利用语义Web技术构建跨国生物监测网络:需求、设计和初步评估gydF4y2Ba

简介gydF4y2Ba

自从被发现以来，抗生素已被证明在控制细菌感染方面很有效。然而，由于多因素的原因，特别是抗生素在医学、畜牧业和农业中的广泛使用，病原体对许多有效药物的耐药性越来越强[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba］．抗微生物药物耐药性问题已达到令人震惊的水平，需要紧急努力避免倒退到前抗生素时代[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba］．gydF4y2Ba

除了众所周知的耐药病例如gydF4y2Ba肺炎球菌gydF4y2Ba青霉素的种类[gydF4y2Ba5gydF4y2Ba-gydF4y2Ba7gydF4y2Ba]，新的耐药病原体的爆发变得越来越普遍，并在世界范围内造成许多人死亡。世界卫生组织(世卫组织)认识到抗微生物药物耐药性对全球公共卫生构成的风险，除采取其他措施外，选择防治抗微生物药物耐药性作为2011年世界卫生日的主题。缺乏有效的监测系统被认为是耐药性增加的根本原因，而改善这一问题是世卫组织为解决这一问题而采取的政策之一[gydF4y2Ba8gydF4y2Ba］．gydF4y2Ba

十多年前，莫内等人[gydF4y2Ba9gydF4y2Ba]描述并比较了欧洲最相关的抗菌素耐药性监测系统。自那时起，没有制定新的公共跨国监视计划[gydF4y2Ba10gydF4y2Ba］．因此，大多数正在使用的项目不是基于报告和人工数据采集，就是基于过时的信息技术，特别是关于数据集成和语义的信息技术。此外，没有提供在线、直接和实时获取抗微生物药物耐药性信息的跨国监测系统。迄今为止实施的所有系统都依赖于延迟数据仓库，通常每年编译一次，除了其他弱点外，这些数据仓库无法捕捉抗微生物药物耐药性爆发[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba］．最后，这些系统不提供导出数据的简单方法。参与机构必须遵守监测系统标准，这是一项劳动密集型任务，特别是对于新机构或新发现的耐药病原体[gydF4y2Ba11gydF4y2Ba］．gydF4y2Ba

本研究的主要目的是建立一个跨国抗微生物药物耐药性监测框架，以实时获取实验室信息和数据来源的通用性为特点，以支持跨国耐药性监测。该研究的第二个目的是调查基于语义网络的架构在跨机构和跨国界数据库的集成和互操作性中的使用，以支持这样的框架。为了实现这些目标，我们设计了抗微生物药物耐药性趋势监测系统(ARTEMIS)。ARTEMIS体系结构说明了语义Web技术如何支持卫生保健机构异构网络中抗菌素耐药性趋势的在线监测。它演示了语义上可互操作的端点如何按需提供关于耐药性演变的信息。此外，它还描述了通过最先进的临床数据集成系统自动化监测过程的方法，该系统提供了适应现有电子健康记录和实验室信息系统的机制。该架构根据性能和临床针对性进行验证。gydF4y2Ba

本文面向广大读者，从拥有语义Web技术的工程师到公共卫生当局，展示了将语义Web技术应用于当前最关键的公共卫生挑战之一的结果:建立全球抗微生物药物耐药性监测系统。在这里，我们讨论了该项目的技术框架，技术评估，以及与现有监控网络相比系统的质量。gydF4y2Ba

以前的欧洲抗微生物药物耐药性监测和监测行动gydF4y2Ba

已经实施了几个项目，以在欧洲范围内监测和监测抗菌素耐药性的演变。WHONET是首批在跨国环境中标准化和汇总实验室结果的举措之一[gydF4y2Ba12gydF4y2Ba］．自1995年以来，世卫组织一直在开发WHONET软件，在该软件中，参与的微生物实验室使用世卫组织定义的特定药敏测试术语展示其检测结果。gydF4y2Ba

欧洲最成功的监测项目是欧洲抗微生物药物耐药性监测系统[gydF4y2Ba13gydF4y2Ba由欧洲疾病预防和控制中心开发。据该机构称，为欧洲1400多家医院服务的900个公共卫生实验室参与了该网络，每年提供检测结果。为了提高数据质量，对参与实验室使用的敏感性测试方法进行了外部控制。该项目最近演变为欧洲抗微生物药物耐药性监测网络[gydF4y2Ba14gydF4y2Ba]，并将作为评估ARTEMIS采样有效性的参考。gydF4y2Ba

