类指标、住院日及住院费用、急诊绿色通道管理等多方面，都对医疗机构有各项监控及要求。
而在美国，医疗机构在面对这两个病种时，也面临同样的挑战：如何在保证并提升医疗质量与患者安全的同时，降低诊疗费用及再入院率？
全美 Top10 医院面临的新挑战
作为已有二百余年历史的宾夕法尼亚大学医学院（Penn Medicine），见证并陪伴了 1751 年全美第一家医院宾夕法尼亚州医院的成立，1765 年，全美第一家医学院也在宾夕法尼亚大学内成立。
如今，宾夕法尼亚大学医院多年跻身全美最佳医院排行榜 Top 10，且以癌症、心脏中心等重点科室见长。
面对当下临床、医保、科研的新挑战，他们希望将医疗机构内大量的临床数据安全且充分地利用起来，帮助临床医生预测可能的危重症患者——探索更有效的患者风险分级、更有用的预警机制、更有意义的临床科研、更有可复制性的参与和推广模式。
宾大医学院拥有海量的患者数据，其临床数据仓库目前存储了 300 万患者的病例，其中最早的数据可追溯到 10 多年前。
在 2013 年，宾大医学院数据科学团队设想建立一种大数据环境，以利用这些数据改进临床路径和预测。为此，宾大医学院开发了 Penn Signals 平台，并围绕败血症和心力衰竭首次应用。
依据既往病史，预测败血症患者
美国 CDC 数据显示，败血症每年波及超过 100 万美国人，是第九大致死病因，同时还是 ICU 第一大致死病因。
即使在发达国家，败血性休克引起的死亡率也接近 50%。而传统的败血症识别方法，通常只可检测约 50% 的病例，且一般在患者发生败血性休克前 2 小时才能检出。
宾大医学院利用 Penn Signals 平台，在涉及 150 位患者（总患者数为 1200～1500 人）的败血症试点研究中，准确识别了约 85% 的败血症病例，且早在败血性休克发生前 30 个小时便成功识别。
标记患者病史？技术能做的不止这个
心力衰竭的情况则更不容乐观，也更为复杂。据 2005 年和 2011 年的流行病学和心力衰竭状况调查，美国有 580 万人患心力衰竭，全球更是有约 2% 的成年人饱受此病困扰。
在发达国家，心力衰竭是人们入院治疗的头号病因，尤其常见于 65 岁以上的老人。
并且， 虽然心力衰竭的治疗本身并不昂贵，但由于需要住院，总体治疗成本却很高。美国每年在心力衰竭上的治疗成本，已超 350 亿美元。更糟的是，美国 1/4 的住院患者在 30 天内再次住院，1/2 的患者需在 6 个月内再次住院。
最初，宾大医学院心力衰竭和移植计划的医疗总监 Dr. Lee Goldberg，出于希望尽早发现潜在心力衰竭患者的目的，对数据科学团队提出了一个很简单的要求：能否标记出曾经因心力衰竭而住院的患者？结果，数据科学团队表示：我们能做到的不止这个。
比如，有一部分潜在的心力衰竭患者，第一次就诊时因其他疾病来到医院，这部分未被诊断出心力衰竭相关症状的患者，在发生心力衰竭再次就诊时，通常而言，住院时间更长，医疗花费更高。
而在部署 Penn Signals 这一预测模型后，临床团队可准确估测医院内或医院之间心力衰竭患者的数量和分布情况：他们可识别出约 20%～30% 之前标准诊断工具无法识别的心力衰竭患者，并指导这些患者自行调理病状，从而大幅降低再次住院率。
Dr. Goldberg 表示，资源有限是常态， 「Penn Signals 是帮助我们医生识别患者群体并应用合适资源的大好机会。」
对临床医生即时提示，实现双向成效
Penn Signals 这一神奇的平台，首先可以实现即时预警，即根据患者位置、值班人员信息等，向特定的医疗机构发送安全的手机短信预警，其中包含患者位置和临床信息，方便医疗机构判断预警是否相关，以及患者需要的救助类型。
Dr. Goldberg 展示了自己的手机，「我们临床医生查看这些提示后，可以使用标签进行回应，或与整个团队进行沟通。」
Dr. Goldberg 展示医生收到的预警短信
其次，这一平台可以根据电子病历系统中的工作流程，识别病情严重的患者，实现自动化任务列表。
第三，Penn Signals 的情况仪表盘，可报告护理情况，以及如何降低再次住院率、如何改善患者的生命质量等。
至此，宾大医学院实现了双向成效：对临床医生而言，他们可以根据医学知识，指定观测和收集的数据变量，临床科研有了新路径；对数据专家而言，他们可以根据事实和技术，发掘到更多相关变量，对临床预测和科研提供更有力的支持。
可扩展的开源平台，打破信息孤岛
到此为止，只是 Penn Signals 在宾大医学院院内的成功试点，如何使之具备可复制性，能兼容不同的 IT 系统，在保证患者信息安全的前提下，打通各医疗机构间的信息孤岛？
宾大医学院希望基于开源技术和大数据技术提出一种最佳的解决方案。于是，可信分析平台（TAP）进入了他们的视野。
TAP 作为一种可扩展的开源平台，不仅兼容各基础设施和平台，更大的优势在于，其对临床科研的天然助力：能帮助数据专家快速试用各种想法，从中找出最可行的方案。
比如在观察降低再次住院率时，数据专家能跟踪算法的准确性，并在发现准确性下降时及时修改算法，从而加快迭代速度。由此，TAP 能为临床医生和数据专家提供一个高质的开发与测试环境。
现在，宾大医学院正研究将 TAP 用于与英特尔的联合项目中。英特尔根据药物治疗方案，使用 TAP 对患者进行表型分析，或对患者的疾病进行分类。
添加药物治疗史对预测患者再入院率的比较
仍以心力衰竭为例，英特尔与宾大医学院密切合作，使用 TAP 分析工具，将心力衰竭患者的药物治疗历史作为额外的预测依据，充分利用每位患者住院前和住院间的药物治疗数据进行分析。
最终，该项目成功帮助宾大医学院提升了这类患者出院后 30～90 天内再次住院的预测能力约 15%，进而帮助医院有针对性地管理患者，避免再次住院。