摘 要 醫(yī)學(xué)的實(shí)踐性、疾病的個(gè)體性導(dǎo)致誤診率居高不下，而基于人工智能和醫(yī)學(xué)大數(shù)據(jù)的臨床決策支持系統(tǒng)（clinical decision support system， CDSS）能在疾病診斷時(shí)為醫(yī)生提供決策支持，成為解決此類問(wèn)題的一個(gè)重要手段，且現(xiàn)已取得一定的成效。不過(guò)，盡管CDSS在提高醫(yī)療決策的準(zhǔn)確性和效率方面具有潛在優(yōu)勢(shì)，但其在實(shí)施過(guò)程中也存在一系列的問(wèn)題，這些問(wèn)題可能影響CDSS的可靠性、可用性和安全性。本文對(duì)診斷類CDSS的應(yīng)用現(xiàn)狀、面臨的挑戰(zhàn)和未來(lái)發(fā)展趨勢(shì)進(jìn)行總結(jié)分析，以期對(duì)我國(guó)CDSS向智能化和知識(shí)化方向發(fā)展提供參考。

關(guān)鍵詞 臨床決策支持系統(tǒng) 人工智能 疾病診斷 醫(yī)療質(zhì)量

中圖分類號(hào)：R197.39； R319 文獻(xiàn)標(biāo)志碼：C 文章編號(hào)：1006-1533（2024）09-0003 -07

引用本文 鄭銳， 季夢(mèng)婷， 馮雨萱， 等. 診斷類智能化臨床決策支持系統(tǒng)應(yīng)用現(xiàn)狀與思考[J]. 上海醫(yī)藥， 2024， 45（9）： 3-9； 18.

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（72074146、72293585）；教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目（22YJC630043）

Current status and reflections on the application of intelligent clinical decision support system for diagnostic classes

ZHENG Rui1， JI Mengting2， FENG Yuxuan1， YU Guangjun3

（1. School of Public Health， Shanghai Jiao Tong University， Shanghai 200025， China； 2. Department of Oncology， Renji Hospital， Shanghai Jiao Tong University School of Medicine， Shanghai 200120， China； 3. the Second Affiliated Hospital， The Chinese University of Hong Kong， Shenzhen， Shenzhen 518172， China）

ABSTRACT The practical nature of medicine and the individuality of diseases have led to high misdiagnosis rates， and clinical decision support system （CDSS） based on artificial intelligence and medical big data can provide decision support for doctors in the diagnosis of diseases， which has become an important means of solving such problems， and has now also achieved certain results. However， despite the potential advantages of CDSS in improving the accuracy and efficiency of medical decision making， there are a series of problems in its implementation that may affect the reliability， usability and safety of CDSS. This paper summarizes and analyses the current status of the application of diagnostic CDSS， the challenges it faces， and the future development trend， with a view to providing reference for the development of CDSS towards intelligence and knowledge in China.

KEY WORDS clinical decision support system； artificial intelligence； disease diagnosis； quality of care

誤診是當(dāng)今醫(yī)療行業(yè)面臨的一個(gè)嚴(yán)峻挑戰(zhàn)，是在醫(yī)療衛(wèi)生領(lǐng)域中對(duì)患者危害性最大的難題。目前，我國(guó)醫(yī)療行業(yè)面臨著醫(yī)療需求快速增長(zhǎng)、醫(yī)生資源不足、地區(qū)間醫(yī)療資源分布不均、高質(zhì)量的醫(yī)療資源往往集中在經(jīng)濟(jì)發(fā)達(dá)地區(qū)等現(xiàn)實(shí)問(wèn)題。在這種供求矛盾下，醫(yī)生壓力較大，誤診時(shí)有發(fā)生。四川華西醫(yī)院進(jìn)行的一項(xiàng)大樣本量調(diào)查發(fā)現(xiàn)，我國(guó)醫(yī)院的臨床誤診率平均約為30%，而肺外結(jié)核和惡性腫瘤等惡性疾病的平均誤診率更是高達(dá)40%[1]。因此，如何提高醫(yī)生的重大疾病診療水平和工作效率，減少基層醫(yī)療機(jī)構(gòu)的誤診、漏診等現(xiàn)象，成為醫(yī)療行業(yè)亟待解決的問(wèn)題。近年來(lái)，隨著人工智能、醫(yī)療大數(shù)據(jù)等新興科學(xué)技術(shù)的交融滲透，相繼出現(xiàn)了專用于圖像識(shí)別、輔助診斷、疾病風(fēng)險(xiǎn)預(yù)測(cè)等的一大批智能化臨床決策支持系統(tǒng)（clinical decision support system， CDSS），它們的應(yīng)用可大大提高醫(yī)生的診療能力[2]。