同时还推出了其他一些公共举措。1998年，欧洲生物调节和化疗学会创建了欧洲抗生素耐药性监测项目[gydF4y2Ba15gydF4y2Ba］．目标是在整个欧洲建立一个有代表性的哨点诊断实验室网络，以提供抗微生物药物耐药性监测和早期发现新的耐药病原体。同年，美国疾病控制和预防中心发起了国际研究和预防新出现的抗微生物药物耐药性网络[gydF4y2Ba16gydF4y2Ba在40个参与调查的国家中，79%来自欧洲。该项目的主要目标是作为新出现的耐药病原体的早期预警系统。最后，在1999年，抗菌素耐药性信息库[gydF4y2Ba17gydF4y2Ba来源于WHONET非正式网络。结果报告给世卫组织，并对数据进行了额外的外部审计质量控制。所有这些项目都已停止，有些项目的特点更多地是调查，而不是监测系统。gydF4y2Ba

与之前的计划不同，“监控网络”是一个由企业资助的监控项目[gydF4y2Ba18gydF4y2Ba］．它于1992年在美国开始，后来也招募了欧洲的实验室。数据提取和聚合过程由Focus Technologies Inc. (Herndon, VA, USA)完成，该公司负责该项目。不幸的是，尽管该网络可能拥有全球最大的抗菌素耐药性数据库，但它没有向公众免费提供抗菌素耐药性信息。gydF4y2Ba

DebugIT项目gydF4y2Ba

ARTEMIS是利用信息技术检测和消灭细菌项目(DebugIT)的一部分，该项目由欧盟第七框架计划资助[gydF4y2Ba19gydF4y2Ba］．DebugIT是一个由来自9个国家的14个工业、研究和临床机构组成的联盟，它们正在合作建立一个框架，以便在全欧洲范围内共享来自临床信息系统的抗微生物药物耐药性信息。该项目旨在重新利用现有临床数据，以产生新的知识，并将其纳入护理点的决策支持和监测引擎，并在政策层面制定预防战略。gydF4y2Ba

DebugIT体系结构(gydF4y2Ba图1gydF4y2Ba)是基于使用语义Web技术交换信息的分布式服务[gydF4y2Ba20.gydF4y2Ba］．语义Web堆栈提供了有助于解决不同数据源之间的技术、语法和语义差异的方法[gydF4y2Ba21gydF4y2Ba-gydF4y2Ba24gydF4y2Ba]，为数据模型和数据源带来正式和有意义的表示。首先，它提出了一种标准格式来编码信息，称为资源描述框架(RDF) [gydF4y2Ba25gydF4y2Ba，它以主语-谓语-宾语的形式对Web资源建模，即所谓的gydF4y2Ba三倍gydF4y2Ba．与传统数据库中使用的实体-关系模型相比，这种通用模型有助于将临床事实表示为不受约束的维度[gydF4y2Ba26gydF4y2Ba］．其次，它定义了简单协议和RDF查询语言(SPARQL)标准，该标准提供了访问Web上无处不在的可用资源的方法[gydF4y2Ba27gydF4y2Ba］．最后，用Web本体语言编写的计算机可解释本体[gydF4y2Ba28gydF4y2Ba为RDF资源带来正式的概念化，提高数据的质量并促进异构系统之间的互操作性。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

方法gydF4y2Ba

来自DebugIT项目的具有不同背景的专家，包括感染学家、流行病学家、计算机科学家、知识工程师和电子卫生服务提供商，参与了ARTEMIS的设计。在两年的时间里，我们每周与这些专家举行会议，讨论系统开发所涉及的任务的现状[gydF4y2Ba29gydF4y2Ba］．在此过程中，我们回顾了现有的分布式集成和互操作电子卫生系统以及欧洲抗菌素耐药性监测计划。随后，我们对需求进行了阐述，并设计了系统模型。gydF4y2Ba

