临床决策支持系统研究进展

杨宇辉 ，李素姣 ，喻洪流 ，范秀琴

1.上海理工大学 康复工程与技术研究所(上海,200093)

2.上海康复器械工程技术研究中心（上海，200093）

3.民政部神经功能信息与康复工程重点实验室（上海，200093)

0 引言

随着信息技术的发展，医疗机构便捷存储的海量临床检验、医学影像和电子病历等信息数据［1］，为智能诊断的研究提供了良好的数据支持。人工智能和大数据分析等技术引入医疗领域，为临床决策支持系统(clinical decision support system,CDSS)的开发提供强大的技术支撑。

CDSS 是一个利用计算机技术，针对存在的临床医学问题，通过人机交互的方式为临床医生提供决策辅助诊疗的系统。我国目前的医疗现状存在着地区间医疗资源分配不均，医疗质量水平有待提高等问题需要解决［2］，而CDSS 通过运用专家系统的设计原理方法，模拟医学专家诊疗过程，并通过分析临床数据建立数据与决策之间的逻辑关联知识点来辅助医务人员进行临床决策［3］。这一特性能够很好地缓解医疗资源不均衡的问题，为医疗条件欠发达地区的医生提供较为完善的决策辅助支持。同时CDSS 能对特定的疾病进行预测和智能诊疗，将人类专家的诊断经验和大数据分析处理能力有效结合，帮助临床医生掌握循证医学证据，降低工作强度和误诊率，减少对患者不必要的伤害。

1 临床决策支持系统的发展

在医学领域中，开发出能够利用患者数据和临床指南的计算机系统来模拟人类决策过程，加快实现临床医师推理和判断的自动化是几十年前就存在的争论话题［4］。早在1968 年，Lusted 就开始研究如何在计算机上更精确地实现人类在医学诊疗中的工作流程。但此类系统的开发是一项复杂苛刻的多学科任务，需要整合临床领域的知识与决策来使得临床决策支持系统(clinical decision support system,CDSS) 适应整个医疗体系实践工作流程。近几年研究中，CONFlexFlow（clinical context based flexible workFlow）系统即基于临床背景的灵活型工作系统成功将临床工作流程集成到CDSS 中，加速了计算机诊疗研究进展［5］。在理论框架上，谷歌提出的TITE 架构(时间Time，交互Interactions，趋势Trends，结果Events) 涵盖了系统的重要组成部分。尽管CDSS 发展迅速，但针对CDSS 在数据挖掘和决策制定方面并没有系统化的概念说明和实施方法。Fox 等人在研究中使用的PROforma 方法，以图形符号等形式来表述临床指南和协议；Ledley 等人最早在临床医学中引入了数学模型帮助医师进行辅助诊断，之后出现了应用于各个医疗领域的专家系统［6］，这也是最典型的基于知识库的CDSS。基于知识库的CDSS 是利用自然语言处理技术来模仿专家的知识经验，通过构建专家系统做出诊断策略包括疾病预测及匹配治疗方案。

随着近年来医学诊疗过程复杂度的加深，各个医学领域除了需要严格范式的临床决策，还需要CDSS 提供各种诊疗方案供临床医师进行选择或修改［7］。机器学习和人工智能的突破性进展使CDSS 对大量历史数据的信息挖掘更便利，在临床结果预测上更加准确和更具有针对性。基于非知识库的CDSS 是以大数据为基础，构建并训练分类模型或预测模型，然后进行疾病的识别诊断和风险预测。此类CDSS 是利用各类机器学习方法进行数据挖掘，Otoom 等利用贝叶斯网络、支持向量机(support vector machine,SVM)和函数树(function tree,FT) 为心脏病检测辅助决策系统的算法并比较它们的准确率［8］；斯坦福癌症中心相关数据库的数据被用于研究证明该方法的高准确性和可解释性，并展示了一种针对转移性癌症进行个性化治疗的决策支持系统［9］。

我们通过总结CDSS 相关文献发现，CDSS 通过制定诊疗规则很好地利用了临床指南，利用机器学习等技术更好地对历史病患信息进行数据挖掘，辅助医师做好诊疗工作。但目前大多数系统都针对单一病种，且疾病种类覆盖不全、功能单一。向功能复合型系统过渡、利用机器学习算法处理更多复杂疾病是未来CDSS 发展的方向。

2 临床决策支持系统的应用

虽然随着医学技术的发展，临床诊疗和用药逐渐规范化，但仍有研究表明很多药物在临床使用中存在滥用、误用情况［10］。而借助于计算机技术的CDSS 能够辅助医师避免大部分医疗错误，成了未来医学信息化研究的核心。临床决策包括选择适当的临床检测、对患者进行准确医学诊断、选择最佳治疗方法以及对患者治疗后效果预测。针对实际需求，CDSS 在医学诊疗流程的各个环节均得到应用。Coiera 将CDSS 的应用总结为八个方面，包括：辅助诊断、影像识别与解释、治疗方案规划和评估、风险评估、医嘱输入和电子处方、过程支持系统、循证检索以及专家实验室信息系统［11］。

下面从CDSS 的技术原理、应用领域和功能特点等方面对部分典型系统进行了分析总结，其技术特点和实际应用情况，详见表1。

表1 临床决策支持系统实例Tab.1 Examples of clinical decision support system

从表1 看出，两种技术原理的CDSS 的主要特点如下:

(1) 基于知识库的CDSS 是通过建立一个可模拟相关领域专家诊疗思维的计算机程序，采用IFTHEN 模式来存储和使用专家知识经验，为临床医师补充医学知识和医疗资源匮乏的医院提供辅助诊断和治疗建议。但是该类系统只能基于既有的规则做出指导和评估，无法针对个体的实际情况进行更加深入和准确的挖掘分析［22］；而系统的规则都需要手动输入和更新，造成系统更新维护烦琐和缺乏信息时效性。

(2)基于非知识库的CDSS，不同于基于知识库的专家系统，是从历史临床数据中挖掘信息以提供决策方案，包括诊断结果、治疗方案、用药指导［23］。技术上集成了电子病历，使得系统提供的决策更加符合各个科室临床医师的行为习惯。该类系统推荐方案的质量和完善度会随着数据量的增多而提升，而数据的数量和质量则是影响此类CDSS 给出决策方案的准确性和完善性的最重要因素。

3 CDSS 的主要优势和局限

通过对文献的总结和分析，我们发现CDSS 常见的应用功能集中在辅助诊断、影像识别与解释、治疗方案规划与评估以及医嘱输入与电子处方。结合这些不同功能类型的CDSS 在临床应用中的特点，本文归纳出他们的各自的优势和局限，详见表2。

表2 不同功能CDSS 的优势和局限Tab.2 Advantages and limitations of different functions of CDSS

CDSS 辅助诊断即是辅助临床医师对患者的疾病种类、病情程度等进行评估与诊断，其高准确度和科室宽广度将会有效地缓解医疗资源分布不均的问题；但某种疾病发生突变就会造成系统的严重误诊或者失效。影像识别与解释能够基于患者影像数据识别病灶及给出可能的疾病预测，提高了影像科医师工作效率，辅助其对病患影像分析得更加全面；但是不同影像针对的器官或组织的生理结构不同，因此整个系统的模型建立有着高复杂性。治疗方案规划和评估功能是基于相关疾病知识经验或者病例数据库给出当前患者可能的治疗方案，并作出对应方案的评估，能实现诊疗方案的规范化和权威化；但系统也可能没有考虑不同患者病情存在的细微差距从而影响最终治疗方案。医嘱输入和电子处方是由系统根据存储的知识规则检查并生成电子医嘱处方，提高了医生病历书写的效率和病历的完整性；但是此功能没办法单独实现，需要对整个医院信息系统整合。

4 CDSS 临床应用总结

CDSS 能够极大地提高临床医师的工作效率，帮助医师更快地掌握病人个体差异化的信息。而目前投入应用的CDSS 性能参差不齐，对现有CDSS 存在的问题进行讨论和总结有利于推动系统的进一步发展和完善。

4.1 CDSS 临床存在的问题

(1) 开发研究CDSS 是为了辅助医师进行临床诊疗工作，从医护人员使用体验上存在着以下问题：部分医师认为CDSS 的使用妨碍医生和患者进行交流［27］，并担心系统影响医生在临床过程中独立思考的能力和突发情况中的判断决策能力。

(2) 从CDSS 的概念和目的来看具有很高的研发价值，但是实际推广使用情况不理想的原因包括：①易用性低，忽略了医师在使用过程中人机交互的简易性；②系统设计人性化不足；③CDSS与当前医疗系统的兼容性较低。

(3) 现有的CDSS 对历史数据的利用不足：①单一医疗机构的数据量无法满足CDSS 模型的覆盖范围，但大范围建立云数据库涉及医疗数据的保密性和隐私性，且不同医疗机构的病例数据格式不统一、结构复杂，降低了系统的计算能力。②对患者数据处理大多是横向比较，对于数据的纵向性涵盖不全，导致系统针对新的临床信息重新制定诊疗方案时容易产生不同的意见。③存在的误诊或非最佳处方案例可能应用到下一次医疗诊断。

4.2 CDSS 未来发展展望

为了提高CDSS 设计水平和促进新系统的应用来更好地辅助临床医师进行诊疗，结合目前典型应用系统，我们从临床使用、系统技术和医疗数据三个关键的方面提出未来发展展望：

(1) 临床医师使用角度：①临床医师在CDSS研发阶段参与设计开发，提高系统的实用性，减少医生对系统决策的不信任；②系统设计更加人性化，为临床医师提供决策方案的同时附有相对应的医学解释；③为临床医师进行系统的使用培训，并配有相应的操作手册和其他培训材料。

(2) 从系统技术角度上：①实现知识来源“双引擎化”，即循证医学知识库+医院临床数据库结合的模式能够更好地面对各种临床疾病；②研究计算成本低计算速度快的分类或回归算法，能够实现高效给出方案的同时保证决策的准确性；③针对病患数据集存在很多临床特征时，使用主成分分析（principal component analysis，PCA）［28］降维或者诊断相关分组（diagnosis related groups，DRG）［29］等处理模式将数据分组来加快数据挖掘的效率。

(3) 在医疗数据使用方面：①CDSS 应当实现与医生进行实时交互获取病患动态特征属性，通过纵向比较制定更加个性化的诊疗方案；②CDSS实施过程需要融入医院信息系统（hospital information system，HIS）来共享临床数据，加快诊疗进程，提高医院工作和服务效率；③历史数据量必须足够大且包括各类罕见病和特殊病例，系统以此为基础建模才能提高准确性和成功率。

通过优化CDSS，使其决策方案能够在实际医院环境中更加实用，为临床医生提供有理论和数据支撑的建议，辅助临床医师提高能力进而实现高质量和安全的临床诊疗。