CDSS是通過(guò)模型、算法、大數(shù)據(jù)等智能化手段，以人機(jī)交互的方式來(lái)輔助醫(yī)生決策的計(jì)算機(jī)系統(tǒng)[3]。CDSS可以模擬醫(yī)學(xué)專家診斷、治療疾病的思維和過(guò)程，在疾病診斷、風(fēng)險(xiǎn)預(yù)測(cè)等方面為醫(yī)生提供決策支持[4]。CDSS在幫助基層醫(yī)院醫(yī)生提高診療水平、保障醫(yī)療服務(wù)質(zhì)量、降低醫(yī)療費(fèi)用方面具有重要意義。2023年7月，我國(guó)國(guó)家衛(wèi)生健康委員會(huì)發(fā)布的《醫(yī)療機(jī)構(gòu)臨床決策支持系統(tǒng)應(yīng)用管理規(guī)范（試行）》中提出：“要促進(jìn)智慧醫(yī)院的建設(shè)發(fā)展，適應(yīng)醫(yī)院信息化工作需要，規(guī)范醫(yī)療機(jī)構(gòu)臨床決策支持系統(tǒng)應(yīng)用管理?！钡?，由于監(jiān)管體系不成熟、責(zé)任主體模糊不清、醫(yī)生對(duì)CDSS的不信任、人工智能技術(shù)的不成熟，CDSS的具體應(yīng)用情況仍不甚理想。本文就目前診斷類CDSS的應(yīng)用現(xiàn)狀、存在問(wèn)題、解決方法和未來(lái)發(fā)展趨勢(shì)進(jìn)行相關(guān)闡述與討論。

1 診斷類CDSS的價(jià)值及應(yīng)用現(xiàn)狀

疾病診斷可能是人類面臨的最復(fù)雜的認(rèn)知任務(wù)。迄今為止，人類大約可表現(xiàn)出200多種癥狀，但疾病數(shù)卻高達(dá)10 000多種，且同一疾病在不同個(gè)體上可能會(huì)表現(xiàn)出不同的癥狀，而醫(yī)學(xué)教科書(shū)只涵蓋大約1 000種疾病，并通常僅描述疾病的典型癥狀。這些因素會(huì)導(dǎo)致醫(yī)生在診斷過(guò)程中出現(xiàn)難以避免的錯(cuò)誤[5]。目前，醫(yī)生在診斷過(guò)程中面臨4個(gè)層面的問(wèn)題：首先，在疾病層面，疾病種類繁多，其中不乏罕見(jiàn)病和復(fù)雜病癥，診斷難度極大；其次，在患者層面，由于個(gè)體差異的存在，疾病癥狀會(huì)因人而異，且往往不典型，同時(shí)由于地域、語(yǔ)言、文化等差異，醫(yī)生與患者溝通時(shí)可能存在問(wèn)題；再次，在醫(yī)生層面，醫(yī)生的知識(shí)和經(jīng)驗(yàn)有一定的局限性，即使最出色的醫(yī)生也不可能熟知所有的疾病情況，加之優(yōu)質(zhì)醫(yī)療資源較為短缺，醫(yī)生診療工作繁重、壓力大，缺乏足夠的接診時(shí)間，無(wú)法充分了解患者的疾病信息；最后，在組織層面，我國(guó)醫(yī)院電子病歷系統(tǒng)尚不夠完善，多學(xué)科協(xié)作模式的推行還存在客觀困難[6]。