设计要求gydF4y2Ba

为了提供一个可有效用于对抗抗微生物药物耐药性的监测系统，我们根据已发表的文献和DebugIT联盟的专业知识提出了以下六个主要要求。gydF4y2Ba

系统应提供在线信息gydF4y2Ba

所有欧洲公共超国家监测系统都以批处理的方式提供耐药性信息，也就是说，数据被收集成批实验室测试，并定期处理，通常是一年一次。虽然在线耐药性信息在地方层面每天都很有用，但最近的传染病大流行威胁表明，这一信息在多国层面对决策者来说是多么重要。因此，将这种模式转变为在线趋势对于抗菌素耐药性监测至关重要，特别是对于新出现的耐药性趋势的早期预警[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba］．gydF4y2Ba

系统应提供来自多个国家来源的汇总信息gydF4y2Ba

日益增加的抗生素耐药性是一个世界性的公共卫生问题，为了有效对抗抗生素耐药性，一个成功的监测系统必须提供多国耐药性信息[gydF4y2Ba30.gydF4y2Ba］．gydF4y2Ba

系统不支持数据集中存储gydF4y2Ba

共享生物医学数据引发了几个伦理问题[gydF4y2Ba31gydF4y2Ba］．为了遵守关于共享生物医学信息的国际标准，增加数据提供者的信任，并鼓励监测网络中的协作，必须避免集中聚合。gydF4y2Ba

系统应实现一个形式化和语义感知的数据模型gydF4y2Ba

大多数可用的系统不使用形式化的生物医学数据模型，也不使用可计算的术语和本体。因此，在异构环境中提取抗性信息和数据分析的过程是手动或半自动完成的。除了间接工作之外，原始实验室数据缺乏正式概念化也会对数据质量产生负面影响。gydF4y2Ba

系统应是高性能的gydF4y2Ba

医疗保健专业人员的工作环境被公认为是时间非常有限的，要使其在操作上得到应用，电子卫生系统必须提供快速的响应时间。gydF4y2Ba

系统应提供可靠的结果gydF4y2Ba

从异构数据源自动提取抗微生物药物耐药性趋势对准确的数据分析提出了若干挑战，包括概念模糊和公分母，这可能降低检查质量。但是，特别是当临床医生在护理点使用该系统时，结果的准确性必须与通过半自动流程获得的结果相当，其中在集成和解释之前执行数据清理和审计。gydF4y2Ba

系统模型gydF4y2Ba

为了满足ARTEMIS的需求，我们根据文中提出的语义web兼容体系结构来设想该系统gydF4y2Ba图2gydF4y2Ba．该系统的语义互操作性模式基于本体驱动的数据集成方法[gydF4y2Ba32gydF4y2Ba]，其中多个语义上平坦的本地数据定义本体被映射到一个公共领域本体，即DebugIT核心本体[gydF4y2Ba33gydF4y2Ba］．局部和全局级别的语义映射将来自局部本体的概念与领域知识对齐。gydF4y2Ba

在架构的数据模型层，本地实验室数据库在线连接到语义感知的端点，即本地临床数据存储库[gydF4y2Ba34gydF4y2Ba，gydF4y2Ba35gydF4y2Ba］．lcdr形式化了本地源，并为控制器层提供了查询接口。在控制器层实现的语义中介将抗菌药物耐药性临床问题表示为每个端点的查询模板，并协调对不同站点的访问。它在本地执行查询的数据聚合操作，以提高查询性能，并动态地执行站点的数据集成，以避免集中存储。最后，在视图层，使用从领域本体中提取参数的查询模板来表示耐药性临床问题。作为概念验证，临床医生提出了三个初始查询模板，将在系统中实现。(1)抗药性的进化是什么gydF4y2Ba:抗生素gydF4y2Ba的gydF4y2Ba:细菌gydF4y2Ba培养从gydF4y2Ba:样品gydF4y2Ba提取gydF4y2Ba:性别gydF4y2Ba病人gydF4y2Ba: clinical_settinggydF4y2Ba期间gydF4y2Ba: begin_dategydF4y2Ba-gydF4y2Ba: end_dategydF4y2Ba？(2)什么是流行gydF4y2Ba:抗生素gydF4y2Ba:易感性gydF4y2Ba:细菌gydF4y2Ba在gydF4y2Ba:样品gydF4y2Ba提取gydF4y2Ba:性别gydF4y2Ba病人gydF4y2Ba: clinical_settinggydF4y2Ba期间gydF4y2Ba: begin_dategydF4y2Ba-gydF4y2Ba: end_dategydF4y2Ba？价格是多少gydF4y2Ba:性别gydF4y2Ba病人得到gydF4y2Ba:抗生素gydF4y2Ba治疗gydF4y2Ba:细菌gydF4y2Ba发现感染个案gydF4y2Ba:样品gydF4y2Ba在gydF4y2Ba: clinical_settinggydF4y2Ba期间gydF4y2Ba: date_begingydF4y2Ba-gydF4y2Ba: date_endgydF4y2Ba？gydF4y2Ba

