济宁医学院 大学生创新创业训练计划管理系统

济宁医学院 创新创业管理系统

详情

基于移动医疗的急性冠脉综合征社区早期预警与分层干预模式构建

申报人：王世彦 申报日期：2025-03-27

基本情况

2025创新项目
基于移动医疗的急性冠脉综合征社区早期预警与分层干预模式构建 学生申报
创新训练项目
医学
临床医学类
学生来源于教师科研项目选题
二年期
本项目旨在利用移动医疗技术，构建社区场景下急性冠脉综合征（ACS）的居家早期预警与分层干预模式。通过整合居家可测的客观指标与主观感知数据，结合随机森林、XGBoost等机器学习算法，开发动态风险预测模型，目标灵敏度≥85%、特异度≥80%。项目将开发微信小程序，集成"数据采集-风险评估-预警反馈-一键呼救"一站式功能，实现实时风险分级——低、中、高危与个性化干预指引。同时，联合基层医疗机构制定分层干预方案：低中危人群推送健康宣教，高危人群一键转诊，优化医疗资源配置。项目将通过ROC曲线，AUC值来验证模型预测效能及干预效果，推动ACS防控从"被动救治"向"主动管理"转型，为社区ACS早期预警提供创新解决方案。
①发表中科院二区英文综述1篇
②2024年大学生创新创业训练计划立项培育项目
③第五届任城区青年（大学生）创新创业大赛推举进入任城区复赛
④第十四届“挑战杯”济宁医学院大学生创业计划竞赛校级金奖
⑤第十九届山东省“挑战杯”院级一等奖
①深度参与济宁市重点研发计划项目“基于大数据的首次急性心梗患者随访系统数据平台的构建与实践”，主导构建了覆盖500余例急性心梗患者的临床数据库，创新性地将数字化随访系统应用于急性心梗患者的社区管理，显著提升了患者依从性与预后管理的科学性。
②以通讯作者身份发表SCI论文《急性心梗后心脏破裂相关因素分析》（Front Cardiovasc Med, 2024），揭示了心脏破裂的关键风险因子，
③合作完成中文核心期刊论文《细胞应激性衰老在心肌梗死中的作用及机制》，从分子层面深化了对心梗病理机制的理解。
       本项目的设计与实施得到了指导教师的全程深度参与和全方位支持。指导教师依托心血管疾病智能诊疗领域的研究积累，指导完成项目理论框架构建。针对ACS早期预警的动态风险预测模型开发，提出采用“特征重要性筛选+时序数据融合”的双重优化策略，并在临床资源整合及技术研发指导方面发挥了关键作用，为项目的科学性和可行性提供了坚实保障。
校级

项目成员

序号 学生 所属学院 专业 年级 项目中的分工 成员类型
王世彦 临床医学院（附属医院） 临床医学(本科) 2023 全面统筹项目进度、资源协调与对外沟通。制定项目计划，把控整体方向，定期组织会议，及时调整策略，确保项目按计划完成，协调解决成员间的问题与矛盾。
张梦瑶 临床医学院（附属医院） 临床医学(本科) 2023 运用专业方法分析数据，为项目提供理论与数据支持，撰写调研报告
贺佳忆 临床医学院（附属医院） 临床医学(本科) 2023 管理项目经费收支，编制预算和决算报告，审核费用支出，定期汇报财务状况，确保经费合规使用，撰写学术论文
吴思睿 临床医学院（附属医院） 临床医学(本科) 2023 掌握机器学习算法及云端数据交互技术，开发微信小程序，撰写学术论文
吕梦莹 临床医学院（附属医院） 临床医学(本科) 2023 负责项目成果的总结、推广与宣传；提炼项目核心成果，撰写学术论文、制作宣传资料
程欣然 临床医学院（附属医院） 临床医学(本科) 2023 负责收集与分析项目相关资料、数据；设计调研方案，收集一手数据

