临床决策支持系统在先天性心脏病诊疗及护理中的应用进展

傅唯佳，顾 莺

FU Weijia,GU Ying

(National Children′s Medical Center,Children′s Hospital,Fudan University,Shanghai 201102 China)

随着计算机科学、网络技术和人工智能的发展，大型数据库、大数据分析和云计算技术逐步被引入医疗领域，临床决策支持系统(clinic decision support system,CDSS)的开发和应用得到了更有效的推动。CDSS是将医学知识库，即医学文献、循证知识、专家经验、行业规范等临床知识的集合，植入到计算机中，模拟医护人员的诊疗护理思维，通过人工智能技术和计算机的信息存储、提取及精准的逻辑推理运算功能为临床医护人员提供诊疗护理建议[1-2]。CDSS主要以管理学、控制论以及行为学为理论支撑，以计算机和信息学为技术手段，辅助医护人员在临床诊疗过程中进行决策[3]，改善相关的医疗程序的实施[4]，提高临床工作的质量和水平[5]。先天性心脏病(congenital heart disease,CHD)是一种常见的先天性畸形疾病，是婴幼儿死亡的主要原因之一，全球的出生活婴CHD发病率为0.68%～0.90%[6-7]，在我国大约每年有15万例CHD患儿出生，发病率为0.4%～1.2%，其中1/3属于重症或复杂型CHD[8]。CHD因长期医疗需求对家庭、个人和社会都造成了沉重的负担。CDSS的发展为进一步提高CHD疾病预警、诊断、监测与评估、治疗水平提供了新的机遇。人工智能技术所拥有的处理多层次、多类型的海量数据的能力对于发现CHD高危人群、早期筛查病人、帮助明确诊断、评估手术风险、帮助高质量完成手术、优化术后护理及预测病人预后状态都有巨大的应用前景[3]。本研究对CDSS在CHD诊疗及护理中的应用进行综述，旨在为开发更加智能化、专业化、系统化的CHD临床护理决策支持系统提供新思路。

1 CDSS的分类及主要构成

CDSS主要分为两大类，包括基于知识库的临床决策支持系统(knowledge base-clinical decision support system,KB-CDSS)和基于非知识库的临床决策支持系统(non-knowledge base clinical decision support system,Non-KB-CDSS)。KB-CDSS由知识库、推理机和人机交流接口三大核心要素组成。Non-KB-CDSS通过机器学习的方法，包括人工神经网络(artificial neural network,ANN)、遗传算法(genetic algorithms,GA)等，从已有的经验中自动学习规则[9-12]。KB-CDSS基于临床知识及海量文献建立不同类型的临床数据库，通过组织、检索、导航、接口及安全技术，为不同平台提供多种服务，同时通过接口技术嵌入电子病历系统，根据用户的需求提供有针对性的内容[13]。有学者将CDSS按5个维度进行分类[14]。如果将不直接给出建议而只给出相关信息的系统也划入CDSS，那么可按以下6个维度进行分类[15]。①内部决策机制：基于贝叶斯算法、决策树分析法、预定规则流程的方法、神经网络、相似性算法等；②系统功能：当前诊断的判断、当前诊断的后续策略；③建议方式：自动提醒(主动)、主动查询(被动)；④人-机交互：独立系统(可独立存在)、整合系统(与其他系统整合)；⑤交流方式：顾问式、批评式；⑥决策支持程度：直接(给出决策结论)、间接(提供决策参考)。

2 CDSS在CHD诊疗护理领域应用分类

利用信息技术能够快速有效对数据进行收集、处理、分析[16]。人工智能属于计算机科学领域，在过去的几十年里，人工智能在医学领域展现了广泛的应用前景。2020年谢稳等[4]报道，医生和计算机专家发现人工智能应用于临床的潜力。目前在临床医疗系统使用的人工智能技术有CHD的预测、智能诊断、医学图像分割和识别以及临床决策支持等。

2.1 CHD患病预测 使用CDSS建立CHD发病风险预测模型研究，可以帮助临床医生早期发现高危人群。通过预测模型，利用决策树、朴素贝叶斯、深度信念网络等算法将生产次数、家族史、孕妇接触污染环境、孕妇营养状况等相关的CHD发病预测因子映射为新生儿CHD的发病风险[17-19]。2013年国内学者曾报道，他们通过利用人工神经网络(artificial neural networks,ANN)和基于综合流行病学数据来建立有效的CHD预测模型[20]。该模型可以作为一个初步识别早孕期先心病高危孕妇的工具，用来帮助产前护理提供者指导其产前管理和预防。但目前尚缺乏预测模型应用后的有效性评价数据。