对系统模型作了更详细的描述gydF4y2Ba多媒体附件1gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

参与者gydF4y2Ba

为了评估ARTEMIS，我们连接了七个数据提供商的网络:保加利亚索菲亚的国家心脏医院;Les Hôpitaux Universitaires de Genève，日内瓦，瑞士;乔治·蓬皮杜欧洲医院，巴黎，法国;Internetový Pristup Ke Zdravotním Informacím捷克布拉格Pacienta;瑞典重症监护登记处;雅典胸科医院" Sotiria "，雅典，希腊;Universitätsklinikum Freiburg, Freiburg，德国。gydF4y2Ba表1gydF4y2Ba总结这些机构共享的抗微生物药物耐药性相关数据。gydF4y2Ba

我们从各参与医院的伦理委员会获得了使用去识别数据的许可。通过本地端点访问的隐私敏感信息被伪匿名化，以符合欧洲法律和道德患者数据共享框架[gydF4y2Ba36gydF4y2Ba］．数据值，例如gydF4y2Ba出生年月gydF4y2Ba被截断为年份，而诸如gydF4y2Ba护理事件gydF4y2Ba(或gydF4y2Ba遇到gydF4y2Ba),gydF4y2Ba病人标识符gydF4y2Ba是加密的。此外，查询模板是以病原体和人群为中心的——也就是说，在一组微生物结果中，收集的信息涉及病原体人群对给定抗生素的耐药性和治疗情况。因此，它与特定的患者无关。gydF4y2Ba

结果测量gydF4y2Ba

前四项设计要求中所定义的功能特性的实现，已在技术组件级别使用设计模式[gydF4y2Ba37gydF4y2Ba-gydF4y2Ba39gydF4y2Ba)的例子。相反，对于最后两个需求，它们可以定量地测量，结果是使用效率和有效性度量来表示的。gydF4y2Ba

数据采集与分析方法“，gydF4y2Ba

我们使用中介的查询检索时间来度量上述三个查询模板的效率。应用病原体、抗生素和样本类型的组合来改变查询，从而避免数据库缓存效应。将查询中介中应用的本地聚合模式的结果与中央聚合策略(基线)进行比较。gydF4y2Ba

为了评估有效性，使用查询模板1提取的耐药性趋势与两个公开可用的监测系统:EARS-Net和瑞士抗生素耐药性哨点监测(SEARCH)的数据进行了比较。我们提取了7种主要致病菌的年度耐药趋势gydF4y2Ba粪肠球菌gydF4y2Ba，gydF4y2Ba肠球菌都有效gydF4y2Ba，gydF4y2Ba大肠杆菌gydF4y2Ba，gydF4y2Ba肺炎克雷伯菌gydF4y2Ba，gydF4y2Ba铜绿假单胞菌gydF4y2Ba，gydF4y2Ba金黄色葡萄球菌gydF4y2Ba,gydF4y2Ba链球菌引起的肺炎gydF4y2Ba基于他们在三个系统中的存在。如果在ARTEMIS和参考系统中都存在抗生素，则选择抗生素。使用了ear - net中可获得的最近4年(2006年至2009年)的耐药率，而SEARCH中可获得的所有年份(2008年至2010年)均被考虑在内。不包含超过100万个三元组或数据元素的ARTEMIS数据源被排除在分析之外，结果是四个站点:乔治·蓬皮杜欧洲医院、Les Hôpitaux Universitaires de Genève、瑞典重症监护登记处和Universitätsklinikum Freiburg。gydF4y2Ba

我们比较了来自乔治蓬皮杜欧洲医院、瑞典重症监护登记处和Universitätsklinikum Freiburg的结果与它们各自ear - net国家(法国、瑞典和德国)的耐药率，以及Les Hôpitaux Universitaires de Genève的结果与SEARCH。我们使用Spearman秩相关和双单侧卷积报告相关和等价结果[gydF4y2Ba40gydF4y2Ba，gydF4y2Ba41gydF4y2Ba]测试，分别(见gydF4y2Ba多媒体附件2gydF4y2Ba）.gydF4y2Ba