指导教师

序号 教师姓名 所属学院 是否企业导师 教师类型
郭莹 临床医学院（附属医院） 否

立项依据

       本研究旨在依托移动医疗技术，构建社区场景下急性冠脉综合征（ACS）的居家早期预警与分层干预模式。通过整合居家可测客观指标及部分主观感知，结合机器学习算法开发ACS风险预测模型，并嵌入微信小程序实现居民自主监测与一键求助。研究聚焦弥补传统筛查对社区适应性不足的缺陷，依据风险分层设计差异化干预路径，验证该模式在提升基层ACS防控效率、减少急性心血管事件中的作用，为优化“社区-医院”协同防控体系提供循证支撑。
       本研究围绕“居家预警-分层干预”核心目标展开：①指标筛选与模型构建：利用济宁医学院附属医院电子系统，选取2023年7月至2024年1月在心内科就诊的ACS患者200例，将所收集患者信息进行综合分析，建立微型临床数据库，结合文献循证，筛选居家可自测的客观指标，结合机器学习算法构建ACS风险预测模型，并验证其特异性与敏感性。②微信小程序开发：设计居民端数据采集模块，实时风险评估界面及风险等级反馈系统，实现“数据采集-分析-预警-求助”一站式服务。③分层干预路径设计：依据风险分级——低、中、高危，联合社区卫生机构制定差异化干预方案，如低、中危人群健康宣教、高危人群一键求助，优化资源配置。④模式验证与推广：通过社区人群队列研究ROC曲线、AUC值评估模型预测效能及干预效果，探索该模式在基层医疗中的适用性，为构建“社区筛查-医院救治”协同体系提供支撑。
国内研究现状：
       我国急性冠脉综合征（ACS）早期预警研究在生物标志物发现[1-3]和预测模型构建[2, 4]方面取得显著进展，特别是改良GRACE评分系统应用以及机器学习模型开发等领域。然而，这些研究成果在临床转化过程中仍面临诸多挑战：现有研究存在样本量局限、技术成本较高、项目实施落地困难等问题，同时还需解决人群适用性和基层医疗机构的适配性等关键问题。未来研究需通过更大的样本量验证，优化技术路径，降低应用成本，以推动ACS早期预警技术的临床转化和基层推广应用。北京大学团队利用循环microRNA-19b/223构建风险模型。但研究人群集中于城市中青年，农村及高龄数据缺失；单次检测成本超400元；未建立高危人群“筛查-转诊-随访”闭环，基层干预滞后率达60%。需优化多中心数据采集并降低技术成本[4]。此外，刘国梁团队基于62例NST-ACS患者临床数据，通过多因素Logistic回归筛选出心功能Ⅲ～Ⅳ级、胸痛等独立危险因素，利用R语言构建改良GRACE评分模型。但研究存在以下局限：样本量小，导致统计效能不足；预测精度显著低于机器学习模型;更为突出的是，模型未开发可视化工具或应用程序，临床操作便捷性受限，需前瞻性验证并推动技术转化[5]。值得关注的是，刘秉时团队通过生物信息学分析联合随机森林、XGBoost等机器学习算法，筛选出ACS潜在生物标志物，构建预测模型。然而，该研究样本量较小，存在过拟合风险；模型缺乏外部验证及前瞻性研究支持，泛化能力存疑；此外，未开发可视化工具或临床应用程序，且相关指标需依赖专业医疗设备，无法在居家场景中实现自主监测，实际应用受限[2]。


国外研究动态：
       国外ACS早期预警研究依托数字化工具提升院前分诊效率，但面临人群适用性局限、场景验证不足、数字资源不均等瓶颈，需强化验证技术，平衡精准性与普惠性。土耳其Erciyes大学团队基于递归分区算法开发胸痛患者急性冠脉综合征（ACS）远程预诊系统，通过年龄、疼痛特征、病史等6项临床指标构建决策树模型，但算法特异性较低，可能导致大量非ACS患者被误诊为阳性，增加急诊科负担，削弱实际应用价值且网站访问样本量极小，所有用户均被建议前往急诊科，无法体现算法在真实场景中对分诊决策的实际影响[6]。印度尼西亚STRADA健康学院团队开发基于移动端的DETAK教育应用，通过视频、问卷及风险筛查功能提升ACS高危人群早期识别能力。然而,研究发现超30%的60岁以上用户因技术适应困难未能有效提升早期预警能力，暴露出数字健康工具在老年群体中的推广局限性[7]。印度研究团队开发基于症状的智能手机应用，通过胸痛特征和风险因素将患者分为四类风险，但其研究范围存在明显局限：研究仅纳入印度中部农村医院患者，缺乏城市及多样化医疗环境数据；同时，依赖患者自述症状，易受文化差异及回忆偏差影响[8]。