2.2 CHD筛查 研究表明多达70%的儿童可能有生理杂音，而只有0.8%的儿童出生时患有CHD[21]。在先心病的筛查上初级保健中心的准确性很低，由于缺乏丰富的临床经验和专业知识，医生在听诊心音时容易误诊。为此，Gharehbaghi等[21]专门开发了一款用来诊断儿童心脏病的CDSS，即一种基于心音时间序列分析的CHD筛查决策支持系统，采用基于隐马尔科夫模型(Hidden Markov Model，HMM)的处理方法，通过从心音时间序列中提取信息将数据传入数据库，将原数据库已有的两类心音时间序列做分析，用统计机器学的模型鉴别，以辨别患有心脏病的儿童和健康儿童，该系统的准确性和敏感性分别为86.4%和85.6%，能达到等同于儿科心脏病专家的听诊水平。Bhatikar等[22]也研究出一款基于ANN方法来进行儿科心脏听诊分类的系统，对CHD患儿在超声心动图检查时，提取信号质量最好的3个周期的心音图，采用快速傅里叶变换(fast fourier transform,FTT)数字信号处理(digital signal processing,DSP)技术对所选心音图进行分析处理，处理后的信号被用来开发ANN方法，使用ANN方法来进行儿科心脏听诊分类；该系统在区分生理性杂音和心脏病儿童杂音时精确度为83%和特异性为90%，对单纯心音和室间隔缺损心音的辨别准确率较高，灵敏度为90%，特异度为93%。通过对心音的简单分析辨别，来帮助临床提高CHD筛查的准确性。

2.3 CHD诊断 欧美国家中CDSS在CHD的诊断中应用也比较广泛，包括CHD心电图分析[22-23]。早在1961年国外学者报道了第一个用于医疗中的CDSS，是基于贝叶斯算法来诊断CHD，主要是将CHD病人的临床体征、症状和心电图的各种数据收集统计，通过整合计算来进行临床上的鉴别诊断[24]。有学者采用深层神经网络(deep neural networks,DNN)的CDSS，可以通过计算机自动分析心电图数据而给出诊断，可以从单导联心电图中对不同心律失常进行分类，做出诊断，这种方法可以准确地对心房颤动、心房扑动、Ⅱ度房室传导阻滞、Ⅲ度房室传导阻滞、室性心动过速等进行分类或优先处理最紧急的情况，降低读取心电图报告的误诊率，并提高了诊断的准确性[23]。

心脏听诊是临床医生诊断儿童心脏病的初步方法，当听诊后发现异常时会通过超声心动图检查进行确诊，心音图是将心音的振动转变成时间序列振动波记录的图形。欧美国家运用听诊心脏杂音将心音图存入计算机系统中，通过CDSS来识别诊断[25-28]儿童心脏病。Gharehbaghi等[25]提取主动脉狭窄、肺动脉狭窄患儿超声心动图，检查时的心脏射血分数(ejection fraction,EF)值及心音，与健康儿童的相关数据作比对，通过该决策支持方法，诊断的准确度分别为90%和93.3%；即便是在做超声心动图检查时加入20 dB的噪声干扰，准确度略有下降为86.7%和93.3%，说明该方法对噪声具有可接受的抗扰性。通过该方法能够帮助临床来提高主动脉狭窄、肺动脉狭窄筛查的准确性。

心血管磁共振(cardiovascular magnetic resonance,CMR)成像是评估心血管疾病的标准成像方式，它可准确定量心室容积、射血分数和心肌质量，为心血管疾病的诊断和监测提供信息。然而，多年来临床医生一直通过人工方法进行CMR图像分析，这不仅耗时而且还容易出现主观错误。许多国家通过使用心脏图像识别的CDSS[29-31]来提高分析准确性，降低主观错误。有学者研发了一套可以自动分析CMR图像的自动分析计算方法，基于该系统可以从CMR图像自动获取量化的和临床相关的信息，使用CNN技术与来自英国生物银行汇集了4 875例病人的心脏影像学资料大数据结合，以CMR成像的自动分析技术取代以往靠临床医生手动进行CMR图像分析的方法，避免了医生手动分析可能造成的主观错误[29]。该自动分析的方法已经达到了临床专家的水平，提高了工作效率，帮助临床诊断和监测。

2.4 CHD诊疗计划的制定 美国儿科心脏护理联盟创建了儿科心脏病照顾体系(pediatric cardiac care consortium,PCCC)，这是一套基于心脏病患儿诊疗过程中心脏置管、外科手术、尸检分析结果的信息注册表系统，该系统的数据由美国明尼苏达大学负责维护，数据来源于美国的一项心脏病诊疗计划，收集了参加该计划诊疗中心25年的诊疗经验，该注册表涵盖大量的围绕手术、心脏置管临床诊疗处理措施，可以用于个体化处理罕见CHD临床诊疗问题，尤其是可以纵向跟踪手术方法的改变，例如大动脉转位术的术中操作细节以及特异性情况分析。该注册表系统的数据基于非判断式的方法来比较各种临床问题的结果，改善照顾水平。该注册表系统在心脏传导阻滞在膜周部室间隔缺损(VSD)手术中的应用、大动脉转位术、左心室发育不良患儿的Ⅲ期手术经验、确定威廉姆斯综合征的高风险心血管异常可能这4个方面对临床诊疗起到了个体化的作用，医生可以应用数据信息对病人死亡率、住院时间、分阶段手术的完成以及计划外的再次手术率、各种心脏异常的处理等进行预测分析，为患儿制订个体化诊疗计划，改善病人结局[32]。

