傅唯佳，顧 鶯

FU Weijia,GU Ying

(National Children′s Medical Center,Children′s Hospital,Fudan University,Shanghai 201102 China)

隨著計算機科學、網(wǎng)絡技術(shù)和人工智能的發(fā)展，大型數(shù)據(jù)庫、大數(shù)據(jù)分析和云計算技術(shù)逐步被引入醫(yī)療領(lǐng)域，臨床決策支持系統(tǒng)(clinic decision support system,CDSS)的開發(fā)和應用得到了更有效的推動。CDSS是將醫(yī)學知識庫，即醫(yī)學文獻、循證知識、專家經(jīng)驗、行業(yè)規(guī)范等臨床知識的集合，植入到計算機中，模擬醫(yī)護人員的診療護理思維，通過人工智能技術(shù)和計算機的信息存儲、提取及精準的邏輯推理運算功能為臨床醫(yī)護人員提供診療護理建議[1-2]。CDSS主要以管理學、控制論以及行為學為理論支撐，以計算機和信息學為技術(shù)手段，輔助醫(yī)護人員在臨床診療過程中進行決策[3]，改善相關(guān)的醫(yī)療程序的實施[4]，提高臨床工作的質(zhì)量和水平[5]。先天性心臟病(congenital heart disease,CHD)是一種常見的先天性畸形疾病，是嬰幼兒死亡的主要原因之一，全球的出生活嬰CHD發(fā)病率為0.68%～0.90%[6-7]，在我國大約每年有15萬例CHD患兒出生，發(fā)病率為0.4%～1.2%，其中1/3屬于重癥或復雜型CHD[8]。CHD因長期醫(yī)療需求對家庭、個人和社會都造成了沉重的負擔。CDSS的發(fā)展為進一步提高CHD疾病預警、診斷、監(jiān)測與評估、治療水平提供了新的機遇。人工智能技術(shù)所擁有的處理多層次、多類型的海量數(shù)據(jù)的能力對于發(fā)現(xiàn)CHD高危人群、早期篩查病人、幫助明確診斷、評估手術(shù)風險、幫助高質(zhì)量完成手術(shù)、優(yōu)化術(shù)后護理及預測病人預后狀態(tài)都有巨大的應用前景[3]。本研究對CDSS在CHD診療及護理中的應用進行綜述，旨在為開發(fā)更加智能化、專業(yè)化、系統(tǒng)化的CHD臨床護理決策支持系統(tǒng)提供新思路。

1 CDSS的分類及主要構(gòu)成

CDSS主要分為兩大類，包括基于知識庫的臨床決策支持系統(tǒng)(knowledge base-clinical decision support system,KB-CDSS)和基于非知識庫的臨床決策支持系統(tǒng)(non-knowledge base clinical decision support system,Non-KB-CDSS)。KB-CDSS由知識庫、推理機和人機交流接口三大核心要素組成。Non-KB-CDSS通過機器學習的方法，包括人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)、遺傳算法(genetic algorithms,GA)等，從已有的經(jīng)驗中自動學習規(guī)則[9-12]。KB-CDSS基于臨床知識及海量文獻建立不同類型的臨床數(shù)據(jù)庫，通過組織、檢索、導航、接口及安全技術(shù)，為不同平臺提供多種服務，同時通過接口技術(shù)嵌入電子病歷系統(tǒng)，根據(jù)用戶的需求提供有針對性的內(nèi)容[13]。有學者將CDSS按5個維度進行分類[14]。如果將不直接給出建議而只給出相關(guān)信息的系統(tǒng)也劃入CDSS，那么可按以下6個維度進行分類[15]。①內(nèi)部決策機制：基于貝葉斯算法、決策樹分析法、預定規(guī)則流程的方法、神經(jīng)網(wǎng)絡、相似性算法等；②系統(tǒng)功能：當前診斷的判斷、當前診斷的后續(xù)策略；③建議方式：自動提醒(主動)、主動查詢(被動)；④人-機交互：獨立系統(tǒng)(可獨立存在)、整合系統(tǒng)(與其他系統(tǒng)整合)；⑤交流方式：顧問式、批評式；⑥決策支持程度：直接(給出決策結(jié)論)、間接(提供決策參考)。

2 CDSS在CHD診療護理領(lǐng)域應用分類

利用信息技術(shù)能夠快速有效對數(shù)據(jù)進行收集、處理、分析[16]。人工智能屬于計算機科學領(lǐng)域，在過去的幾十年里，人工智能在醫(yī)學領(lǐng)域展現(xiàn)了廣泛的應用前景。2020年謝穩(wěn)等[4]報道，醫(yī)生和計算機專家發(fā)現(xiàn)人工智能應用于臨床的潛力。目前在臨床醫(yī)療系統(tǒng)使用的人工智能技術(shù)有CHD的預測、智能診斷、醫(yī)學圖像分割和識別以及臨床決策支持等。

