【摘要】隨著醫院信息化程度的加深，醫院數據呈現指數級增加。對于醫療數據的利用與挖掘已成為臨床與相關領域的研究熱點。臨床決策支持系統作為結合人工智能技術與臨床數據的成熟人工智能產品，除了能夠為醫師提供基于循證醫學證據的優質診療方案，同時還可以根據患者病情變化及時觸發預警信息。本文旨在改進臨床決策支持系統的功能，使其能夠在腦梗死合并心房顫動患者抗栓治療中具備預警不當處置及不合理用藥等情況的功能，進而提升此類患者的診治質量與結局效果。

 

【關鍵詞】 臨床決策支持；腦梗死；心房顫動；規范化治療；臨床預警

 

卒中是目前中國成年患者致殘、致死的主要原因，導致卒中的獨立危險因素較多，其中心房顫動為常見危險因素，可極大地增加患者血栓栓塞風險[1-2]。雖然腦梗死合并心房顫動患者抗栓治療中的治療流程與用藥時機已有明確的規范化方案，但是在TIA發生后，阿司匹林與氯吡格雷聯合治療的用藥時機等環節并沒有得到很好的依從。與此同時，隨著醫療衛生事業的發展與計算機科學技術的進步，醫療行業的智能化水平不斷提升，臨床決策支持系統（clinical decision support system，CDSS）作為醫學知識工程和人工智能交叉領域的重要應用，一直是醫療數據智能應用的主要方案[3]。故此，本文以此為背景，在臨床病歷與臨床知識庫的基礎上通過機器學習挖掘形成規則庫[4]，利用CDSS為醫務工作者提供知識，并且在恰當的時間智能化地過濾和表達信息，從而實現提示預警的功能。

 

CDSS注重與醫師的互動性，能夠滿足醫師在診療中關于預測、預警、規范流程、知識相關的需求。其主要以醫院累計的原始數據和相關指南內容為基礎，經過智能工具統計與抽取形成結構化的病歷資源與知識庫。再根據人工或者機器定義相應的對照關系形成臨床知識引擎，用于支撐具體的業務功能。系統架構主要包括結構化知識庫、臨床規則引擎和業務功能三個部分（圖1）。

 

1.1 結構化知識庫 CDSS建立在擁有完善、全面的知識庫基礎上。CDSS在已有臨床數據中心的構建與應用情況下，結合綜合的循證醫學證據、臨床指南及專家意見，通過自然語言處理、機器學習技術及人工整理審核相結合的方式，設計完成了完整的知識圖譜體系。為后續構建CDSS規則庫及臨床預警提示的實現提供支撐。

 

1.2 臨床規則引擎 規則依據相關指南和既往案例，是患者具體的疾病癥狀、檢驗報告、醫囑與預警提示內容及原因的內在聯系。臨床規則庫是實現預警提示的核心部分，其以知識庫為基礎，以規則引擎和臨床預警規則為核心，結合心房顫動規范化臨床流程，采用IF-THEN（如果/則）形式進行存儲和管理，如系統為了體現藥物間相互作用，規則可以寫成“IF”表示

不包含抗凝藥物，“AND”提示存在出血風險預警，“THEN”提示建議開立抗凝藥物。

 

1.3 業務功能 CDSS在腦梗死合并心房顫動患者抗栓治療中的具體業務功能主要包括以下方面。①危急重癥提醒：系統根據患者病情進行分析和判斷，對于可能出現的危急重癥給予提醒和警示，避免因診療疏漏引起重大醫療事故；②合理用藥操作提示：包括藥物相互作用提示、注射配伍提示、藥物禁忌證提示、藥物異常信號提示、特殊人群用藥提示、劑量提示、過敏提示、藥物重復成分提示；③治療方案推薦：系統根據醫師診斷，患者主訴、現病史、既往史、個人史、婚育史、家族史等詳細內容，在醫師開立醫囑過程中智能推薦最佳治療方案；④知識搜索：提供相關臨床指南、醫學文獻、藥品說明，以及可供參考的靜態醫學知識。

 

2.1 預警與提示 CDSS對腦梗死合并心房顫動患者各項指標設定危急值報警區間，智能選擇特定指標，當數據達到警戒值或與其他因素結合存在潛在危險時，CDSS會提醒醫務人員加強關注。與傳統基于結果驅動的臨床預警功能不同，基于CDSS的預警提示采用事件驅動方式，與臨床工作流結合，強調在適當的時機提供適當的預警，如根據血栓風險評分向醫師發出預警，提示患者存在血栓栓塞風險[5]?；贑DSS的預警提示在功能實現過程中，通過自然語言處理對患者病歷進行后結構化處理，針對腦梗死合并心房顫動患者抗栓治療過程中容易出現的不合理處置及用藥，對疾病診斷、用藥、實驗室檢查等進行規則判定，從而提高醫務人員對標準化方案的依從性，減少醫療誤差。

 