運(yùn)用智能化工具來(lái)輔助診斷，從而提高診斷質(zhì)量和效率，這是解決上述問(wèn)題的有效途徑之一。CDSS由此誕生。CDSS在設(shè)計(jì)時(shí)遵循“5正確”原則，即將正確的信息在正確的時(shí)間、以正確的形式、通過(guò)正確的渠道傳遞給正確的對(duì)象[7]。診斷類智能化臨床決策支持工具覆蓋幾千種疾病的診斷，包括常見(jiàn)病、罕見(jiàn)??；覆蓋兒童、成人，以及孕婦、老年人等特殊群體，同時(shí)也覆蓋重癥和非重癥疾病。

1.1 臨床路徑設(shè)計(jì)與優(yōu)化

智能化CDSS是基于先進(jìn)的算法和大量的醫(yī)療數(shù)據(jù)構(gòu)建而成的，其工作流程主要包括數(shù)據(jù)采集、模型訓(xùn)練、決策生成和反饋循環(huán)[8-9]。臨床路徑設(shè)計(jì)可能涉及多個(gè)不同的數(shù)據(jù)源，包括病歷、實(shí)驗(yàn)室檢查、影像學(xué)檢查等。不同數(shù)據(jù)源數(shù)據(jù)的整合與標(biāo)準(zhǔn)化是一個(gè)復(fù)雜的問(wèn)題，需要CDSS具備強(qiáng)大的數(shù)據(jù)整合能力[10]。CDSS可通過(guò)學(xué)習(xí)既往患者的治療路徑、醫(yī)學(xué)指南和最新研究成果，為醫(yī)生提供數(shù)據(jù)驅(qū)動(dòng)的臨床路徑設(shè)計(jì)。Wang等[11]設(shè)計(jì)了一款名為“Re-Admission”的手機(jī)應(yīng)用程序。運(yùn)用該程序，可在慢性阻塞性肺疾病患者入院當(dāng)天預(yù)測(cè)其再入院風(fēng)險(xiǎn)，然后針對(duì)高風(fēng)險(xiǎn)患者制定特殊治療計(jì)劃，以優(yōu)化和改善臨床護(hù)理路徑。同時(shí)，依據(jù)患者的個(gè)體差異和病情特征，該程序能為醫(yī)生提供個(gè)體化的治療方案，同時(shí)會(huì)依據(jù)不同患者的生理狀況、基因信息等因素對(duì)治療方案進(jìn)行優(yōu)化。智能化CDSS除可輔助醫(yī)生設(shè)計(jì)治療路徑之外，還能實(shí)時(shí)監(jiān)測(cè)患者的病情變化。一旦發(fā)現(xiàn)異常，CDSS會(huì)及時(shí)向醫(yī)生提供預(yù)警信息，以便醫(yī)生調(diào)整治療方案，保證患者治療的及時(shí)性和精準(zhǔn)性。

1.2 智能化醫(yī)學(xué)影像學(xué)診斷

傳統(tǒng)的MRI等的圖像識(shí)別主要依賴醫(yī)生的主觀經(jīng)驗(yàn)及其專業(yè)知識(shí)，很容易出現(xiàn)診斷結(jié)果不一致、誤診等問(wèn)題。因此，臨床上亟需一種可更準(zhǔn)確、更可靠地進(jìn)行醫(yī)學(xué)影像識(shí)別的方式。近年來(lái)，智能化CDSS在醫(yī)學(xué)影像學(xué)領(lǐng)域取得了巨大成功。隨著圖像識(shí)別和深度學(xué)習(xí)技術(shù)的發(fā)展及其應(yīng)用，CDSS已能自動(dòng)分析X線、MRI和CT等圖像，輔助醫(yī)生進(jìn)行更準(zhǔn)確的診斷[12-14]。人工智能技術(shù)的快速發(fā)展為醫(yī)學(xué)影像學(xué)診斷帶來(lái)了新的可能性，通過(guò)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，CDSS能高效地從大量影像數(shù)據(jù)中提取特征，自動(dòng)識(shí)別病灶，從而幫助醫(yī)生進(jìn)行疾病診斷和治療決策[15]。這種智能化的CDSS可大大減輕醫(yī)生的工作負(fù)擔(dān)，使之在短時(shí)間內(nèi)就能完成大量影像分析任務(wù)。

