在國家政策及大數(shù)據、人工智能技術發(fā)展的驅動下，北京大學第三醫(yī)院結合醫(yī)院實際需求進行臨床決策支持研究，建立一套契合臨床診療流程、高效實用的綜合性臨床決策支持體系，以提高診療效率、減少醫(yī)療差錯、提升醫(yī)療質量。系統(tǒng)基于全量數(shù)據中心，深入挖掘醫(yī)院10年來累積的大量優(yōu)質歷史病歷數(shù)據，并融合全球權威BMJ循證醫(yī)學知識庫，在雙引擎驅動下，實現(xiàn)智能化診斷及治療的輔助決策。構建綜合預警規(guī)則平臺，實現(xiàn)診療全過程綜合預警提醒。搭建智能化病歷內涵質控平臺，實現(xiàn)實時統(tǒng)一的病歷內涵質量控制。建設基于院內主數(shù)據的標準化術語本體，實現(xiàn)融入業(yè)務系統(tǒng)的基于語義的知識檢索服務。在多系統(tǒng)集成及海量數(shù)據支撐的基礎上，實現(xiàn)覆蓋診療全過程的實時輔助診療決策，有效降低誤診率，提升臨床診療水平及效率。

有研究表明，因決策失誤所致的用藥錯誤或處置不當是造成醫(yī)療差錯甚至責任事故的重要原因。隨著醫(yī)院就診人次攀升和向患者提供優(yōu)質服務的需求，降低誤診率，臨床決策支持系統(tǒng)成為各大醫(yī)療機構關注與發(fā)展的熱點。現(xiàn)行臨床工作在很大程度依賴于臨床經驗，承擔一線工作的低年資醫(yī)生臨床經驗不足、醫(yī)學知識體系不完善，需要基于循證醫(yī)學實踐及醫(yī)院臨床實踐的便捷輔助決策支持工具。

臨床決策支持系統(tǒng)（CDSS），基于全量數(shù)據中心，采用自然語言處理技術、神經網絡、隨機森林等機器學習算法，深入挖掘醫(yī)院近10年來累積的大量優(yōu)質歷史病歷數(shù)據，并融合全球權威BMJ的循證醫(yī)學知識庫，涵蓋文獻、指南、循證醫(yī)學證據一千四百多萬條，制定全科及專科預警規(guī)則近2萬條。

該系統(tǒng)從底層數(shù)據到頂層應用的系統(tǒng)架構如下圖所示。底層由數(shù)據中心、BMJ知識庫、臨床指南作為數(shù)據基礎，經過數(shù)據處理，整合得到：臨床最佳實踐庫和循證醫(yī)學最佳實踐庫。通過算法分析、構建模型，搭建后臺支撐體系，支持前端臨床應用。如圖1

圖1 臨床決策支持系統(tǒng)系統(tǒng)架構

1.病歷多層次醫(yī)療術語抽取

病歷文書及檢查報告利用的基礎在于非結構化文件的處理，這里使用病歷多層次醫(yī)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(xù)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(yī)院臨床最佳實踐庫提供數(shù)據支撐。

2.雙引擎驅動的輔助診療決策推薦

CDSS基于真實最佳臨床實踐案例和BMJ循證醫(yī)學知識庫雙引擎驅動，在病歷多層次醫(yī)療術語抽取的基礎上，深入挖掘我院10年來累積的大量優(yōu)質歷史病歷數(shù)據，融合權威BMJ循證醫(yī)學知識庫，利用神經網絡、隨機森林等機器學習算法來搭建診斷及治療方案推薦模型，實現(xiàn)智能化診斷及治療的輔助決策。

3.臨床數(shù)據實時處理

CDSS提供的診斷、治療方案推薦，預警提醒，病歷質量監(jiān)控等，要求有一定的實時性，系統(tǒng)根據當前患者的病歷、檢查/檢驗指標變化，提供及時推薦和提醒。比如，對于病歷內涵質控，當臨床醫(yī)生書寫病歷時，輔助臨床決策系統(tǒng)需完成與應用系統(tǒng)的數(shù)據傳輸，系統(tǒng)的數(shù)據處理及結果返回。對臨床應用系統(tǒng)與臨床決策系統(tǒng)之間的信息交互提出更高要求，對臨床決策系統(tǒng)的處理服務提出更高要求。

4.系統(tǒng)異步通訊

CDSS與臨床應用系統(tǒng)采用異步通信，在提供推薦、提醒服務的同時，不影響臨床業(yè)務處理速度，提供非打斷式提醒服務。

CDSS建立診療模型，搭建預警系統(tǒng)，構建規(guī)則應用平臺、病歷質控平臺、知識檢索平臺。在多系統(tǒng)及平臺的支撐下，實現(xiàn)面向臨床的輔助臨床診療決策、多維綜合臨床預警預測、實時統(tǒng)一病歷內涵質控、語義知識檢索服務。

1.雙引擎驅動實現(xiàn)智能化診斷及治療的輔助決策

結合當前患者病歷，借助雙引擎驅動，實現(xiàn)診斷決策導航，包括：診斷概率列表直接推薦、檢驗檢查項目推薦輔助確定診斷、鑒別診斷推薦驗證診斷，如圖2。通過提供有概率比較的診斷列表，以及多渠道驗證機制，輔助臨床確定診斷，減少誤診誤治。

