循证医学与真实病历库CDSS实现应用范文

摘要：目的利用临床决策支持系统(ClinicalDecisionSupportSystem,CDSS)，辅助医生提高诊疗水平，减少误诊及漏诊率。方法：通过对全院海量优质历史病历的机器学习，构建医院临床最佳实践库；在此基础上，融合BMJ循证医学最佳实践库，形成诊疗标准框架；利用随机森林、神经网络等人工智能算法，生成决策支持模型，实现对临床诊疗的辅助支持。结果：系统基于优质历史病历和BMJ循证医学证据的决策模式，使推荐结果更具针对性，更符合医院实际；大大提高了诊疗模型的准确率（最高可达91.7%），使结果更加可靠。结论：临床决策支持系统的应用，将为医生在诊疗过程中提供切实、有效的帮助。

关键词：人工智能；临床决策；历史病历；循证医学

1引言

近年来，人工智能在我国的发展如火如荼，也为医疗行业带来了深远影响。2017年5月，科技部《“十三五”卫生与健康科技创新专项规划》，提出开展医学大数据分析和机器学习等技术，支持机器智能辅助个性化诊断和决策支持系统等研究[1]。从政策层面明确了大数据及人工智能技术在发展临床决策支持方面的巨大潜力和广阔前景，使其成为未来医院信息化发展的趋势[2]和各医疗机构关注的热点[3]。北医三院在现有信息化架构基础上，建立了基于优质历史病历和循证医学知识库的CDSS。系统区别于传统主要依靠专家系统[4-6]及案例推理方法[7-8]提供辅助决策的模式，利用机器学习技术处理海量院内优质历史病历，得出临床最佳实践库，再结合BMJ循证医学知识库中的诊断、治疗参考，通过人工智能建立精准算法模型，解决了专家系统知识局限、更新速度慢、过度依赖人力等问题，实现了与电子病历集成的实时、无打断式诊疗决策辅助。

2系统架构设计

临床决策支持系统底层是由近十年来的优质历史病历和BMJ循证医学知识库作为数据基础；在对病历数据进行去隐私、自然语言处理（NLP）、数据清洗等处理后，与BMJ循证医学知识库融合，形成临床最佳实践库和循证医学最佳实践库；利用神经网络、随机森林等人工智能技术对数据进行模型训练，并不断优化，最终生成决策支持模型，辅助临床诊断及治疗方案制定。系统架构如图1所示。

2.1优质历史病历提供临床最佳实践

自实施电子病历以来，共积累了10年近3000万份的优质历史病历数据，为后期的数据利用打下了坚实基础。但如何将以自由文本内容为主的病历信息转化为计算机可识别的结构化数据，一直是业界难题。为此，选择了病历多层次医疗术语抽取方法，在本体的术语标准化基础上，以极细的颗粒度，对症状、体征、持续时间、治疗手段、治疗效果等实体进行提取，并按照时间关系加以组织，最终完成病历的后结构化处理，为形成医院临床最佳实践库提供数据支撑。

2.2BMJ循证医学库提供循证医学最佳实践

BMJ循证医学知识库是对各类医学研究、临床指南等既有知识的梳理、总结和提炼，从而形成一套包含诊断、治疗、随访等完整的知识库系统，如图2所示。与通常意义上的文献、指南等相比，其优点在于证据等级较高，属于二次研究证据，更适合直接用于临床实践，为诊疗决策提供可靠依据，如图3所示。

3系统功能实现

CDSS功能包括临床诊断决策和治疗方案决策。诊断过程中，因涉及的因素错综复杂，系统通过直接诊断推荐及间接多渠道验证机制，辅助临床快速确定诊断，减少误诊误治；制定治疗方案时，则联合循证医学知识库和历史病历方案聚集推荐，辅助确定精准化治疗方案，提高诊疗效果。整体功能设计如图4所示。

3.1诊断决策支持

诊断决策支持是利用机器学习算法，将优质历史病历及循证医学知识库中的疾病诊疗方法及经验进行深度学习，形成辅助诊断模型，继而针对当前患者的主诉、既往史、现病史、辅助检查等信息，给出推荐诊断列表，包括疑似常见病、罕见病推荐、检验检查项目推荐、鉴别诊断推荐等，帮助医生有效提高初诊正确率，缩短确诊时长，减少误诊误治。

3.1.1推荐诊断按概率排序以往的辅助诊断很多都是并行推荐与疾病特征相关的所有命中结果，没有权重区分，很难起到有效的辅助决策作用。以优质历史病历为样本集，分专科训练并构建诊断推荐模型，确定疾病特征与诊断的关联性及关联度，并借助循证医学证据金标准修正模型，实现为医生推荐按概率排序的诊断结果。推荐诊断处理过程如图5所示。

