智能化临床支持决策系统用于急诊分诊的研究进展

郭美英，沈志莹，肖涛，黄辉，段应龙，张小红，乔莉，3

随着现代社会的经济发展、医疗卫生需求的不断增长，大型综合性医院急诊室过度拥挤已经成为普遍现象，随之出现的问题是急诊系统应对能力、患者满意度的下降，医疗费用、临床差错、不良事件的增加，严重影响急诊医疗护理的质量和医院整体的服务品质[1-2]。预检分诊(Triage)是一种依照疾病或受伤的严重程度，将需治疗的患者按照轻重缓急分等级顺序处理的方式[3]。急诊预检分诊是急诊患者就诊的第一道关口，是影响急诊科拥堵现象最重要的因素，同时急诊分诊的工作效率与工作质量极大影响着急诊工作正常运作。传统分诊工作无法解决目前急诊就诊存在的问题。利用大数据和网络信息化，通过循证医学和知识转化，建立基于急诊预检分诊知识库的临床决策系统，并将其与急诊预检分诊信息化系统进行整合，以协助急诊预检分诊，不仅可提高护士分诊工作效率，还能客观、快捷、准确地辅助识别病情，并实时共享急诊就诊数据、动态监测病情变化，从而提高护士的分诊质量，保障患者安全。我国信息化急诊预检分诊系统处于蓬勃发展阶段，但临床决策支持系统尚不完善，预检分诊标准不统一、缺乏完善的急诊分诊质量控制体系等，是急诊分诊信息化建立亟待解决的问题[4]。本文对国内外临床决策支持系统的内涵、构建与设计、应用现状进行综述，旨在为构建适合我国国情的信息化急诊分诊决策支持系统提供借鉴。

1 临床决策支持系统内涵

决策支持系统是基于计算机的专用信息系统，旨在决策过程中为决策者提供有效的知识和支持[5]。临床决策支持系统指在没有人工干预的情况下，输入患者的信息，可以快速而成功地响应现有的临床数据和知识体系，协助医疗专业人员进行决策[6]。临床决策支持系统可为临床医生、护士和患者提供相关知识，满足临床需求，确保准确的诊断，及时筛查可预防的疾病[7-8]。在急诊科，通过临床决策支持系统对患者进行分诊可节约成本，提高工作效率和保证医疗服务质量[9]。

2 临床决策支持系统的构建和设计

临床决策支持系统根据结构可分为基于知识库和基于非知识库两部分[10]。无论是基于知识库的临床决策系统还是基于非知识库的临床决策支持系统，该系统都离不开临床数据的支撑。根据疾病诊断标准、风险评分标准以及以往不同患者的抢救医疗数据，包括生理、生化、治疗、检查、护理等信息，临床决策支持系统可将输入的患者信息快速与数据库中的信息和知识整合、分析，得出恰当的决策结果，以帮助分诊护士提高分诊准确性[11-12]。

2.1基于知识库的临床决策支持系统 该系统是根据电子健康记录数据库，建立包含静态知识库、模型库和规则库的临床知识，以实现高效、快速地整合和查询患者各项参数，为医疗决策和执行提供信息，辅助临床进行高质量的诊断与治疗。主要包括3个主要成分，即知识库、推理机和人机交互接口，知识库通常采用“IF-THEN”规则来存贮和管理知识，包括临床诊疗、合理用药、实验室检验、临床护理等专业知识，其基本原理是通过将科学、权威的医学、药学及相关学科知识进行信息标准化处理形成的专业医学知识库[13]。推理机则是利用大数据分析技术，对临床数据进行分析，在符合临床知识库业务规则的前提下，将患者的信息与知识库的知识整合、比较和分析；而人机交互接口则是将决策结果呈现给医护人员，实现临床决策支持应用。

2.2基于非知识库的临床决策支持系统 该系统是研究人员通过算法，利用现有临床数据资料进行数据分析，开发可通过自动化、数据驱动和个性化的机制来预测急诊就诊患者的病情状况和就诊顺序的一种预测模型[14]。在急诊环境下，当面对患者复杂而未知的病情时，运用算法构建的临床决策系统可预测急诊患者病情严重程度，将决策结果呈现给医护人员以供参考[15]。数据挖掘中采用的方法综合了数据库、人工智能、统计学、模式识别、机器学习、数据分析等领域的研究成果。

