本站小編為你精心準備了循證醫學與真實病歷庫CDSS實現應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：目的利用臨床決策支持系統(ClinicalDecisionSupportSystem,CDSS)，輔助醫生提高診療水平，減少誤診及漏診率。方法：通過對全院海量優質歷史病歷的機器學習，構建醫院臨床最佳實踐庫；在此基礎上，融合BMJ循證醫學最佳實踐庫，形成診療標準框架；利用隨機森林、神經網絡等人工智能算法，生成決策支持模型，實現對臨床診療的輔助支持。結果：系統基于優質歷史病歷和BMJ循證醫學證據的決策模式，使推薦結果更具針對性，更符合醫院實際；大大提高了診療模型的準確率（最高可達91.7%），使結果更加可靠。結論：臨床決策支持系統的應用，將為醫生在診療過程中提供切實、有效的幫助。

關鍵詞：人工智能；臨床決策；歷史病歷；循證醫學

1引言

近年來，人工智能在我國的發展如火如荼，也為醫療行業帶來了深遠影響。2017年5月，科技部《“十三五”衛生與健康科技創新專項規劃》，提出開展醫學大數據分析和機器學習等技術，支持機器智能輔助個性化診斷和決策支持系統等研究[1]。從政策層面明確了大數據及人工智能技術在發展臨床決策支持方面的巨大潛力和廣闊前景，使其成為未來醫院信息化發展的趨勢[2]和各醫療機構關注的熱點[3]。北醫三院在現有信息化架構基礎上，建立了基于優質歷史病歷和循證醫學知識庫的cdss。系統區別于傳統主要依靠專家系統[4-6]及案例推理方法[7-8]提供輔助決策的模式，利用機器學習技術處理海量院內優質歷史病歷，得出臨床最佳實踐庫，再結合BMJ循證醫學知識庫中的診斷、治療參考，通過人工智能建立精準算法模型，解決了專家系統知識局限、更新速度慢、過度依賴人力等問題，實現了與電子病歷集成的實時、無打斷式診療決策輔助。

2系統架構設計

臨床決策支持系統底層是由近十年來的優質歷史病歷和BMJ循證醫學知識庫作為數據基礎；在對病歷數據進行去隱私、自然語言處理（NLP）、數據清洗等處理后，與BMJ循證醫學知識庫融合，形成臨床最佳實踐庫和循證醫學最佳實踐庫；利用神經網絡、隨機森林等人工智能技術對數據進行模型訓練，并不斷優化，最終生成決策支持模型，輔助臨床診斷及治療方案制定。系統架構如圖1所示。

2.1優質歷史病歷提供臨床最佳實踐

自實施電子病歷以來，共積累了10年近3000萬份的優質歷史病歷數據，為后期的數據利用打下了堅實基礎。但如何將以自由文本內容為主的病歷信息轉化為計算機可識別的結構化數據，一直是業界難題。為此，選擇了病歷多層次醫療術語抽取方法，在本體的術語標準化基礎上，以極細的顆粒度，對癥狀、體征、持續時間、治療手段、治療效果等實體進行提取，并按照時間關系加以組織，最終完成病歷的后結構化處理，為形成醫院臨床最佳實踐庫提供數據支撐。

2.2BMJ循證醫學庫提供循證醫學最佳實踐

BMJ循證醫學知識庫是對各類醫學研究、臨床指南等既有知識的梳理、總結和提煉，從而形成一套包含診斷、治療、隨訪等完整的知識庫系統，如圖2所示。與通常意義上的文獻、指南等相比，其優點在于證據等級較高，屬于二次研究證據，更適合直接用于臨床實踐，為診療決策提供可靠依據，如圖3所示。

3系統功能實現

CDSS功能包括臨床診斷決策和治療方案決策。診斷過程中，因涉及的因素錯綜復雜，系統通過直接診斷推薦及間接多渠道驗證機制，輔助臨床快速確定診斷，減少誤診誤治；制定治療方案時，則聯合循證醫學知識庫和歷史病歷方案聚集推薦，輔助確定精準化治療方案，提高診療效果。整體功能設計如圖4所示。

3.1診斷決策支持

診斷決策支持是利用機器學習算法，將優質歷史病歷及循證醫學知識庫中的疾病診療方法及經驗進行深度學習，形成輔助診斷模型，繼而針對當前患者的主訴、既往史、現病史、輔助檢查等信息，給出推薦診斷列表，包括疑似常見病、罕見病推薦、檢驗檢查項目推薦、鑒別診斷推薦等，幫助醫生有效提高初診正確率，縮短確診時長，減少誤診誤治。

3.1.1推薦診斷按概率排序以往的輔助診斷很多都是并行推薦與疾病特征相關的所有命中結果，沒有權重區分，很難起到有效的輔助決策作用。以優質歷史病歷為樣本集，分?？朴柧毑嫿ㄔ\斷推薦模型，確定疾病特征與診斷的關聯性及關聯度，并借助循證醫學證據金標準修正模型，實現為醫生推薦按概率排序的診斷結果。推薦診斷處理過程如圖5所示。