结果gydF4y2Ba

ARTEMIS在由七家欧洲卫生保健机构组成的试点网络中实施和部署，共享7000多万倍的抗菌素耐药性信息。作为gydF4y2Ba图3gydF4y2Ba通过该系统的Web界面，可以从分布式网络中提取出接近实时的电阻趋势。该工具可以在http://babar.unige.ch:8080/artemis上访问。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

模型组件gydF4y2Ba

在本节中，我们将介绍描述在线分布式监测系统的主要功能特征的设计模式。gydF4y2Ba

在线信息提供者gydF4y2Ba

要求gydF4y2Ba

系统提供在线信息。gydF4y2Ba

设计gydF4y2Ba

中所介绍的体系结构gydF4y2Ba图2gydF4y2Ba，由RDF存储实现的本地语义感知端点被插入实验室数据库。因此，只要生产数据库中有微生物测试，就可以访问它们。这些端点由本地本体形式化，并向Web公开，以便系统的其他部分可以访问数据。在本地实验室数据库使用SPARQL协议进行通信的情况下，它们可以直接连接到网络。gydF4y2Ba

例子gydF4y2Ba

在ARTEMIS中，与不同数据源的技术互操作性由D2R [gydF4y2Ba42gydF4y2Ba]由特定地点的提取、转换和加载过程补充的引擎(gydF4y2Ba图4gydF4y2Ba， a部分)，可以利用自动编码方法[gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba］．或者(gydF4y2Ba图4gydF4y2Ba， b部分)，对于有可访问的生产实验室数据库的情况，D2R可以直接插入现有系统，将本地数据源转换为语义端点(lCDR)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

分布式存储gydF4y2Ba

要求gydF4y2Ba

该系统应提供来自许多国际来源的综合资料。gydF4y2Ba

设计gydF4y2Ba

来自不同临床数据源的模型和概念在技术和语义上的异质性对数据聚合和分析构成了重要障碍。ARTEMIS体系结构依赖于一层语义形式化的端点(lcdr)来解决部分集成问题。这些端点提供了第一级互操作性，对本地系统和数据内容建模，并提供了访问数据的公共协议，即SPARQL协议。在控制器层中设计的语义中介构建在lCDR层之上，允许在分布式数据源上创建同构聚合视图。因此，该系统成为一个语义感知哨兵网格，提供来自异质超国家数据源的抗菌素耐药性信息。gydF4y2Ba

例子gydF4y2Ba

在ARTEMIS中，lcdr由类似rdf的存储提供，用于在本地数据库之上创建第一个语义层。数据定义本体形式化了本地端点，并在Web上公开可链接的数据。Jena框架用于查询远程lcdr和对RDF模型进行推理。gydF4y2Ba

机构的自主权gydF4y2Ba

要求gydF4y2Ba

系统不能集中存储数据。gydF4y2Ba

设计gydF4y2Ba

ARTEMIS改变了用于抗微生物药物耐药性监测的集中式集成模式。与其他系统不同[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba11gydF4y2Ba]，其分布式架构不需要集中微生物检测结果。在查询时，语义中介将在本地端点上创建全局聚合视图，从而解决互操作性问题，同时避免使用中央存储库，否则将违反项目的法律要求。此外，由于不需要跨医疗保健边界移动数据，这种设计使参与站点完全控制，允许它们随时停止共享数据。此外，系统中没有保存有关站点的历史信息。gydF4y2Ba

例子gydF4y2Ba

在模型-视图-控制模式中[gydF4y2Ba37gydF4y2Ba]呈现于gydF4y2Ba图2gydF4y2Ba，持久数据存储只部署在数据提供者的非军事区内。中央中介在本地处理和聚合查询约束。在这种配置中，不需要将包含患者级别信息的数据集移出机构边界。查询时只检索聚合的总体数据。此外，机构可以通过关闭lCDR服务器随时停止共享数据。此更改自动反映在ARTEMIS中，它将不能从相应的数据源检索任何数据;其他来源仍然可以无缝联系。gydF4y2Ba