2.1 CHD患病預測 使用CDSS建立CHD發(fā)病風險預測模型研究，可以幫助臨床醫(yī)生早期發(fā)現(xiàn)高危人群。通過預測模型，利用決策樹、樸素貝葉斯、深度信念網(wǎng)絡等算法將生產(chǎn)次數(shù)、家族史、孕婦接觸污染環(huán)境、孕婦營養(yǎng)狀況等相關(guān)的CHD發(fā)病預測因子映射為新生兒CHD的發(fā)病風險[17-19]。2013年國內(nèi)學者曾報道，他們通過利用人工神經(jīng)網(wǎng)絡(artificial neural networks,ANN)和基于綜合流行病學數(shù)據(jù)來建立有效的CHD預測模型[20]。該模型可以作為一個初步識別早孕期先心病高危孕婦的工具，用來幫助產(chǎn)前護理提供者指導其產(chǎn)前管理和預防。但目前尚缺乏預測模型應用后的有效性評價數(shù)據(jù)。

2.2 CHD篩查 研究表明多達70%的兒童可能有生理雜音，而只有0.8%的兒童出生時患有CHD[21]。在先心病的篩查上初級保健中心的準確性很低，由于缺乏豐富的臨床經(jīng)驗和專業(yè)知識，醫(yī)生在聽診心音時容易誤診。為此，Gharehbaghi等[21]專門開發(fā)了一款用來診斷兒童心臟病的CDSS，即一種基于心音時間序列分析的CHD篩查決策支持系統(tǒng)，采用基于隱馬爾科夫模型(Hidden Markov Model，HMM)的處理方法，通過從心音時間序列中提取信息將數(shù)據(jù)傳入數(shù)據(jù)庫，將原數(shù)據(jù)庫已有的兩類心音時間序列做分析，用統(tǒng)計機器學的模型鑒別，以辨別患有心臟病的兒童和健康兒童，該系統(tǒng)的準確性和敏感性分別為86.4%和85.6%，能達到等同于兒科心臟病專家的聽診水平。Bhatikar等[22]也研究出一款基于ANN方法來進行兒科心臟聽診分類的系統(tǒng)，對CHD患兒在超聲心動圖檢查時，提取信號質(zhì)量最好的3個周期的心音圖，采用快速傅里葉變換(fast fourier transform,FTT)數(shù)字信號處理(digital signal processing,DSP)技術(shù)對所選心音圖進行分析處理，處理后的信號被用來開發(fā)ANN方法，使用ANN方法來進行兒科心臟聽診分類；該系統(tǒng)在區(qū)分生理性雜音和心臟病兒童雜音時精確度為83%和特異性為90%，對單純心音和室間隔缺損心音的辨別準確率較高，靈敏度為90%，特異度為93%。通過對心音的簡單分析辨別，來幫助臨床提高CHD篩查的準確性。

2.3 CHD診斷 歐美國家中CDSS在CHD的診斷中應用也比較廣泛，包括CHD心電圖分析[22-23]。早在1961年國外學者報道了第一個用于醫(yī)療中的CDSS，是基于貝葉斯算法來診斷CHD，主要是將CHD病人的臨床體征、癥狀和心電圖的各種數(shù)據(jù)收集統(tǒng)計，通過整合計算來進行臨床上的鑒別診斷[24]。有學者采用深層神經(jīng)網(wǎng)絡(deep neural networks,DNN)的CDSS，可以通過計算機自動分析心電圖數(shù)據(jù)而給出診斷，可以從單導聯(lián)心電圖中對不同心律失常進行分類，做出診斷，這種方法可以準確地對心房顫動、心房撲動、Ⅱ度房室傳導阻滯、Ⅲ度房室傳導阻滯、室性心動過速等進行分類或優(yōu)先處理最緊急的情況，降低讀取心電圖報告的誤診率，并提高了診斷的準確性[23]。