實(shí)現(xiàn)智能化醫(yī)學(xué)影像學(xué)診斷的關(guān)鍵技術(shù)主要包括：①圖像識(shí)別。通過(guò)圖像識(shí)別獲取患者生理、病理特征的準(zhǔn)確信息，然后基于這些信息對(duì)患者組織圖像進(jìn)行定位和分割，在可疑位置作特殊標(biāo)注，從而提高醫(yī)生的圖像判讀效率[16]。②深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法。深度學(xué)習(xí)作為一種數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)特征學(xué)習(xí)算法，能夠直接從訓(xùn)練數(shù)據(jù)中提取特征，減少特征提取的工作量和人工干預(yù)的影響[17]，利用海量的醫(yī)學(xué)影像數(shù)據(jù)和診斷結(jié)果，進(jìn)行特定的多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練，揭示高維特征之間的聯(lián)系[18]，從而實(shí)現(xiàn)定性和定量分析疾病情況，最大限度地減少診斷過(guò)程中的誤診和漏診，為臨床診斷提供更為權(quán)威和可靠的支持[19]。Chen等[20]利用530張MRI圖像開(kāi)展了一項(xiàng)研究，基于深度學(xué)習(xí)模型，提取子宮內(nèi)膜癌MRI圖像中的特征和模式，從而來(lái)預(yù)測(cè)子宮肌層浸潤(rùn)深度。最終結(jié)果顯示，利用人工智能技術(shù)可識(shí)別醫(yī)生難以察覺(jué)的細(xì)微差異，深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率為84.4%，高于放射科醫(yī)生診斷的準(zhǔn)確率。

1.3 罕見(jiàn)病的輔助診斷

罕見(jiàn)病是指發(fā)病率極低的一類疾病，它們合計(jì)影響到全球約6%的人口。由于罕見(jiàn)病種類較多且病情較為復(fù)雜，加之大多數(shù)醫(yī)療工作者與它們的接觸較少，缺乏相關(guān)認(rèn)識(shí)，臨床診斷有不小的困難。

由于罕見(jiàn)病的特殊性，絕大多數(shù)罕見(jiàn)病輔助診斷系統(tǒng)都是獨(dú)立于臨床工作流程之外的?，F(xiàn)有的罕見(jiàn)病輔助診斷系統(tǒng)一般可分為基于知識(shí)庫(kù)、基于機(jī)器學(xué)習(xí)和基于病歷檢索3類，三者的區(qū)別在于是否依賴于知識(shí)庫(kù)或機(jī)器學(xué)習(xí)模型進(jìn)行疾病的預(yù)測(cè)[21]。近年來(lái)，眾多研究者開(kāi)始從病歷檢索、權(quán)威知識(shí)庫(kù)組建、機(jī)器學(xué)習(xí)和文獻(xiàn)數(shù)據(jù)挖掘等方面開(kāi)展研究[22]，豐富了罕見(jiàn)病的疾病-表型關(guān)聯(lián)、疾病-基因關(guān)聯(lián)等知識(shí)[23]，同時(shí)將權(quán)威的罕見(jiàn)病診斷經(jīng)驗(yàn)具體化，形成可落地的智能化診斷工具，為醫(yī)生診斷提供決策支持。例如，國(guó)際上著名的十大CDSS之一的Isabel擁有超過(guò)100 000篇文獻(xiàn)的數(shù)據(jù)庫(kù)和“知識(shí)內(nèi)核”，其可單獨(dú)使用或者直接連接到電子病歷上獲取患者信息。醫(yī)生在Isabel中輸入患者的癥狀和檢驗(yàn)結(jié)果后，Isabel即能作出準(zhǔn)確診斷[24]。OMIM是一個(gè)較綜合且權(quán)威的人類基因及遺傳變異數(shù)據(jù)庫(kù)，收錄了近8 000種罕見(jiàn)病信息，包括遺傳病癥狀和基因狀況，提供條目號(hào)、臨床特征、表型、基因等多種檢索方式，主要用于遺傳病的教學(xué)與科學(xué)研究。目前，基于知識(shí)庫(kù)的罕見(jiàn)病輔助診斷系統(tǒng)大多可在互聯(lián)網(wǎng)訪問(wèn)，這些系統(tǒng)較為完善，對(duì)罕見(jiàn)病的種類未作特殊限制，能針對(duì)所有罕見(jiàn)病進(jìn)行預(yù)測(cè)分析，更加契合疾病診斷、防漏診和篩查的需求。隨著電子病歷的不斷積累，基于數(shù)據(jù)挖掘的CDSS陸續(xù)問(wèn)世，但其發(fā)展還處于初級(jí)階段，可解釋性較差，且存在“黑箱問(wèn)題”，加之又多是專用于一種或數(shù)種特定罕見(jiàn)病預(yù)測(cè)分析的，很難用于針對(duì)所有罕見(jiàn)病的預(yù)測(cè)分析，互聯(lián)網(wǎng)上也未進(jìn)行大規(guī)模部署。