3 临床决策支持系统在急诊预检分诊中的应用

3.1基于知识库的临床决策支持系统

3.1.1美国曼切斯特预检分诊标尺(Manchester Triage Scale，MTS) MTS是得到国际认可的分诊方法，且具有可靠性和专业性[16]。MTS提供了基于国际最佳实践标准的分诊培训软件包，可提高分诊准确度，提供决策支持[17]。针对不同患者的主诉有52个流程表相对应，每个流程表描述了“是否危及生命、意识、疼痛、出血、发病程度和体温”6个关键鉴别指标，引导分诊护士对患者提供的信息做出合理的选择[18]。陆丽芬等[19]以MTS为基础，设计急诊分诊信息系统，包括评估单、一览表和数据库。一览表查看患者姓名、性别、年龄等基本信息；评估单包括6项必评指标(意识、呼吸、血氧饱和度、心率、血压、体温、疼痛评分)和15项选择性评估模板(出血、脑卒中预警征象、抽搐或惊厥、创伤等)，每一模板对应患者的主诉、症状、体征，经格式化设计后只需勾选。分诊信息系统以6项必评指标为依据，结合15项选择性评估模板及主观资料为调控指标，最终提出综合分诊类别的建议，将患者病情快速分为五类。该分诊信息系统具有统一分诊标准，可以提高护士工作效率、保障患者安全。

3.1.2加拿大电子分诊和敏锐度量表(The Electronic Canadian Triage and Acuity Scale，eCTAS) eCTAS是一种实时电子决策支持工具，旨在通过规范国家分诊指南的应用来提高患者的安全性和护理质量[20]。该量表是医疗机构紧急部门用来确定评估患者优先级的标准，以保证处于紧急状态的危急患者尽快就医，最大程度地保证患者安全[21]。该量表分为5级分诊：1级，立即复苏；2级，紧急；3级，较紧急；4级，不太紧急；5级，非紧急[22]。使用eCTAS的分诊护士根据患者信息从170个标准化主诉列表中选择一个预先出现的主诉，然后生成一个特定于主诉的分类模板，显示所有可能出现的潜在问题，如生命体征、呼吸窘迫、血流动力学状态、意识水平、疼痛评分、出血障碍和损伤机制等，根据输入的信息和国家分诊指南计算CTAS分数[23]。目前eCTAS已在加拿大80%的急诊科应用，不仅节省分诊时间，还能够提高分诊的准确性[23]。虽然该分诊系统在加拿大已普遍应用且效果明显，但是否适合我国急诊患者的分诊还有待进一步验证。

3.1.3澳大利亚分诊量表(The Australasian Triage Scale，ATS) ATS可用于确定患者医学评估和治疗的最大等待时间，以确保按急诊顺序治疗急诊患者，并分配到最合适的评估和治疗区域。研究表明，ATS在急诊科中具有相当可接受的可靠性水平，可将患者进行恰当的分类[24]。ATS分5个类别，从类别1(需要立即评估和治疗的威胁生命的紧急状况)到类别5(可以在2 h内进行评估和治疗的慢性或轻度状况)。类别2、类别3、类别4患者可等待时间分别为10 min、30 min、60 min。经过培训和经验丰富的分诊护士可运用此量表，每次分诊评估时间2～5 min即可完成描述临床疾病的紧急性[25]。Chamberlain等[26]使用该量表用于帮助护士在急诊分诊中识别严重脓毒症患者，具有一定的有效性和准确性。可见，ATS针对特殊病例的分诊效果显著，对于急诊科全部就诊患者的分诊，其分诊准确率需要进一步完善。我国研究人员可以借鉴AST的设计方法和思路，整合、开发适合我国急诊患者病情的分诊系统。

3.1.4台湾分诊与敏锐度分级量表(Taiwan Triage And Acuity Scale，TTAS) TTAS是一种可靠的计算机化五级分诊系统，可以准确地确定患者治疗的优先顺序，从而更有效地为患者分配合理的医疗资源[27-28]。该系统分为非创伤和创伤2个部分，非创伤分诊流程与CTAS分诊相似，创伤按解剖区域和环境损伤分类。根据患者最初的生命体征和主要症状将其分为急诊和非急诊。按病情严重程度对患者进行分类：1级，复苏；2级，紧急情况；3级，紧急；4级，不太紧急，5级，非紧急[29]。陈秋菊等[30]基于TTAS将其五级分级标准改成四级急诊分诊标准，并构建急诊分诊信息系统。急诊分诊标准以生命体征为基础，主诉为导向，结合患者生理状况，针对每一个主诉分别通过6个评价指标(呼吸、循环、意识、体温、疼痛)进行量化判断来决定患者病情分级。将患者病情分为 Ⅰ 级(危殆)、Ⅱ 级(危重)、Ⅲ级(紧急)和Ⅳ级(不紧急)。此分诊信息系统明显提高分诊准确率、缩短评估分诊所需时间，实现了急诊分诊信息化和智能化，提高了急诊分诊工作的质量，保证了急诊患者的生命安全。

3.1.5其他 李桃等[31]设计基于知识库的临床决策系统，该系统包括临床子系统、临床数据中心、服务和应用4个部分。该系统是结合医疗领域的专业知识，在现有信息系统和医疗数据的基础上，建立数据库，包括①关系型数据库SQL Server，建立了临床数据中心和知识库2个数据库，用以存储临床决策支持系统中静态知识、规则、本体元、文档列表等数据。②非关系型的数据库Redis，主要用于建立高性能的内存数据库。将患者临床信息和规则先转存入Redis数据库中，当业务系统发起决策请求时直接从Redis数据库查数据，实现在几毫秒内获取所有临床数据并交予规则引擎推理，以临床知识库为基础，通过接口调用方式，针对用户的需求提供决策信息，实现临床决策支持。