知识表示gydF4y2Ba

要求gydF4y2Ba

系统应该实现一个正式的、语义感知的数据模型。gydF4y2Ba

设计gydF4y2Ba

在多国环境中，电子健康记录和实验室信息系统的内容用几种语言和不同的术语表示。此外，拼写错误和缩写是常见的概念定义。这些歧义降低了统计分析的质量。要跨不同数据源拥有统一的语义，在ARTEMIS的知识模型(gydF4y2Ba图5gydF4y2Ba)，概念使用正式语言(RDF/OWL)表示。此外，它们被排列成由生物医学术语定义的通用语法。最后，为了在整个系统中具有共同的含义，这些正式表示的术语被映射到共享的领域本体。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

例子gydF4y2Ba

在ARTEMIS中，标准术语，如医学临床术语系统化命名法(SNOMED-CT)、世界卫生组织解剖治疗化学分类系统(WHO- atc)和通用蛋白质资源(UniProt/NEWT)等，使用简单知识组织系统(SKOS)本体映射到DebugIT核心本体[gydF4y2Ba45gydF4y2Ba]和Notation3规则(gydF4y2Ba图5gydF4y2Bab).如果局部概念还没有使用这些术语定义，则使用自动分类工具对它们进行标准化[gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba］．或者，用SKOS表示法表示的本地概念可以直接映射到DebugIT核心本体。gydF4y2Ba

性能需求gydF4y2Ba

我们针对查询模板1、2和3评估了中介的SPARQL查询性能。使用了由225个独特查询组成的查询组合，以日、月和年为周期，跨度为4年。每个查询组合针对7个端点提交10次。gydF4y2Ba表2gydF4y2Ba总结结果。平均查询响应时间为4.3 (SD 0.1×10gydF4y2Ba^2gydF4y2Ba)秒。比较基于中央推理的不同聚合策略的结果，平均检索时间增加了近30倍(平均130.5,SD 0.1×10gydF4y2Ba^3.gydF4y2Ba秒)。gydF4y2Ba

图6gydF4y2Ba显示了ARTEMIS查询的响应时间如何随着不同查询模板和聚合周期检索的行数而变化。实际上，响应时间与检索到的行数高度相关(ρ = .81，gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

可靠性要求gydF4y2Ba

根据数据选择标准，我们根据模板1为ear - net创建了221个查询，为SEARCH创建了153个查询。gydF4y2Ba表3gydF4y2Ba显示了从三个系统中提取的几何平均电阻率。结果表明，ARTEMIS和EARS-Net之间存在很强的正相关系数(ρ = .86，gydF4y2BaPgydF4y2Ba< .001)和SEARCH (ρ = .84，gydF4y2BaPgydF4y2Ba< .001)参考系统。gydF4y2Ba

ear - net的国内几何标准差为σgydF4y2Ba_{耳朵gydF4y2Ba}= 0.130。这个值被外推到相似区域Δ (Δ = σgydF4y2Ba_{耳朵gydF4y2Ba})的双侧卷积检验。gydF4y2Ba图7gydF4y2Ba(a部分，所有结果和b部分，没有异常值)表示两个系统之间的相关性，和gydF4y2Ba图7gydF4y2BaC表示相似区域。置信区间(CI)位于相似区域(95% CI 0-0.030;gydF4y2BaPgydF4y2Ba< .001)，证实了ARTEMIS和EARS-Net耐药率之间的等价性。类似地，对于SEARCH，瑞士区域的几何标准差为σgydF4y2Ba_{搜索gydF4y2Ba}= 0.042，说明不同地区的易感率差异较小。在此场景中，ARTEMIS的结果(gydF4y2Ba图8gydF4y2Ba， a部分)不能被认为等同于SEARCH (95% CI 0-0.052;gydF4y2BaPgydF4y2Ba=)。然而，去除异常值-即那些落在电阻率差异大于3σ的结果gydF4y2Ba_{搜索gydF4y2Ba}（gydF4y2Ba图8gydF4y2Ba， b部分)-也会导致等效的结果(95% CI -0.004至0.028;gydF4y2BaPgydF4y2Ba= 04)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

讨论gydF4y2Ba

在这篇论文中，我们提出了一个在线和来源独立的体系结构，可以监测跨国微生物数据库。该系统已在遍布欧洲的试点监控网络中实施和部署。从结果可以看出，基于语义的基于web的体系结构(如ARTEMIS的体系结构)适合于自动化分布式微生物实验室数据源的集成和互操作性。因此，它可用于在跨国背景下自动获取抗微生物药物耐药性信息，并促进实时跨国生物监测。该体系结构能够通过使用考虑局部特异性的语义映射对异构网络进行互操作。数据集成过程使用由RDF/SPARQL通信提供支持的标准端点动态执行，这些通信由中央引擎作为中介。本地端点直接连接到实验室的数据库，因此能够提供(接近)实时的耐药性信息，同时避免数据集中。gydF4y2Ba