发展趋势与不足：
       当前研究呈现三大趋势：①ACS防治从院内急救向社区早期预警前移；②机器学习与机体部分指标结合推动风险模型动态化；③干预路径趋向精准化，如低、中危人群健康宣教、高危人群紧急转诊。


现有不足包括：
①现有预警工具依赖专业设备或主观症状报告，社区场景下基于居家客观指标的主动预警工具仍稀缺；②人群特异性，如性别、年龄，对ACS风险的动态影响研究不足；③分层干预策略在基层医疗中的实施效率有待验证。


本研究定位：
       针对上述缺口，本研究拟融合国内生物标志物研究成果[1-3]与国外精准分层理念[9-12]，开发基于微信小程序的ACS社区预警工具。通过整合居家可测指标及部分主观感知，结合机器学习构建动态风险模型，并设计“低危-中危-高危”分层干预路径，弥补传统模式对社区适应性不足的缺陷，推动ACS防控从“被动救治”向“主动管理”转型。


1. 钱鹏 and 李宗州, 急性冠脉综合征患者血清IL-6、TNF-α、hs-CRP水平的变化及其预测并发类风湿性关节炎的效能 %J 海南医学. 2025. 36(04): p. 517-521.
2. 刘秉时, 生物信息学分析联合机器学习算法预测急性冠脉综合征相关生物标志物. 2024.
3. 郭思捷 and 郭任维, 中性粒细胞与高密度脂蛋白胆固醇比值与急性冠脉综合征相关性的研究进展 %J 心脏杂志. 2025(05): p. 596-600.
4. Li, S., et al., The potential inhibitory effects of miR‑19b on vulnerable plaque formation via the suppression of STAT3 transcriptional activity. Int J Mol Med, 2018. 41(2): p. 859-867.
5. 刘国梁 and 张留斌, 非ST段抬高型急性冠状动脉综合征患者预后不良的影响因素分析及改良全球急性冠状动脉事件注册评分预测模型构建 %J 大医生. 2025. 10(06): p. 103-107.
6. Coskun, O., A. Eren, and M. Eren, A computer based telemedicine protocol to predict acute coronary syndrome in patients with chest pain at home. Int Heart J, 2006. 47(4): p. 491-500.
7. Ana Anggraini, N., et al., Impact of Mobile Application Intervention: DETAK in Early Detection and Early Treatment of Acute Coronary Syndrome. Malaysian Journal of Medicine and Health Sciences, 2024. 20(1): p. 119-125.
8. Rathi, R.K., et al., Symptom-Based Smartphone App for Detecting Acute Coronary Syndrome: A Diagnostic Accuracy Study. Journal of the American College of Cardiology, 2016. 67(13).
9. Yan, A.T., et al., Management patterns in relation to risk stratification among patients with non-ST elevation acute coronary syndromes. Arch Intern Med, 2007. 167(10): p. 1009-16.
10. Fanaroff, A.C., et al., Does This Patient With Chest Pain Have Acute Coronary Syndrome?: The Rational Clinical Examination Systematic Review. Jama, 2015. 314(18): p. 1955-65.
11. Kamineni, R. and J.S. Alpert, Acute coronary syndromes: initial evaluation and risk stratification. Prog Cardiovasc Dis, 2004. 46(5): p. 379-92.
12. Yan, A.T., et al., Risk scores for risk stratification in acute coronary syndromes: useful but simpler is not necessarily better. Eur Heart J, 2007. 28(9): p. 1072-8.
创新点：
①地域化预测模型构建：基于临床数据库，整合该地区近五年ACS病例的流行病学特征与健康档案数据，采用Logistic回归与随机森林算法对12项传统危险因素和5项地域特异性指标进行特征筛选。通过XGBoost算法构建风险预测模型后，并在基层医疗机构开展外部验证，最终形成适配本地区疾病谱的ACS风险评分系统，实现筛查效率较传统模型大幅度提升；
②精准化分级干预体系：构建三级联动管理网络，设计智能分诊算法，针对风险评估为低、中危的人群，推送系统提供健康宣教服务；对高危人群开通绿色通道直连社区医院进行分诊，预诊阳性后直连区域胸痛中心，实现“自主监测-症状触发-社区分诊-急救响应”全流程响应，大大缩短就诊时间；
③场景化预警工具开发与落地：基于移动医疗的社区居家ACS预警工具，融合居家可测客观指标与部分主观感知，突破传统筛查对医疗场景的依赖，联合高校多支志愿服务团队实施医疗服务进社区，通过用户激励措施提升数据采集依从性，实现理论向临床应用的高效转化；
④经济价值：
开发符合我国基层医疗特点的轻量级解决方案，降低医保支出：通过风险分层管理，低、中危患者可在社区接受干预，减少不必要的三级医院就诊，优化医疗资源分配。结合我国ACS年发病率（约100万例/年），若推广至10%的高风险人群，预计每年可节省医保支出超10亿元。减少急性事件救治费用：ACS的传统救治模式以急诊为主，患者往往在症状加重后才就医，导致治疗成本高昂，如PCI手术、CCU监护等。本项目通过居家早期预警，可显著降低ACS进展为STEMI的比例，预计单例患者平均减少2-3万元急诊救治费用。
⑤社会价值：
提高ACS早期识别率，降低死亡率：我国ACS患者从发病到就诊的平均时间仍较长，导致预后不佳。本项目通过智能预警和一键呼救功能，可大大缩短就医延迟，提升再灌注治疗成功率，使社区ACS相关死亡率显著下降。促进基层医疗能力提升，助力分级诊疗：项目通过与社区卫生服务中心合作，增强基层医生对ACS的早期识别和干预能力，减少漏诊和误诊，推动“基层首诊、双向转诊”的分级诊疗制度落地。提升患者生活质量，减轻家庭照护负担：