3.1.2罕見病推薦罕見病由于發病率極低，臨床很難首次確診。系統將國家罕見病目錄中的疾病納入模型，在患者就診時結合當前實際情況，為醫生推薦可能的罕見病診斷結果，引起臨床關注，最大限度避免漏診誤診。

3.1.3檢驗檢查項目推薦患者的病情描述可為臨床醫生初步診斷提供信息，而明確診斷往往還需要有進一步的檢驗、檢查結果作為證據。根據診斷推薦，系統可從BMJ循證醫學知識庫中獲取確定診斷所需的檢查、檢驗指導，輔助醫生做出正確決策。

3.1.4鑒別診斷推薦鑒別診斷是臨床診療中的重要環節，是對診斷的進一步驗證。由于歷史病歷中包含了既往豐富的病情描述及鑒別診斷等信息，通過機器學習，可提取并聚合鑒別診斷結果，在聯合循證醫學知識庫中的鑒別診斷結果后，給出個性化鑒別診斷推薦。

3.2治療決策支持

系統對治療決策的支持，同樣是通過對醫院歷史病歷數據和BMJ循證醫學知識庫的融合實現，具體如圖6所示。通過對歷史病歷的處理建模，找到相似病歷，獲取最佳臨床實踐治療方案；再以循證醫學知識庫中的標準治療方案為補充，修正完善后，形成相關治療方案推薦結果。

3.3與電子病歷系統集成電子病歷系

統是臨床醫生的主要工作平臺，包含書寫病歷、開立醫囑、錄入診斷、查看檢查檢驗等。將CDSS無縫集成于電子病歷前端，多渠道推薦診斷及治療方案，并可通過異步通訊方式，提供不影響當前業務系統使用的實時非打斷式服務模式。

4系統建設成效

系統于2018年10月正式上線，經過不斷優化調整后，其模型推薦準確率明顯提高，具有較高程度的輔助決策功能。分析醫院5個科室在2017年的病歷數據，以出院主診斷不同于入院診斷為判斷初診正確性標準，計算各科室的初診準確率。設科室病歷數為a，出院主診斷不同于入院診斷的病例數為b，將其輸入診斷推薦模型，出院主診斷排在模型推薦前一位置的病歷數為c，則模型前一準確率為（a-b+c）/a×100%。同理，得到模型前三準確率。如表1所示，模型前三的準確率有顯著提升，最高可達91.7%。

5結語

基于歷史病歷和循證醫學證據的CDSS，是醫院對人工智能在臨床醫療領域的一次成功探索與實踐，開創了臨床診療新模式。系統以對歷史病歷的機器學習為基礎，確保了推薦結果的個性化和有效性；同時輔以BMJ循證醫學知識庫，使推薦更加客觀、全面；通過與電子病歷集成，提供實時非打斷式輔助，極大提升了系統的易用性。CDSS的應用，對提高臨床醫生尤其是低年資醫生的診療水平將具有重要意義，對促進基層醫療衛生水平的提高也有顯著作用，是落實新醫改三級診療政策的有力抓手。下一步將對系統的臨床效果做出量化評估，并根據臨床反饋及評估進行改進，同時積極探索系統在疾病風險預測方面的應用。

參考文獻

[1]關于印發《"十三五"衛生與健康科技創新專項規劃》的通知[EB/OL].

[2]姬娜,李桂祥,陳鵬崗.基于疾病模式的臨床決策支持系統構建[J].中國醫療設備,2018,33(10):71-73,82.

[3]馬萬興,朱媛媛,張瑜,等.臨床決策支持系統應用調查研究[J].醫學信息學雜志,2018,39(6):38-42.

[4]馬計,杭波.糖尿病診斷專家系統的研究與實現[J].實用診斷與治療雜志,2008(2):121-123.

[5]江濤,石榮剛.心電診斷模糊專家系統開發與研究[J].現代電子技術,2007(11):124-126.

[6]吉艷平,危韌勇,劉洋君.抑郁癥智能診斷專家系統的設計[J].計算機測量與控制,2007(3):291-293.

[7]周晟.基于案例推理的糖尿病腎病中醫臨床決策輔助系統的設計與構建[D].北京:北京中醫藥大學,2018.

[8]顧東曉,江政.考慮醫療案例標注性屬性的醫生診療輔助決策研究[C]//中國管理現代化研究會、復旦管理學獎勵基金會.第十三屆(2018)中國管理學年會論文集.中國管理現代化研究會、復旦管理學獎勵基金會:中國管理現代化研究會,2018:10.

作者：朱聲榮 李維 張晨 席韓旭 張欣 計虹 單位：北京大學第三醫院信息管理與大數據中心