2.5 CHD手术风险度预估 在美国哥伦比亚儿童心血管中心，研究者们根据CHD疾病类型以及并发症来进行手术风险水平预估，旨在帮助心脏病专家、儿科医生和外科医生预测CHD手术的风险水平，并将其主要分为低复杂度、中复杂度和高复杂度3类[33]。分类主要是根据疾病类型或修复类型以及影响最终结果的因素对手术结果进行预先估计。通过比较多层感知器(multilayer perceptron，MLP)、自组织映射网络(self organizing map,SOM)、径向基函数网络(radial basis function neyral network,RBFNN)和决策树(decision tree,DT)这4种都是网络机器算法，通过这4种网络机器算法进行比较查看哪项最合适，通过辅助决策算法来对CHD手术风险度进行预估，发现MLP方法精确度最高为99.87%，这是一种人工神经网络模型，其将输入的多个数据集映射到单一输出的数据集上。分析指出低复杂度的手术比高复杂度死亡率更低、并发症更少。预测手术的复杂程度可指导护理人员术后护理，改进护理计划，减少术后并发症，甚至降低死亡率。

2.6 CHD喂养 CDSS作为一项临床决策工具，鉴于它的优点，在美国的新生儿重症监护室(NICU)中得到了应用。在低出生体重儿和CHD这类易发生坏死性小肠结肠炎(necrotizing enterocolitis,NEC)的患儿中，CDSS主要基于电子病历，通过CDSS来辅助计算他们的喂养量及胃残余量，并设置了提醒功能，当患儿胃残余量超过阈值或因患儿生长出现奶量不够的情况时会发出警告，这也更好地帮助临床医生来实施标准化喂养方案(standardized feeding protocols,SFP)。研究指出，采用CDSS帮助和提醒医生定义和解释喂养不耐受，使西雅图儿童医院心脏中心患儿NEC的发生率显著降低，从而更好地达到预防CHD患儿NEC发生的效果[34]。

2.7 CHD护理质量管理 信息化护理是提高护理工作效率及质量并促进优质护理服务的重要手段之一[35-36]。许多医疗机构开始利用信息技术为病人提供优质服务[37]，已成为护理适应社会发展的重要手段。

CDSS可以确保信息的安全性和准确性，利用信息系统能更好地提高病人护理质量[38]。美国斯坦福大学的儿童医院心血管监护室，使用CDSS包括数据触发警报,研究者将电子病历中的临床决策支持干预创建了一种捆绑式的触发逻辑，当病人年满18岁以上且接受心脏术后的情况下提示，触发后CDSS会对病人的诊疗从入院开始做逻辑判断，例如药物使用、血糖监测方案，如果病人阳性结果被系统拦截，信息会直接传送给主治医生;使用CDSS还可以形成智能文档，对需要手术的成人心脏病病人收治到儿童医院后，儿科重症监护小组由于不熟悉成人心脏病的专科指标导致在护理这些成人病人时会出现问题，但是将具有数据触发警报、智能文档表格和有条件的逻辑语言的功能的临床决策工具集成到临床工作流程中后，可以改善在儿童医院行心脏手术的成年病人诊疗过程中对国家相关专科指标的依从性，干预前后预防性抗生素的使用规范、血糖控制、导尿管拔管指证、“贝塔(β)”受体阻滞剂的使用，这4个指标的改善均有统计学差异，所有措施的综合达标率从53%增加到84%(P=0.002)，这些通过CDSS帮助证明可以提高护理质量管理[39]。

3 小结

国外学者在CHD中CDSS方面已经做出了很多探索和研究，能做到从预防到结果分析的全过程，已经具备了提示和警示、诊断、评估、治疗方案制订和方案建议、图像智能识别等功能。但大部分的CHD人工智能决策系统都是和诊疗相关，缺乏专业的CHD护理的人工智能决策系统。CHD的CDSS通过评估和监测CHD患儿的各项数据和结果指标，为研究提供了丰富的临床数据，也为临床决策支持系统建立奠定了基础。临床决策系统是医院信息化发展的必然趋势，对全面改善医疗、护理质量具有重要意义，未来CDSS将在CHD管理中起到重要辅助作用，我国CHD的CDSS的建设和发展仍然处于探索阶段，系统功能开发、大数据分析等前沿技术的整合应用仍然有待进一步研究。