3.2基于非知识库的临床决策支持系统

3.2.1急诊严重指数(the Emergency Severity Index，ESI) ESI是一种标准化、可靠且经过验证的5级分类评分工具，可根据患者主诉、相关病史和生命体征，确定患者疾病的严重程度以及评估和治疗患者所需的资源[32]。Hunter-Zinck等[33]运用ESI分析波士顿医疗系统内1个急诊室和2个紧急护理中心在56个月内的急诊就诊情况，利用多标签机器学习技术，开发了病情的预测模型，以预测急诊患者的就诊顺序。数据来源于电子健康记录中存储的数据，包括患者年龄、性别、生命体征、主诉、视力、上一次的就诊记录、诊断列表、就诊时间、事件发生地等，并且除了患者主诉外，其余均以结构化文本的形式储存。系统可将患者主诉通过自然语言自动处理，寻找出非标准化主诉对应的标准化概念，形成可用的就诊特征，然后根据特征将患者分配入匹配的就诊顺序子集中。应用多标签机器学习算法，可利用急诊可用的数据预测急诊就诊中的就诊行为，将节省访问时间，保障患者安全。

3.2.2协同过滤算法 协同过滤算法是一种基于内容的算法执行方式，可以从历史实践数据中自动生成临床决策，并以订单推荐的形式出现。Chen等[34]运用协同过滤推荐算法，从电子病历中挖掘临床决策支持数据，创建临床决策支持系统。电子病历数据从既往住院记录中提取，包括临床医嘱、实验室结果和诊断代码等，以预测实际的实践模式和临床结果。根据不同的评估指标该系统可预测患者可能发生的医疗事件，以及提供具有价值的分诊指导。

3.2.3贪婪等价搜索算法(Greedy Equivalence Search Algorithm，GES) GES是一种通过数据归纳出最佳贝叶斯网络的常用数据分析方法。Klann等[35]利用GES，聚合医疗记录系统中的数百万个治疗事件，从现有医疗数据和当地最佳经验数据中收集部分有用的临床信息，通过信息之间的关联规则构建临床决策支持系统，在系统中生成针对具体情况的、按等级排序的就诊名单。此种数据分析方法利用现有的医疗数据资源，从中归纳了适合当地的统一标准的临床知识体系，以提供临床决策支持。

3.2.4临床GPS算法(Clinical GPS，cGPS) cGPS算法基于概率图形模型或图形分析，确定一系列参数中相似数据点的程度来理解大型数据集的技术[36]。cGPS工具聚集并分析这些数据，然后从一个图形结构数据库中构建一个可能诊断的列表。cGPS数据库中的数据来源于医疗记录数据和医生自身医疗经验。由cGPS算法构建的模型可根据患者的人口统计学特征、体征、症状、生命体征、实验室数据、既往病史和药物治疗情况等信息，对患者疾病严重程度进行评分分类。目前，该工具还未在临床正式使用，仍需要进一步验证其可靠性和准确性。

3.2.5其他 其他算法包括逻辑回归、关联规则、聚类算法、神经网络、遗传算法等[37]。Heldeweg等[38]使用数据库中的急救数据，使用单变量分析确定候选变量，通过多变量逻辑回归分析方法为急诊胸痛患者建立了性能优于心肌梗死溶栓治疗危险评分的心血管危险评分分层模型，该模型包括生命体征、心率变异性参数以及人口统计学和心电图变量，可用于急诊科评估患者病情，为急诊胸痛患者分诊提供了参考。

由此可见，研究者利用各种算法设计分诊预测模型，但未广泛应用于临床，数据来源也仅限于部分医疗数据，未来仍需要大量医疗数据的完善和临床应用。

4 小结

智能化临床支持决策系统不仅可实现临床信息共享，提高急诊分诊准确率，缩短分诊时间，还可降低危重患者过检率、漏检率，提高患者对病情分级、等待分诊时间、等待看诊时间、急诊分诊的满意率，有利于改善急诊医疗服务质量，进而保障患者安全及预防不良事件的发生。临床决策支持系统减轻了急诊分诊工作的压力，在有限的时间内提高分诊护士的工作效率，保证了医疗服务的质量和患者安全，同时也提高了患者满意度。临床决策支持系统通过数据挖掘技术，充分发挥了电子病历大数据的作用，是未来急诊分诊的必然趋势。由于患者患病过程是复杂、动态的，临床决策支持系统结构是固定僵化的，这可能导致护士分诊和系统分诊结果的不一致性。未来期望建立一个国家临床数据中心，实现数据共享，建立具有统一、标准、普适的临床决策支持系统。