项目特色：
       本体系以居民自主健康管理为核心突破，通过微信小程序构建"数据采集-智能分析-精准反馈"全链条闭环，开创社区场景ACS主动预警新范式。系统深度融合居民可穿戴设备实时生理数据与结构化症状自述信息，创新开发动态风险评估模型，基于时序健康数据与区域环境暴露参数，构建多维风险画像。实现在基层医疗场景达到三甲医院急诊筛查水平。该模式突破传统单向管理模式，以数字化手段激活居民健康管理主体意识，为"健康中国"战略提供兼具科学精准与可持续推广价值的社区心血管防控解决方案。 
技术路线：
①数据整合与模型构建
通过济宁医学院附属医院电子系统，选取2023年7月至2024年1月在心内科就诊的ACS患者200例，将所收集患者信息进行综合分析，建立微型临床数据库，系统整合PubMed、Cochrane Library等循证医学文献库及该地区临床数据库资源，结合可穿戴设备动态监测数据，通过Logistic回归分析显示有居家可测量性的核心预测因子，涵盖生命体征、行为模式等维度。采用集成学习框架构建多模态风险预测模型：以随机森林算法为主模型，辅以XGBoost、LightGBM进行特征重要性对比验证。模型验证采用嵌套交叉验证策略，除ROC曲线分析外，同步引入决策曲线分析（DCA）评估临床实用性，确保最优模型在验证集中达到灵敏度≥85%（95%CI:82-88%）且特异度≥80%（95%CI:77-83%）的预设阈值。
②智能交互系统开发
依托微信小程序云开发技术栈（CloudBase+WXML），构建“心盾”三端协同系统：居民端集成多源数据采集模块，采用React Native框架开发智能问卷引擎，通过自适应逻辑跳转实现症状自评效率大幅度提升；触发三级响应机制，实现“数据采集-智能分析-精准反馈”闭环。
③精准干预路径优化
联合三级医院-社区医疗联合体，构建风险梯度化干预矩阵：低、中危组实施健康科普，强化学习算法动态优化干预内容；高危组则启用“小程序求助-社区分诊-胸痛中心响应”三签约机制，同时实现电子健康档案的跨机构安全共享。资源配置方面，开发医疗资源时空预测模型，运用整数规划算法优化急救车辆部署与导管室排程，目标使社区至PCI中心的黄金救治时间窗大大缩短。
④模式验证与优化
本研究拟通过社区试点队列研究系统评估预测模型的综合效能及干预方案实施效果。模型验证方面，要求灵敏度达到85%以上且特异度不低于80%；干预成效方面，需实现急性不良事件发生率明显降低，同时转诊流程效率有所提升。基于实证数据结果，将建立模型参数与干预措施的双路径优化机制，实现预测-干预体系的动态完善。



  •                             summernote-img
                                                                                                  图1 技术路线