圖2 診斷概率列表推薦

循證醫(yī)學知識庫檢索+歷史病歷挖掘雙引擎驅動，輔助臨床進行治療決策。結合當前患者的主訴、既往史、現(xiàn)病史、輔助檢查等內容，以臨床指南治療為基礎，通過學習BMJ循證醫(yī)學知識庫以及我院相似病例經典治療方案，如圖3、4所示，輔助臨床形成精準化、個性化的治療方案。

圖3 循證醫(yī)學知識庫+個性化治療方案推薦圖

圖4 歷史相似病例推薦

2.構建綜合預警規(guī)則平臺，實現(xiàn)診療全過程綜合預警提醒

構建綜合預警規(guī)則平臺，制定異常指標、預警提醒規(guī)則近2萬條，實現(xiàn)異常指標、預警提醒規(guī)則的可配置管理；利用自然語言處理、機器學習算法提取患者檢驗、檢查及文本信息的后結構化數(shù)據，對臨床診斷、用藥、檢驗、檢查等處置方案進行規(guī)則判斷，實現(xiàn)診療全過程綜合預警提醒。通過提取歷史相似病歷危急重情況的相關數(shù)據，監(jiān)測患者各項指標變化，預測患者病情發(fā)生及發(fā)展成危急重情況的概率，如圖5、6所示。

圖5 預警提醒圖

圖6 病情快速進展評估

3.搭建智能化病歷內涵質控平臺，實現(xiàn)實時統(tǒng)一的病歷內涵質控

搭建智能化病歷內涵質控平臺，建立基于國家病歷質控標準為核心的病歷內涵質控規(guī)則引擎。通過對病歷結構化解析，實現(xiàn)實時、統(tǒng)一標準的病歷數(shù)據的智能化問題檢出，輔助臨床醫(yī)生在書寫病歷環(huán)節(jié)及時發(fā)現(xiàn)缺陷、修改缺陷，有效提高病歷書寫質量,如圖7所示。

圖7 病歷質控實例

借助病歷質量監(jiān)控平臺，幫助病歷質量管理者實現(xiàn)全院高效病歷質量水平監(jiān)管，如圖8所示。

圖8 病歷質控監(jiān)控平臺

4.提供融入業(yè)務系統(tǒng)的基于語義的知識檢索服務

在院內主數(shù)據標準化基礎上建設標準化術語本體，完成疾病、藥品、體征同義及層級關系的對照，有強大的醫(yī)學知識庫支撐，并將檢索服務集成于業(yè)務系統(tǒng)，提供融入業(yè)務系統(tǒng)的基于語義的知識檢索服務，如圖9所示。

圖9 基于語義的知識檢索

分析2017年的既往病例，診斷推薦的第一命中率為75.46%，前三命中率高達87.53%。推薦診斷準確率高。分析上線前5個月24個病區(qū)初診準確率為70.4%，如圖10所示。上線后5個月相同病區(qū)的初診準確率為72.6%，如圖11所示。提高了初診準確率。分析上線前5個月24個病區(qū)平均確診時長為3.25天，上線后5個月相同病區(qū)平均確診時長為2.27天，減少近1天，如圖12所示，縮短了確診時長。其中，第一命中是指出院主診斷位于推薦診斷第一位，前二命中是指出院主診斷位于前二位，同理為前三命中；推薦診斷準確的判定為推薦診斷是出院主診斷或上一級診斷；初診準確率的判定為入院主診斷等于出院主診斷；確診時長的確定方式為文書中記錄確診的上級醫(yī)師查房記錄時間減入院時間。

圖10 推薦診斷準確率圖

圖11 初診準確率比較圖

圖12 確診時長比較圖

分析上線前后10個月6個科室24個病區(qū)的病例，推薦診斷平均覆蓋總診斷數(shù)的81%，如表3所示，覆蓋疾病廣。在有診斷推薦的病歷中，各年齡段的前三命中率平均86.44%，命中比例高達93.33%，如表4所示，推薦診斷覆蓋全年齡段。其中，診斷數(shù)指病例中出現(xiàn)的診斷數(shù)量；推薦診斷命中數(shù)指有推薦診斷并命中的診斷數(shù)量；推薦命中占比=推薦診斷命中數(shù)/診斷數(shù)*100%；前三命中比例指出院診斷出現(xiàn)在推薦診斷列表前三位的百分比；命中比例指出院診斷出現(xiàn)在推薦診斷列表中的百分比。

表3 推薦診斷與總診斷數(shù)的占比表

表4 各年齡段推薦診斷命中情況表

分析上線后5個月6個科室24個病區(qū)的病歷，醫(yī)生平均修改率為73.41%，如表5所示；將某科上線后2018年12月問題數(shù)與2017年12月病歷問題數(shù)比較，從308降到105，減少了66%，如圖13所示。

表5 上線后5個月6個科室醫(yī)生修改率情況表

圖13 上線前后問題病例數(shù)比較

通過推薦診斷準確率、初診準確率、確診時長3個指標來評估智能輔助決策推薦診斷的有效性，從推薦診斷覆蓋率、年齡段覆蓋率2個維度來分析推薦診斷的適用性，從病歷平均修改率和病歷問題數(shù)2個角度分析病歷質控有效性。通過這些數(shù)據分析，可以看到輔助診療體系對臨床工作起到了較好的輔助作用。

進一步探索臨床決策系統(tǒng)應用，為臨床提供更多基于大數(shù)據及人工智能技術的便捷有效工具；繼續(xù)探索利用醫(yī)院海量數(shù)據資源及人工智能新技術在醫(yī)院的新應用，更深入地解決臨床醫(yī)療、醫(yī)院管理等問題。