2 診斷類CDSS面臨的挑戰(zhàn)

2.1 警報(bào)疲勞

電子醫(yī)囑錄入系統(tǒng)、智能靜脈注射泵和心臟監(jiān)測(cè)裝置都能發(fā)出警報(bào)，提醒醫(yī)生對(duì)不安全狀況采取預(yù)防措施或進(jìn)行及時(shí)干預(yù)[25]。這些設(shè)備在純醫(yī)療環(huán)境下對(duì)醫(yī)生的工作有很大幫助，但在普遍計(jì)算機(jī)化的診療環(huán)境中，醫(yī)生面臨著各種各樣的帶有報(bào)警功能的裝置，每天都會(huì)接收到數(shù)目驚人的警報(bào)。美國(guó)一家醫(yī)院的統(tǒng)計(jì)顯示，一間有66張床位的成人重癥監(jiān)護(hù)室每月產(chǎn)生的警報(bào)數(shù)超過(guò)200萬(wàn)次，僅聲音警報(bào)就平均高達(dá)187次/（人·d）[26]。研究發(fā)現(xiàn)，95%的警報(bào)是沒(méi)有臨床意義的[27]，而且隨著警報(bào)絕對(duì)數(shù)的增多，醫(yī)生會(huì)忽視這樣的警報(bào)。長(zhǎng)此以往，醫(yī)生在忽視無(wú)臨床意義警報(bào)的同時(shí)，也容易習(xí)慣性地忽視具有重要臨床意義的警報(bào)。目前，警報(bào)疲勞是CDSS在應(yīng)用過(guò)程中存在的一個(gè)重大缺陷，其可嚴(yán)重影響患者的安全。為了解決此問(wèn)題，Ban等[28]提出了一種警報(bào)篩選方案，利用機(jī)器學(xué)習(xí)算法和可視化工具將有實(shí)際威脅和無(wú)臨床意義的警報(bào)區(qū)分開(kāi)，以實(shí)現(xiàn)快速的警報(bào)分析和對(duì)事件的響應(yīng)。該方案在實(shí)際操作中顯示有非常好的應(yīng)用潛力，其高危急警報(bào)的準(zhǔn)確率達(dá)99.598%，警報(bào)的誤報(bào)率為0.001%，能大大緩解警報(bào)疲勞問(wèn)題。