拟解决的问题：
①突破传统ACS筛查依赖医院场景的局限性，解决社区居家场景下ACS识别率低、预警延迟的问题；②优化基层医疗资源分配不均现状，通过分层干预实现高危人群精准转诊与中、低危人群科普教育；③弥补现有模型对人群异质性，如性别、年龄等适应性不足的缺陷。
预期成果：
①开发一款社区适用的ACS居家预警微信小程序，含数据采集、风险评估、干预指引等功能；②构建基于机器学习的ACS动态风险预测模型；③形成“社区筛查-分层干预-医院协同”标准化路径；④试点社区验证显示急性心血管事件发生率大幅度降低，为“健康中国”心血管防控提供可复制模式；⑤发表期刊论文1-2篇，申请软件著作权1项。 
第一阶段（第1-3月）：完成文献综述与指标筛选。系统梳理ACS风险预测指标及国内外预警模型，确定居家可测指标，搭建机器学习算法框架，完成临床数据预处理与初步分析。
第二阶段（第4-6月）：模型构建与验证。利用随机森林、XGBoost等算法训练ACS风险预测模型，通过ROC曲线、AUC值评估性能，优化参数并验证敏感性与特异性。同步启动微信小程序原型设计，完成数据采集模块开发。
第三阶段（第7-9月）：小程序功能开发与测试。集成风险评估、分级反馈及干预指引功能，实现与社区卫生机构的数据对接。开展内部测试，优化用户界面与算法响应速度，确保系统稳定性。
第四阶段（第10-12月）：社区试点与效果评估。招募1-2个试点社区，实施“筛查-预警-干预-求助”全流程验证，收集用户反馈及临床数据，分析模型预测效能和干预效果，迭代优化模型与干预方案。
第五阶段（第13-15月）：成果总结与推广。整理研究数据，撰写结题报告及学术论文，申请软件著作权。基于试点结果制定标准化操作手册，推动模式区域化推广。
summernote-img
                                                                                                             图2 项目进度安排
       本项目团队在ACS早期预警及移动医疗领域已具备扎实的研究基础：①风险预测模型构建：通过系统梳理国内外ACS生物标志物研究，已筛选出年龄、心率、收缩压等居家可测指标及部分主观感知，并基于机器学习算法完成初步模型框架设计，具备优化潜力。②分层干预实践：与社区卫生机构合作开展心血管健康管理试点，初步验证分层干预——低、中危宣教、高危转诊，可降低急性事件发生率，相关成果发表核心期刊2篇。
已具备条件：
①医疗资源：拥有合作医院提供的200例ACS患者临床数据及精准医疗服务，开展试点验证与干预路径实施；②技术基础：团队掌握机器学习算法开发、微信小程序前端开发及云端数据交互技术。

尚缺条件及解决方案：
①居家数据动态采集能力不足：现有数据以院内检测为主，需补充居民自主上传的居家连续监测数据。解决方案：联合高校多支志愿服务团队实施医疗服务进社区，并通过用户激励措施提升数据采集依从性。②社区干预资源整合有限：基层医疗机构远程随访体系尚未完善。解决方案：设计远程预诊断小程序并联合社区卫生团队建立“线上-线下”协同管理流程，并通过培训提升基层人员执行效率。

经费预算

开支科目 预算经费（元） 主要用途 阶段下达经费计划（元）
前半阶段 后半阶段
预算经费总额 20000.00 无 13000.00 7000.00
1. 业务费 15000.00 无 9000.00 6000.00
（1）计算、分析、测试费 6000.00 机器学习模型训练与验证、云计算资源租赁、数据清洗与分析 4000.00 2000.00
（2）能源动力费 1000.00 服务器及设备运行电费 500.00 500.00
（3）会议、差旅费 4000.00 社区试点调研、医院合作交流、学术会议差旅 2000.00 2000.00
（4）文献检索费 2000.00 中外文献数据库访问、学术资源下载 1500.00 500.00
（5）论文出版费 2000.00 核心期刊论文版面费、学术成果印刷 1000.00 1000.00
2. 仪器设备购置费 2000.00 可穿戴设备（如便携式血压计、血氧仪）采购 2000.00 0.00
3. 实验装置试制费 0.00 无硬件试制需求 0.00 0.00
4. 材料费 3000.00 软件开发工具许可（如微信小程序云服务）、数据采集耗材、用户激励礼品（提高依从性） 2000.00 1000.00
结束

用户单位： 济宁医学院        

版权所有： 南京先极科技有限公司        

访问量：0001173229