心臟聽診是臨床醫(yī)生診斷兒童心臟病的初步方法，當聽診后發(fā)現(xiàn)異常時會通過超聲心動圖檢查進行確診，心音圖是將心音的振動轉(zhuǎn)變成時間序列振動波記錄的圖形。歐美國家運用聽診心臟雜音將心音圖存入計算機系統(tǒng)中，通過CDSS來識別診斷[25-28]兒童心臟病。Gharehbaghi等[25]提取主動脈狹窄、肺動脈狹窄患兒超聲心動圖，檢查時的心臟射血分數(shù)(ejection fraction,EF)值及心音，與健康兒童的相關(guān)數(shù)據(jù)作比對，通過該決策支持方法，診斷的準確度分別為90%和93.3%；即便是在做超聲心動圖檢查時加入20 dB的噪聲干擾，準確度略有下降為86.7%和93.3%，說明該方法對噪聲具有可接受的抗擾性。通過該方法能夠幫助臨床來提高主動脈狹窄、肺動脈狹窄篩查的準確性。

心血管磁共振(cardiovascular magnetic resonance,CMR)成像是評估心血管疾病的標準成像方式，它可準確定量心室容積、射血分數(shù)和心肌質(zhì)量，為心血管疾病的診斷和監(jiān)測提供信息。然而，多年來臨床醫(yī)生一直通過人工方法進行CMR圖像分析，這不僅耗時而且還容易出現(xiàn)主觀錯誤。許多國家通過使用心臟圖像識別的CDSS[29-31]來提高分析準確性，降低主觀錯誤。有學者研發(fā)了一套可以自動分析CMR圖像的自動分析計算方法，基于該系統(tǒng)可以從CMR圖像自動獲取量化的和臨床相關(guān)的信息，使用CNN技術(shù)與來自英國生物銀行匯集了4 875例病人的心臟影像學資料大數(shù)據(jù)結(jié)合，以CMR成像的自動分析技術(shù)取代以往靠臨床醫(yī)生手動進行CMR圖像分析的方法，避免了醫(yī)生手動分析可能造成的主觀錯誤[29]。該自動分析的方法已經(jīng)達到了臨床專家的水平，提高了工作效率，幫助臨床診斷和監(jiān)測。

2.4 CHD診療計劃的制定 美國兒科心臟護理聯(lián)盟創(chuàng)建了兒科心臟病照顧體系(pediatric cardiac care consortium,PCCC)，這是一套基于心臟病患兒診療過程中心臟置管、外科手術(shù)、尸檢分析結(jié)果的信息注冊表系統(tǒng)，該系統(tǒng)的數(shù)據(jù)由美國明尼蘇達大學負責維護，數(shù)據(jù)來源于美國的一項心臟病診療計劃，收集了參加該計劃診療中心25年的診療經(jīng)驗，該注冊表涵蓋大量的圍繞手術(shù)、心臟置管臨床診療處理措施，可以用于個體化處理罕見CHD臨床診療問題，尤其是可以縱向跟蹤手術(shù)方法的改變，例如大動脈轉(zhuǎn)位術(shù)的術(shù)中操作細節(jié)以及特異性情況分析。該注冊表系統(tǒng)的數(shù)據(jù)基于非判斷式的方法來比較各種臨床問題的結(jié)果，改善照顧水平。該注冊表系統(tǒng)在心臟傳導阻滯在膜周部室間隔缺損(VSD)手術(shù)中的應用、大動脈轉(zhuǎn)位術(shù)、左心室發(fā)育不良患兒的Ⅲ期手術(shù)經(jīng)驗、確定威廉姆斯綜合征的高風險心血管異常可能這4個方面對臨床診療起到了個體化的作用，醫(yī)生可以應用數(shù)據(jù)信息對病人死亡率、住院時間、分階段手術(shù)的完成以及計劃外的再次手術(shù)率、各種心臟異常的處理等進行預測分析，為患兒制訂個體化診療計劃，改善病人結(jié)局[32]。

2.5 CHD手術(shù)風險度預估 在美國哥倫比亞兒童心血管中心，研究者們根據(jù)CHD疾病類型以及并發(fā)癥來進行手術(shù)風險水平預估，旨在幫助心臟病專家、兒科醫(yī)生和外科醫(yī)生預測CHD手術(shù)的風險水平，并將其主要分為低復雜度、中復雜度和高復雜度3類[33]。分類主要是根據(jù)疾病類型或修復類型以及影響最終結(jié)果的因素對手術(shù)結(jié)果進行預先估計。通過比較多層感知器(multilayer perceptron，MLP)、自組織映射網(wǎng)絡(self organizing map,SOM)、徑向基函數(shù)網(wǎng)絡(radial basis function neyral network,RBFNN)和決策樹(decision tree,DT)這4種都是網(wǎng)絡機器算法，通過這4種網(wǎng)絡機器算法進行比較查看哪項最合適，通過輔助決策算法來對CHD手術(shù)風險度進行預估，發(fā)現(xiàn)MLP方法精確度最高為99.87%，這是一種人工神經(jīng)網(wǎng)絡模型，其將輸入的多個數(shù)據(jù)集映射到單一輸出的數(shù)據(jù)集上。分析指出低復雜度的手術(shù)比高復雜度死亡率更低、并發(fā)癥更少。預測手術(shù)的復雜程度可指導護理人員術(shù)后護理，改進護理計劃，減少術(shù)后并發(fā)癥，甚至降低死亡率。