2.2 評(píng)估體系不完善

CDSS必須能夠優(yōu)化臨床診療流程或改善臨床工作結(jié)果才有價(jià)值，但現(xiàn)并沒(méi)有一種通用且權(quán)威的CDSS價(jià)值評(píng)估標(biāo)準(zhǔn)。因此，如何證明CDSS的臨床應(yīng)用效果且將其以一種合適的方式呈現(xiàn)出來(lái)，目前實(shí)是一大難點(diǎn)。美國(guó)醫(yī)藥信息協(xié)會(huì)對(duì)31項(xiàng)CDSS評(píng)估研究的系統(tǒng)分析發(fā)現(xiàn)，由于這31項(xiàng)研究的評(píng)估環(huán)境和所運(yùn)用的經(jīng)濟(jì)學(xué)方法存在異質(zhì)性，很難對(duì)CDSS的總成本效益作出明確的結(jié)論[29]。Bryan等[30]也進(jìn)行了一項(xiàng)系統(tǒng)分析，共納入17項(xiàng)研究，包括5項(xiàng)非隨機(jī)觀察性研究和12項(xiàng)隨機(jī)、對(duì)照試驗(yàn)，其中13項(xiàng)（76%）研究顯示CDSS能夠改善醫(yī)療結(jié)局，其余4項(xiàng)（24%）研究顯示對(duì)醫(yī)療結(jié)局沒(méi)有顯著影響。對(duì)于已經(jīng)證實(shí)可改善醫(yī)療結(jié)局的CDSS，由于各CDSS的種類和應(yīng)用形式不同，它們的有效性也有很大差異。如果難以證實(shí)CDSS能夠有效改善臨床工作流程或結(jié)果，各醫(yī)院耗費(fèi)重金去構(gòu)建CDSS的意愿就會(huì)受到一定程度的影響，最終影響CDSS的建設(shè)與落地。

2.3 缺乏互操作性和透明性

隨著科學(xué)技術(shù)的不斷進(jìn)步，與移動(dòng)醫(yī)療類似，電子健康記錄、電子病歷或患者健康記錄等電子記錄的應(yīng)用正在迅速增長(zhǎng)。電子記錄成為電子衛(wèi)生保健的基本組成部分，這是實(shí)現(xiàn)全民健康覆蓋的先決條件[31]。不過(guò)，由于受到技術(shù)、數(shù)據(jù)和問(wèn)題解決方案所采納的標(biāo)準(zhǔn)或指南不同等因素的影響，目前電子記錄與CDSS的互操作性仍是一個(gè)全球性的挑戰(zhàn)[32]。對(duì)此，一些政府機(jī)構(gòu)、醫(yī)療組織都在積極尋求解決方法，開(kāi)發(fā)并不斷完善互操作性標(biāo)準(zhǔn)，其中醫(yī)學(xué)系統(tǒng)命名法-臨床術(shù)語(yǔ)（Systematized Nomenclature of Medicine-Clinical Terms， SNOMED CT）和衛(wèi)生信息交換標(biāo)準(zhǔn)HL7（Health Level 7）已經(jīng)得到相關(guān)行業(yè)的普遍認(rèn)可和大規(guī)模應(yīng)用。SNOMED CT提供了一套全面、統(tǒng)一的醫(yī)學(xué)術(shù)語(yǔ)系統(tǒng)，覆蓋大多數(shù)方面的臨床信息，可協(xié)調(diào)一致地在不同的學(xué)科、專業(yè)和照護(hù)地點(diǎn)之間實(shí)現(xiàn)對(duì)臨床數(shù)據(jù)的標(biāo)引、存儲(chǔ)、檢索和聚合，便于計(jì)算機(jī)處理。同時(shí)，其還有助于組織病歷內(nèi)容，減少臨床照護(hù)和科學(xué)研究工作中數(shù)據(jù)采集、編碼和使用方式的變異。SNOMED CT對(duì)于臨床醫(yī)學(xué)信息的標(biāo)準(zhǔn)化和電子化起著十分重要的作用。HL7是醫(yī)療領(lǐng)域不同應(yīng)用程序之間數(shù)據(jù)傳輸交換的協(xié)議，提供了不同應(yīng)用程序之間接口的標(biāo)準(zhǔn)格式，從而允許各個(gè)醫(yī)療機(jī)構(gòu)在異構(gòu)系統(tǒng)之間進(jìn)行數(shù)據(jù)交互[33]。云電子病歷也是解決互操作性的一種潛在方法[34]。Kouroubali等[35]經(jīng)分析歐洲及世界各地?cái)?shù)字醫(yī)療的政策和實(shí)施戰(zhàn)略等后，提出了一種可提高數(shù)字醫(yī)療生態(tài)系統(tǒng)互操作性的綜合方法，以支持?jǐn)?shù)字醫(yī)療系統(tǒng)在法律、語(yǔ)義和技術(shù)等各層面上的互操作性。

