2019年医院CDSS具备这四大能力，可打造医生满分体验

2019 年 5 月 10 日 动脉网

CDSS在中国医疗市场的发展和探索经历了二十年左右的时间，逐渐演化出应用于临床不同场景和服务于不同层级医生的CDSS类型产品。

目前，国内市场上的CDSS大概有两种类别，一类是基于知识库的查询类，一类是基于知识规则的推荐审核类。

从使用场景上看，基于知识库的查询类CDSS往往用于解决临床医生在遇到不熟悉的临床问题时，进行知识检索的碎片化场景。它的缺点在于，缺乏与医院信息化系统的深度结合并未明显缩短临床医生解决问题的路径，只能对临床场景起到补充和解决特殊问题的作用，对提升医疗效率和质量的作用较小。

推荐审核类CDSS，则往往用于结合生产系统进行医疗行为的审核和推荐用以提高医疗质量、安全和效率。其缺陷也很明显，它本质上是以有限的数据规则去覆盖无限的临床个性化情况，即使投入巨大也可能收效甚微。

因此医生操作过程中，经常出现的实际情况是：①机器推演出的推荐审核结果与实际情况下医生的认知存在很大差异；②系统认知问题的维度和推演逻辑太简单起不到根本上的帮助作用。

2018年4月28日，国务院办公厅在《国务院办公厅关于促进“互联网+医疗健康”发展的意见（国办发[2018]26号）》文件中正式提到：要研发基于人工智能的临床诊疗决策支持系统。这意味着，原有的CDSS已经不再符合当前医院的发展需要。

在大数据时代，CDSS究竟应该是什么样的系统？结合政策和医院的实际需求，动脉网研究认为，它至少应该具备以下四点特征：

1、高度结构化、可用于计算的权威知识库；

2、结合真实世界数据和人工智能技术，使得推荐更加智能和精准；

3、可嵌入临床系统，智能提取患者疾病特征并给予推荐，方便医生使用；

4、能循证溯源，推荐结果能关联指南、文献及相似病历等证据。

要实现上面这四点，CDSS需要基于大数据技术整合海量医学文献及病历数据，并能从中训练出可用于计算推理的医学知识图谱。

由于国内医院医疗原始数据结构化程度低，数据非标准化情况严重，各种类型的医疗信息系统缺乏整合，因此CDSS的训练面临一系列难题，其智能化可谓任重而道远。

医渡云CDSS，临床决策的后起之秀

在国外，CDSS正受到越来越多大型医疗企业的关注。

2018年1月，GE医疗与罗氏诊断宣布建立长期战略合作伙伴关系，联合开发和推广数字化临床决策支持解决方案，以促进诊断环节更快、更准确。

2019年1月，临床信息资源公司EBSCO Health宣布收购Health Decision，这次收购旨在开发帮助临床医生和患者做出更合理的临床诊疗决策工具，对此，EBSCO Health将获得Health Decision的相关技术资源。

2019年2月，2019年HIMSS全球大会与展览会上。皇家飞利浦推出了IntelliSpace系列医疗解决方案，包括IntelliSpace Epidemiology和IntelliSpace Cardiovascular 4.1版本，旨在通过医疗科技缓解感染难题，以及改善儿科心脑血管疾病的治疗。

在国内，CDSS的热度同样很高。作为国内医疗人工智能和大数据的代表性企业，医渡云也于近期推出了新一代的可多维度循证的智能临床辅助决策系统。

从数据的权威性上看，医渡云CDSS的知识库覆盖了数千种疾病，32个学科，数千篇临床指南以及海量的医学文献。以权威的指南共识、临床路径、权威教材、药典为基础，结合国内外最新的指南共识、高质量医学文献、药品说明书等数据对知识库进行更新。

同时，医渡云CDSS还针对临床比较复杂的几十种疾病，与国内各专科领域专家深度合作，对知识库进行细化和优化，制作出覆盖疾病的诊断、治疗、预防等方面的更贴合临床实际的专科知识库。

医渡云的疾病知识图谱基于循证证据与真实世界数据共同构建，以循证知识为基础构建知识图谱的节点以及关系，真实世界数据用于训练关系的强弱，构建出来的知识图谱兼具准确性和可计算性。

对于病历中挖掘出的未在循证知识中定义的知识发现，医渡云会有专门的临床医学专家对其进行审核。审核通过的可以进入图谱，应用于CDSS系统，其中的部分有价值的医学发现，会与专家一起建立更严格的科研实验进行验证、发表论文，进一步反哺循证知识。

基于全科和单病种，打造医生体验满分的CDSS

CDSS主要用于针对医生诊疗的各个环节，提供适当的推荐、审核和风险提示，如果作为单独的系统医生使用会很不方便，使用率也会很低。为了保证医生的良好体验，医渡云将CDSS嵌入医生工作站，而不是一个独立的系统。

CDSS嵌入到医生工作站后，系统会自动在后台进行计算，在医生需要做诊疗决策时自动进行推荐、患者的异常情况与疾病风险进行监控与提示、在医生做出诊疗决策时自动进行审核，同时支持将推荐的结果回填至业务系统中，这样既能起到即时提示、报警的作用，又能提高医生工作的效率。