3.1.2罕见病推荐罕见病由于发病率极低，临床很难首次确诊。系统将国家罕见病目录中的疾病纳入模型，在患者就诊时结合当前实际情况，为医生推荐可能的罕见病诊断结果，引起临床关注，最大限度避免漏诊误诊。

3.1.3检验检查项目推荐患者的病情描述可为临床医生初步诊断提供信息，而明确诊断往往还需要有进一步的检验、检查结果作为证据。根据诊断推荐，系统可从BMJ循证医学知识库中获取确定诊断所需的检查、检验指导，辅助医生做出正确决策。

3.1.4鉴别诊断推荐鉴别诊断是临床诊疗中的重要环节，是对诊断的进一步验证。由于历史病历中包含了既往丰富的病情描述及鉴别诊断等信息，通过机器学习，可提取并聚合鉴别诊断结果，在联合循证医学知识库中的鉴别诊断结果后，给出个性化鉴别诊断推荐。

3.2治疗决策支持

系统对治疗决策的支持，同样是通过对医院历史病历数据和BMJ循证医学知识库的融合实现，具体如图6所示。通过对历史病历的处理建模，找到相似病历，获取最佳临床实践治疗方案；再以循证医学知识库中的标准治疗方案为补充，修正完善后，形成相关治疗方案推荐结果。

3.3与电子病历系统集成电子病历系

统是临床医生的主要工作平台，包含书写病历、开立医嘱、录入诊断、查看检查检验等。将CDSS无缝集成于电子病历前端，多渠道推荐诊断及治疗方案，并可通过异步通讯方式，提供不影响当前业务系统使用的实时非打断式服务模式。

4系统建设成效

系统于2018年10月正式上线，经过不断优化调整后，其模型推荐准确率明显提高，具有较高程度的辅助决策功能。分析医院5个科室在2017年的病历数据，以出院主诊断不同于入院诊断为判断初诊正确性标准，计算各科室的初诊准确率。设科室病历数为a，出院主诊断不同于入院诊断的病例数为b，将其输入诊断推荐模型，出院主诊断排在模型推荐前一位置的病历数为c，则模型前一准确率为（a-b+c）/a×100%。同理，得到模型前三准确率。如表1所示，模型前三的准确率有显著提升，最高可达91.7%。

5结语

基于历史病历和循证医学证据的CDSS，是医院对人工智能在临床医疗领域的一次成功探索与实践，开创了临床诊疗新模式。系统以对历史病历的机器学习为基础，确保了推荐结果的个性化和有效性；同时辅以BMJ循证医学知识库，使推荐更加客观、全面；通过与电子病历集成，提供实时非打断式辅助，极大提升了系统的易用性。CDSS的应用，对提高临床医生尤其是低年资医生的诊疗水平将具有重要意义，对促进基层医疗卫生水平的提高也有显著作用，是落实新医改三级诊疗政策的有力抓手。下一步将对系统的临床效果做出量化评估，并根据临床反馈及评估进行改进，同时积极探索系统在疾病风险预测方面的应用。

参考文献

[1]关于印发《"十三五"卫生与健康科技创新专项规划》的通知[EB/OL].

[2]姬娜,李桂祥,陈鹏岗.基于疾病模式的临床决策支持系统构建[J].中国医疗设备,2018,33(10):71-73,82.

[3]马万兴,朱媛媛,张瑜,等.临床决策支持系统应用调查研究[J].医学信息学杂志,2018,39(6):38-42.

[4]马计,杭波.糖尿病诊断专家系统的研究与实现[J].实用诊断与治疗杂志,2008(2):121-123.

[5]江涛,石荣刚.心电诊断模糊专家系统开发与研究[J].现代电子技术,2007(11):124-126.

[6]吉艳平,危韧勇,刘洋君.抑郁症智能诊断专家系统的设计[J].计算机测量与控制,2007(3):291-293.

[7]周晟.基于案例推理的糖尿病肾病中医临床决策辅助系统的设计与构建[D].北京:北京中医药大学,2018.

[8]顾东晓,江政.考虑医疗案例标注性属性的医生诊疗辅助决策研究[C]//中国管理现代化研究会、复旦管理学奖励基金会.第十三届(2018)中国管理学年会论文集.中国管理现代化研究会、复旦管理学奖励基金会:中国管理现代化研究会,2018:10.

作者：朱声荣 李维 张晨 席韩旭 张欣 计虹 单位：北京大学第三医院信息管理与大数据中心