智能化CDSS是通過(guò)深度學(xué)習(xí)、機(jī)器學(xué)習(xí)算法和海量醫(yī)學(xué)數(shù)據(jù)給出最終醫(yī)療決策的，盡管這種計(jì)算機(jī)模型具有較大的臨床應(yīng)用潛力，但因存在缺乏信任和透明度等問(wèn)題，實(shí)際應(yīng)用受到限制[36]。許多智能化CDSS的算法，尤其是深度學(xué)習(xí)、機(jī)器學(xué)習(xí)算法模型，通常被認(rèn)為是“黑盒模型”[37]，難以解釋其決策過(guò)程。而醫(yī)療專業(yè)人員對(duì)于臨床決策的解釋性要求極高，因?yàn)樗麄冃枰斫釩DSS的決策基礎(chǔ)，以便更好地接受和應(yīng)用CDSS給出的建議。缺乏解釋性可能導(dǎo)致醫(yī)生對(duì)CDSS的不信任，從而降低CDSS的可用性和接受度。近年來(lái)，可解釋的人工智能（explainable artificial intelligence）[38]成為人工智能領(lǐng)域的研究熱點(diǎn)，旨在開(kāi)發(fā)能夠開(kāi)發(fā)更多可解釋模型的技術(shù)。這種“解釋”有助于提高透明度，能夠評(píng)估問(wèn)責(zé)制，展現(xiàn)決策的公平性，促進(jìn)對(duì)算法的理解，并提高對(duì)結(jié)果的信任度。在醫(yī)學(xué)領(lǐng)域，更高的解釋性意味著更容易理解和解釋對(duì)未來(lái)的預(yù)測(cè)，同時(shí)為醫(yī)療保健專家提供個(gè)體化決策的空間，最終提高醫(yī)療保健服務(wù)質(zhì)量。

2.4 CDSS及其知識(shí)庫(kù)的維護(hù)

CDSS的維護(hù)是其運(yùn)行周期中一個(gè)非常重要卻容易被忽視的環(huán)節(jié)。CDSS的維護(hù)包括應(yīng)用程序和系統(tǒng)的技術(shù)維護(hù)[39]，也包括CDSS知識(shí)庫(kù)及其規(guī)則的維護(hù)。醫(yī)學(xué)知識(shí)的不斷演進(jìn)對(duì)于智能化CDSS的升級(jí)至關(guān)重要，知識(shí)庫(kù)及其規(guī)則必須跟上醫(yī)療實(shí)踐和臨床指南快速變化的本質(zhì)。不過(guò)，即使是最先進(jìn)的醫(yī)療機(jī)構(gòu)也承認(rèn)，由于知識(shí)會(huì)不可避免地發(fā)生變化，醫(yī)學(xué)領(lǐng)域的新發(fā)現(xiàn)和最新研究成果可能無(wú)法及時(shí)納入CDSS，致使其很難保持最新?tīng)顟B(tài)[27]。此外，知識(shí)的表示方法也可能影響CDSS的效能，需要更好的方法來(lái)整合和表達(dá)復(fù)雜的醫(yī)學(xué)知識(shí)。同時(shí)，CDSS的引入也需要大量的投資，包括系統(tǒng)的開(kāi)發(fā)、對(duì)相關(guān)人員的培訓(xùn)、系統(tǒng)的維護(hù)和更新費(fèi)用等。高達(dá)74%的部署CDSS的醫(yī)療機(jī)構(gòu)表示面臨巨大的財(cái)務(wù)壓力[40]，這可能限制CDSS的廣泛應(yīng)用。因此，需在CDSS的設(shè)計(jì)和實(shí)施階段就考慮費(fèi)用效益比，并尋找可持續(xù)的融資模式，以確保CDSS能夠長(zhǎng)期穩(wěn)定運(yùn)行。