为了避免CDSS报警提示过于频繁，乃至于影响医生的正常工作，医渡云从两方面对产品进行了改进。

一方面，从推荐原理上，结合了院内历史诊疗行为统计的提示和报警，会自动学习医生诊疗习惯。只有那些不在历史病历中经常发生的行为，CDSS才会作为报警提示。这样一来，就可以避免单纯知识库的提醒和医院习惯不符而导致的频繁错报误报。

另一方面，从产品体验上，CDSS界面可以设置为默认收起，警告的规则和级别也允许医院进行设置，从而保证产品不影响医生正常工作。

在产品的类别上，医渡云的CDSS主要分为两种：一种是全科CDSS，一种是单病种CDSS。

医渡云全科CDSS定位的是“广而浅”的决策支持，针对全院医生适用，主要功能是知识库查询、疑似诊断、症状提醒、医嘱推荐、检查检验解读、智能审核等，在医生进行诊断、治疗的时候提供基于知识图谱的推荐以及报警，同时医生也可以主动进行知识库和文献的搜索和查询。

除了来自权威知识库的推荐之外，全科CDSS还依托大数据平台对海量电子病历的处理和学习，训练出各种疾病实体之间的量化关系，使得推荐更准确，同时更符合医生诊疗习惯。

医渡云单病种CDSS定位的是“专而深”的决策支持，针对专科医生，在疾病治疗的不同阶段（比如肿瘤的术前化疗、手术、术后化疗、随访等），根据患者自身病情推荐最适合的方案，规范疾病治疗的同时也让医生了解到疾病的最新进展。

单病种CDSS的决策引擎的核心逻辑包括几部分：

1.拆解最新的临床指南或者顶级专家经验，作为基础的推荐方案；
2.循证证据关联及评分。根据患者的疾病特征，基于最新的临床指南、文献、临床试验、药品禁忌及不良反应等循证证据给不同的方案打分；
3.真实世界证据关联及评分。基于历史病历数据中不同治疗方案在类似患者身上的疗效分析，预测患者的预后情况及不良事件的发生，给不同的方案打分。最终系统给出可“多维度”循证的最适合该患者的个性化治疗方案。

结合医疗大数据和人工智能，“量化”决策模型

由于原始的病历数据分布在不同的临床系统（HIS、EMR、PACS等）中，且以大段的文本记录存在，因此确保CDSS获取到标准化数据尤为关键。

医渡云在医院部署的大数据平台，其基础数据处理过程中，对于医院多源异构系统进行了整合，形成了患者维度和就诊维度的全景数据。

另外，医渡云在国际标准（ICD-9，ICD-10, ATC, Loinc等）的基础上，制定了自己的术语体系。通过自然语言处理技术从大段的文本描述中进行结构化抽取和归一处理，在此基础上，构建医渡云疾病知识图谱以及临床辅助决策就能水到渠成。

相对于单纯的基于知识库构建的疾病知识图谱，结合海量病历数据构建出的疾病知识图谱，能训练出人群、症状、检查结果、疾病、用药等各种医疗实体之间的量化关系，更适用于基于统计机器学习的推理和决策。

在单病种CDSS中，基于数据训练的机器学习模型，可以更好的刻画疾病的特征及特征组合与决策目标的关系，比传统的方法有着更高的准确性。

在部署了医渡云DPAP大数据平台的医院， CDSS的推荐结果除了关联循证证据以及详情查看之外，还会推荐与当前患者病情相似的相似病历，并且支持跳转至大数据平台查看病历详情，患者360(注：患者全景)等，为年轻医生提供参考。

除此之外，医渡云CDSS还能实现医疗数据的个性化利用。

例如，疾病的发病具有地域特征，比如由于地域气候或者饮食习惯，某个地区发生某种疾病的概率会明显高于其他地区；由于病因、患者的地域性、医院自身情况等原因，同样的诊断不同医院开立的医嘱（检查，检验，用药等）也有所差别。

基于通用知识库的CDSS，无法考虑地域这些个性化的特点，经常出现推荐的药本院没有，推荐的检查检验名字与本院名称不符等情况。而结合了真实病历数据的医渡云CDSS，可以很好地学习到地域性的疾病特点，以及医院的个性化诊疗习惯。

从医渡云CDSS的案例可以看出，能够满足医院需求的新时代CDSS，除了要有可计算的权威知识库之外，还要能结合医疗大数据和人工智能技术深化疾病知识图谱和决策模型，拥有更智能、便捷的操作逻辑，以更贴合临床实际，并且能循证溯源，把推荐结果相关的各个维度的证据进行一站式整合，真正将“知识”，“数据”和“技术”有机的结合在一起，形成新一代的智能临床辅助决策系统。

可以预见，类似医渡云的新一代CDSS，会成为医生临床实践和学习的有力助手，帮助医生提升诊疗效率和质量，最终让患者获得更加优质的医疗服务。