2.6 CHD喂養(yǎng) CDSS作為一項臨床決策工具，鑒于它的優(yōu)點，在美國的新生兒重癥監(jiān)護室(NICU)中得到了應用。在低出生體重兒和CHD這類易發(fā)生壞死性小腸結(jié)腸炎(necrotizing enterocolitis,NEC)的患兒中，CDSS主要基于電子病歷，通過CDSS來輔助計算他們的喂養(yǎng)量及胃殘余量，并設置了提醒功能，當患兒胃殘余量超過閾值或因患兒生長出現(xiàn)奶量不夠的情況時會發(fā)出警告，這也更好地幫助臨床醫(yī)生來實施標準化喂養(yǎng)方案(standardized feeding protocols,SFP)。研究指出，采用CDSS幫助和提醒醫(yī)生定義和解釋喂養(yǎng)不耐受，使西雅圖兒童醫(yī)院心臟中心患兒NEC的發(fā)生率顯著降低，從而更好地達到預防CHD患兒NEC發(fā)生的效果[34]。

2.7 CHD護理質(zhì)量管理 信息化護理是提高護理工作效率及質(zhì)量并促進優(yōu)質(zhì)護理服務的重要手段之一[35-36]。許多醫(yī)療機構(gòu)開始利用信息技術(shù)為病人提供優(yōu)質(zhì)服務[37]，已成為護理適應社會發(fā)展的重要手段。

CDSS可以確保信息的安全性和準確性，利用信息系統(tǒng)能更好地提高病人護理質(zhì)量[38]。美國斯坦福大學的兒童醫(yī)院心血管監(jiān)護室，使用CDSS包括數(shù)據(jù)觸發(fā)警報,研究者將電子病歷中的臨床決策支持干預創(chuàng)建了一種捆綁式的觸發(fā)邏輯，當病人年滿18歲以上且接受心臟術(shù)后的情況下提示，觸發(fā)后CDSS會對病人的診療從入院開始做邏輯判斷，例如藥物使用、血糖監(jiān)測方案，如果病人陽性結(jié)果被系統(tǒng)攔截，信息會直接傳送給主治醫(yī)生;使用CDSS還可以形成智能文檔，對需要手術(shù)的成人心臟病病人收治到兒童醫(yī)院后，兒科重癥監(jiān)護小組由于不熟悉成人心臟病的?？浦笜藢е略谧o理這些成人病人時會出現(xiàn)問題，但是將具有數(shù)據(jù)觸發(fā)警報、智能文檔表格和有條件的邏輯語言的功能的臨床決策工具集成到臨床工作流程中后，可以改善在兒童醫(yī)院行心臟手術(shù)的成年病人診療過程中對國家相關(guān)?？浦笜说囊缽男?，干預前后預防性抗生素的使用規(guī)范、血糖控制、導尿管拔管指證、“貝塔(β)”受體阻滯劑的使用，這4個指標的改善均有統(tǒng)計學差異，所有措施的綜合達標率從53%增加到84%(P=0.002)，這些通過CDSS幫助證明可以提高護理質(zhì)量管理[39]。

3 小結(jié)

國外學者在CHD中CDSS方面已經(jīng)做出了很多探索和研究，能做到從預防到結(jié)果分析的全過程，已經(jīng)具備了提示和警示、診斷、評估、治療方案制訂和方案建議、圖像智能識別等功能。但大部分的CHD人工智能決策系統(tǒng)都是和診療相關(guān)，缺乏專業(yè)的CHD護理的人工智能決策系統(tǒng)。CHD的CDSS通過評估和監(jiān)測CHD患兒的各項數(shù)據(jù)和結(jié)果指標，為研究提供了豐富的臨床數(shù)據(jù)，也為臨床決策支持系統(tǒng)建立奠定了基礎(chǔ)。臨床決策系統(tǒng)是醫(yī)院信息化發(fā)展的必然趨勢，對全面改善醫(yī)療、護理質(zhì)量具有重要意義，未來CDSS將在CHD管理中起到重要輔助作用，我國CHD的CDSS的建設和發(fā)展仍然處于探索階段，系統(tǒng)功能開發(fā)、大數(shù)據(jù)分析等前沿技術(shù)的整合應用仍然有待進一步研究。