e醫療專欄作家：衡反修
上個月，經過半年的奮戰，臨床大主任牽頭的科技部精準項目終於塵埃落定，獲得勝利。該項目核心是建立一套診療輔助決策系統，作為技術支持單位的信息部部門，在同樣的欣喜之餘，有正好好好梳理一下臨床決策支持系統（Clinical Decision Support System,簡稱CDSS）的來世今生，以及未來的發展。
CDSS的研究最早始於1950年代末，也就是計算機在發達國家科研院所剛有普及和應用的時候，早期的醫學專家系統通過推理引擎，將臨床經驗和專業知識經過整理加工後，存儲於知識庫中，利用邏輯推理和模式匹配的方式，幫助臨床醫生進行診斷或治療推斷。而直到20年後，世界上第一個CDSS才由美國斯坦福大學研製誕生。那套系統可以根據輸入的檢驗信息，自動識別51種病菌，正確使用23種抗菌素。可協助醫生診斷及治療細菌感染性疾病，為患者提供最佳處方。儘管簡單應用，但從知識庫到邏輯模型，已經到了實用階段。
又過了20年後，也就是我國醫療信息化啟動元年（1996年）之後，基於我國醫療信息化的發展，CDSS在中國醫療市場的發展和探索經歷了二十年左右的時間，逐漸演化出應用於臨床不同場景和服務於不同層級醫生的CDSS類型產品。
CDSS一直是醫療信息化領域的一個重要發展分支，更是臨床和信息的交叉學科，是提升臨床診療水平和診療效率的工具。沒有信息技術，臨床醫生們再有想法，也是空中樓閣；而沒有臨床問題和應用，信息更是空殼。
早期的CDSS，更多的是基於知識庫的查詢和提醒，比如嵌入HIS或EMR系統的用藥配伍禁忌、檢驗指標異常提醒等等，基本用於解決臨床醫生在遇到不熟悉的臨床問題時進行知識檢索的碎片化場景。其不足之處是，缺乏與醫院信息化系統的深度擬合，並未明顯縮短臨床醫生解決問題的路徑，只能對臨床場景起到一個起到補充和解決特殊問題的作用，對提升醫療效率和質量的作用較小。
CDSS還有一種類型,是基於知識規則的推薦審核。用於結合生產系統進行醫療行為的審核和推薦用以提高醫療質量、安全和效率。比如治療方案、臨床用藥等。但複雜的臨床個性化問題和本質上是以有限的數據規則無法真正匹配，即使投入巨大也可能收效甚微。
往往出現的實際情況是：①機器推演出的推薦審核結果與實際情況下醫生的認知存在很大差異；
②系統認知問題的維度和推演邏輯太簡單起不到根本上的幫助作用。
不妨借鑑一下著名的美國沃森腫瘤，沃森腫瘤是全球公認權威的腫瘤機構-紀念斯隆凱特琳腫瘤中心（MSKCC）4年訓練而成，通過提供個性化、有優先順序的治療方案和來幫助腫瘤醫生或臨床團隊做出臨床決策，這是認知和學習型CDSS。自從引進中國以來，已經在不少地區開花，但是否有結果還不得而知。因為作為國外的系統，核心數據庫、計算模型和計算都是黑匣子，作為外掛系統，可以用於教學、會診、對比研究、知識查閱等應用尚可，但難以在醫院嵌入式應用到臨床。同時因為模型數據基本引用國外指南與實踐，落地後與國內醫療情況依然存在不少偏差，此外，病歷資料來源於MSK，缺乏對本地數據（藥典、本地指南等）的再利用機制，決策前置資料的確認依然需要依靠大量人工整理和錄入，這種模式註定無法在臨床大批量實施。
這也是當下各種號稱是CDSS的產品在醫院難以實際應用的節點。要不是各種信息化評級的需要，CDSS裝機量和使用率更不樂觀。那麼在大數據時代，未來的CDSS是什麼樣的系統？能不能成就中國的沃森呢？大數據技術的日漸成熟，醫院臨床數據質量的不斷提高，通過機器自動學習和結構化整理海量文獻和指南，利用醫院的大數據平臺和臨床數據的近距離，可以更加友好貼臨床邏輯，更加符合真實世界認知，更加精準化針對臨床個性化情況，從而產生基於醫院大數據的CDSS系統。
但何以達成？還需要突破數據瓶頸。比如需對大量文獻和指南的標註訓練，大量醫療原始數據的後結構化處理，數據的標化和治理，以及各種類型的信息系統數據整合。如此，才能建立基於真實醫療數據和海量循證資料自我學習的CDSS系統。
CDSS是難點，更是大家追逐攀登的高峰。無論是高大上的沃森，還是臨床知識庫的查詢，個人更傾向於逐漸嵌入式的、成熟的臨床提醒，以逐步提高臨床安全和輔助提升醫療質量。CDSS需要立志是成為醫生的助手，而非在醫院專職應試的樣品，也不是期望替代醫生的機器人。
-END-
點擊鏈接查看作者往期精彩專欄內容
報名參會
閱讀更多 e醫療 的文章