2.2 信息反饋與證據支持 采用基于自然語言處理的多層次臨床術語抽取模式的CDSS以更細顆粒度對自由文本形式的患者電子病歷進行提取。提取字段主要包括癥狀、體征、持續時間、治療手段及效果等。將提取字段與對應的臨床術語相互關聯，并以時間關系加以重組，最終輸出為具有邏輯層次關系的多層次結構化數據。結構化數據適用于CDSS的分析識別過程，可作為規則引擎的輸入項最終獲得信息反饋。同時，CDSS可作為一種搜索策略檢索知識，為醫務人員抗栓治療過程中的決策提供證據支持。

 

2.3 治療方案提醒 CDSS運用大數據技術的醫療信息整合和規則學習，獲得針對腦梗死合并心房顫動患者抗栓治療過程中的條件與結果信息。CDSS可引用患者醫療字段，決定哪些診療規則可滿足相應臨床事實或目標，并確立規則的優先級，存儲滿足事實約束或目標的多項規則，形成有序的執行隊列[6]，同時規則引擎通過演繹推理算法實現系統的推理機制。如TIA患者診斷包含缺血性卒中且NIHSS＜3分的患者，系統將進一步判斷處置過程是否包含雙抗藥物，根據判斷結果在醫師下達診斷及書寫入院記錄時提示建議對患者進行雙抗治療。

 

2.4 用藥提醒 CDSS可以在臨床抗栓治療過程中確認藥物種類名稱、劑量錯誤、禁忌證及過敏反應。除通過預警提示方式幫助醫務人員合理用藥外，CDSS還可以實現在更多相關條件下的智能用藥提醒。如為規范使用抗凝藥物，系統還可以實時預測患者出血風險。結合患者心電圖報告、24 h動態心電圖結果及具體醫囑內容條件，在入院后、住院期間、書寫出院記錄等時間點提示建議開立抗凝藥物。

 

綜上所述，CDSS應用于腦梗死合并心房顫動患者抗栓治療過程中，實現了與整體治療過程相匹配的預警功能。與傳統基于結果驅動的臨床預警功能不同，CDSS的臨床預警功能可提示通過大數據技術的醫療文檔整合、機器學習技術的文本結構處理，在危機出現前以更廣泛的維度為臨床醫師提供快速精準的預警提示。并將規范治療方案與CDSS相融合，在疾病的整體診治流程對醫務人員進行預警提示，進而提高醫師對規范診療及治療指南的依從性，從而減少醫療誤差[7]。此外，CDSS對腦梗死合并心房顫動患者抗栓治療過程中的反饋指導可作為基層醫師的診療參考，有助于解決臨床復雜問題[8]。

 

目前我國醫療大數據應用與人工智能的發展尚處于初期階段，CDSS運用機器學習的程度還有很大的發展空間。盡管CDSS僅利用機器學習方法對患者病歷資料進行解析，并為系統規則庫的建立提供支撐，但未來該系統有可能通過基于機器學習方法的數據挖掘技術，探索醫療數據之間潛在的規則與聯系，進一步滿足科研需求。

 

[1] 張澍，楊艷敏，黃從新，等. 中國心房顫動患者卒中預防規范[J]. 中華心律失常學雜志，2018，22（1）：17-30.

[2] 李桃，鄭西川，蔣伏松. 基于知識庫的臨床決策支持系統的設計與應用[J]. 醫療衛生裝備，2019，40（5）：29-32.

[3] CHACKERY D G，KESHAVJEE K，MIRZA K，etal. Integrating clinical decision support into EMR and PHR：a case study using anticoagulation[J/OL]. Stud Health Technol Inform，2015，208：98-103[2020-04-20]. https：//doi.org/10.3233/978-1-61499-488-6-98.

[4] 張晨，朱聲榮，孟慶偉，等. 臨床決策支持系統預警提示功能設計與實現[J]. 中國數字醫學，2019，14（8）：57-60.

[5] 丁玲玲，李子孝，王擁軍. 人工智能臨床決策支持系統在腦血管病中的應用[J]. 中國卒中雜志，2020，15（3）：290-295.

[6] 湯建. 基于機器學習的臨床決策支持系統的設計[J].計算機光盤軟件與應用，2014，17（14）：283.

[7] KARLSSON L O，NILSSON S，BANG M，etal. A clinical decision support tool for improving adherence to guidelines on anticoagulant therapy in patients with atrial fibrillation at risk of stroke：a cluster-randomized trial in a Swedish primary care setting（the CDS-AF study）[J/OL]. PLoS Med，2018，15（3）：e1002528[2020-04-20]. https：//doi.org/10.1371/journal.pmed.1002528.

[8] 郭金玉，陳麗娜，孫紅. 臨床決策支持系統在急診診療護理中的應用[J]. 中國護理管理，2015，15（8）：988-990.

 

 

下一篇：基于醫院業務信息系統的腦血管病臨床數據中心建設實踐