系统架构gydF4y2Ba

ARTEMIS提出的数据集成架构不同于现有的抗微生物药物耐药性监测系统[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba]，因为它实现了一个松散耦合的数据联合设计[gydF4y2Ba46gydF4y2Ba]，通过对数据源和数据语义的形式化来实现。因此，数据层与中央系统分离，避免了中央存储，并保证了护理提供者对本地信息的完全控制。此外，在线语义数据库可自动访问当地抗菌素耐药性数据库，使系统能够检索接近实时的抗菌素耐药性趋势。因此，可以很容易地在多国范围内监测新出现和爆发的耐药性。最后，这里引入的架构不是预先确定和静态监测的细菌-抗生素对，而是促进了概念覆盖面的扩大，使得跟踪新抗生素和细菌耐药性的过程变得微不足道。由于概念是由本体通过整个体系结构完全形式化的，要添加要监视的新项，只需在领域本体中创建相应的类，并在语义映射(全局的、局部的或两者都有)中表示它。因此，它将自动反映在用户界面中，包括微生物学测试中给定类的过去发生情况。gydF4y2Ba

ARTEMIS使用开放的语义Web技术来提供技术和语义互操作性。语义数据源在本地微生物数据库之上创建了一个公共技术层，可以通过标准查询协议(SPARQL)访问该层。由于本地端点是完全形式化的，并且可以通过Web访问，因此可以将它们链接到外部Web资源，例如链接生命数据[gydF4y2Ba47gydF4y2Ba]，或在其他临床研究项目中重复使用，通过组合不同的信息来源来利用传染病知识。使用本体表示数据的另一个好处是层次结构，它允许更高级别的概念表示。因此，该系统可以处理在群体水平上表达的复杂查询，例如，自动聚类抗生素类别(如第三代头孢菌素)或细菌家族(如肠杆菌科)。gydF4y2Ba

最后，强大的查询界面与近实时结果的可用性相结合，使ARTEMIS不仅对关注超国家耐药性的机构有用，而且可能有利于当地需求，特别是如果连接到在线处方系统进行经验性治疗。此外，这种本地应用可能有助于卫生保健机构对系统的维护。正如戈布尔和史蒂文斯讨论的那样[gydF4y2Ba46gydF4y2Ba]，一旦研究资助结束，数据集成系统往往会成为“数据太平间”。地方吸引力可能有助于改变这种模式。gydF4y2Ba

性能gydF4y2Ba

文献中提出的所有SPARQL性能基准测试都集中在本地单源服务器上[gydF4y2Ba48gydF4y2Ba］．因此，它们不足以评估数据集成系统的性能。因此，将ARTEMIS语义中介与集中检索和聚合的标准方法进行了比较。作为gydF4y2Ba表2gydF4y2Ba显示，下推过程将检索时间缩短了30倍(考虑几何平均值，缩短了19倍)。事实上,正如gydF4y2Ba图6gydF4y2Ba表明，在分布式系统中，响应时间几乎是线性相关的(ρ = .81，gydF4y2BaPgydF4y2Ba< .001)与检索的数据量相关。因此，局部推理对于需要快速响应时间的系统是至关重要的。gydF4y2Ba

SQL-to-RDF引擎的首选项[gydF4y2Ba42gydF4y2Ba]而不是原生RDF三元存储来形式化本地数据源是由于可伸缩性问题。正如施密特等人[gydF4y2Ba49gydF4y2Ba]注意到，当本地RDF三元组存储的大小超过几百万个三元组时，几乎无法伸缩以回答查询。在中介级别，在执行聚合时使用下推方法已被证明是有效的。平均查询响应时间为几秒(平均4.3秒，SD 0.1×10)gydF4y2Ba^2gydF4y2Ba秒)，这可能有助于临床医生采用该系统，他们认为良好的响应时间是系统设计的重要要求[gydF4y2Ba50gydF4y2Ba］．gydF4y2Ba

与现有系统的比较gydF4y2Ba

现有监测系统通常使用半自动方法提取抗微生物药物耐药率[gydF4y2Ba51gydF4y2Ba］．在统计分析之前，由专家进行验证和清理步骤。在ARTEMIS中，这个过程是完全自动化的，因此，可能会引入错误。为了验证ARTEMIS耐药趋势，我们将抗微生物药物耐药率与欧洲和国家参考系统进行了比较。结果表明药敏试验结果呈强正相关。我们在等价检验的基础上进行了第二次评价，以确认结果的可信度。试验表明，在3σ极限时，ARTEMIS趋势被认为等同于EARS-Net和SEARCH。gydF4y2Ba

ARTEMIS和参考系统之间概念定义的差异对结果产生了负面影响。大多数异常值(33个中的18个)出现在gydF4y2Ba图7gydF4y2Ba一个和gydF4y2Ba图8gydF4y2BaA是由概念之间的语义歧义引起的。例如，在ARTEMIS中，抗生素定义遵循世卫组织- atc分类系统术语，该术语没有定义青霉素的单一抗生素概念，而是定义了包括基于青霉素的几种抗生素的类别。在SEARCH中，这个概念被定义为抗生素剂。类似地，庆大霉素的定义与ARTEMIS中的浓度无关，定义为gydF4y2Ba庆大霉素HLARgydF4y2Ba在搜索和gydF4y2Ba高浓度庆大霉素gydF4y2Ba在EARS-Net。与ear - net比较时没有强调这些问题，因为正如预期的那样，相似区域比搜索范围更广，后者只考虑国家内部的差异。语义解决方案的一部分是在电子医疗保健领域采用标准和形式化术语，并对术语资源进行更动态的演变，以便它们能够满足操作需求。gydF4y2Ba

最后，在统计分析中，应注意重复检验。如果不加区别地忽略所有明显的重复，则可能会遗漏信息，如医院感染，而包括所有测试可能会使结果偏斜，通常倾向于增强耐药性[gydF4y2Ba10gydF4y2Ba］．在参考系统中，重复的测试被手动删除。在ARTEMIS中，通过只考虑护理期间的独特测试，偏差自动最小化。gydF4y2Ba

限制gydF4y2Ba

在基于本体的集成系统中，使用一阶逻辑推理器从全局本体到局部本体的自动映射会产生逻辑不一致，因为来自各个局部本体的知识在全局模型中不能完全协调一致[gydF4y2Ba52gydF4y2Ba］．例如，如果在位点1耐万古霉素gydF4y2Ba肠球菌gydF4y2Ba是普遍的，这一事实并不一定适用于所有其他网站。在ARTEMIS中实现的解决方案是在本地本体上创建查询模板。然而，随着系统扩展到大量的临床提供者，这种方法可能难以维护，因为必须为每个新数据源集中定义查询模板。然而，如果本地数据源提供具有公共数据模型的数据集市，则可以轻松克服这一限制gydF4y2Ba图4gydF4y2Ba一个。gydF4y2Ba

对多国微生物实验室结果进行比对存在几个问题。例如，它已被证明[gydF4y2Ba16gydF4y2Ba对于一个给定的样本测试，独立的实验室会给出不同的结果。不同国家之间易感断点的差异也是一个涉及抗生素图谱方法标准化的复杂问题。此外，二线抗生素的结果往往倾向于耐药，因为它们通常是在分离株对一线药物显示耐药时进行测试的[gydF4y2Ba10gydF4y2Ba］．这里提出的方法不能解决不同实验室程序之间的大部分固有分歧。无论如何，ARTEMIS的目标不是解决这些问题，而是在以正式和语义定义的方式获得数据后，促进获取分布式抗微生物药物耐药性信息。gydF4y2Ba

结论gydF4y2Ba

我们在欧洲医院的小型生物监测网络中设计、实施和部署了ARTEMIS架构。结果表明，本文介绍的分布式监测体系结构有可能用于建立跨国抗微生物药物耐药性监测网络。该体系结构被证明是有效和可靠的，同时符合当地的法律和监管框架。事实证明，基于语义的方法是开发电子卫生体系结构的有效解决方案，能够从异构数据源在线监测抗菌素耐药性。在未来，我们计划研究局部模型中介，为更易于维护的系统铺平道路。我们期望新的卫生保健机构能够加入该网络，从而为临床医生和决策者提供一个缺失的工具，以应对不断增加的突发传染病和抗生素耐药性模式带来的日益严重的威胁。gydF4y2Ba