對(duì)CDSS的成本分析存在較大的爭(zhēng)議。一項(xiàng)干預(yù)措施是否具有成本效益取決于一系列因素，包括政治、技術(shù)和環(huán)境方面的具體因素[29]。Jacob等[41]對(duì)用于心血管疾病預(yù)防的CDSS進(jìn)行了成本效益分析，發(fā)現(xiàn)應(yīng)用CDSS可有效降低醫(yī)療成本。但該分析沒(méi)有考慮到人員培訓(xùn)、系統(tǒng)維護(hù)等成本。由于缺乏標(biāo)準(zhǔn)化的衡量標(biāo)準(zhǔn)，這種成本效益分析的價(jià)值是有限的。CDSS是一個(gè)新興研究領(lǐng)域，需要基于很多工作才能促進(jìn)對(duì)CDSS成本效益的理解。

總之，智能化CDSS的應(yīng)用面臨諸多挑戰(zhàn)，包括數(shù)據(jù)質(zhì)量、知識(shí)更新、解釋性、隱私安全性、人機(jī)交互性和經(jīng)濟(jì)可持續(xù)性等。解決這些問(wèn)題需綜合考慮技術(shù)、管理和政策等多個(gè)層面的因素，以確保CDSS的應(yīng)用能在臨床實(shí)踐中產(chǎn)生最大的效益。

3 CDSS的未來(lái)發(fā)展趨勢(shì)

3.1 數(shù)據(jù)與知識(shí)、規(guī)則的融合

醫(yī)療決策層面的數(shù)據(jù)與知識(shí)的融合是最高級(jí)別的融合策略，更是最為抽象的一類融合策略，其將來(lái)自不同源頭和形式的信息集合到一個(gè)框架或系統(tǒng)中，然后匯總至決策者的眼前。這類數(shù)據(jù)與知識(shí)的融合通常面向的是專業(yè)問(wèn)題，是一種對(duì)數(shù)據(jù)分析結(jié)果和知識(shí)推理結(jié)果的綜合決策機(jī)制。同時(shí)，融合策略也應(yīng)具有針對(duì)性和權(quán)威性，任何數(shù)據(jù)支持和知識(shí)賦能的最后仍然需要決策者進(jìn)行綜合判斷。Ejaz等[42]借助重癥監(jiān)護(hù)醫(yī)療信息中心的醫(yī)學(xué)數(shù)據(jù)和疾病癥狀知識(shí)庫(kù)，將基于醫(yī)學(xué)數(shù)據(jù)的診療方法和基于知識(shí)驅(qū)動(dòng)的臨床路徑融合集成為醫(yī)生指令系統(tǒng)，從而確保醫(yī)療決策的一致性。這種數(shù)據(jù)與知識(shí)的融合看似抽象，實(shí)則更為多元和容易實(shí)現(xiàn)，因?yàn)槠洳恍枰紤]融合時(shí)的特征如何表征、表征的可解釋性，以及融合時(shí)如何將數(shù)據(jù)與知識(shí)用模型表達(dá)及模型的可行性。但是，數(shù)據(jù)與知識(shí)融合的信息分析方法仍應(yīng)要能簡(jiǎn)化融合決策的過(guò)程，根據(jù)各個(gè)專業(yè)領(lǐng)域形成較為成熟的決策機(jī)制，同時(shí)可對(duì)基于數(shù)據(jù)的決策結(jié)果和基于知識(shí)的決策結(jié)果進(jìn)行自動(dòng)處理和融合，自動(dòng)給出合理的決策方案[43]。

3.2 基于健康大數(shù)據(jù)的精準(zhǔn)醫(yī)療

通過(guò)對(duì)健康大數(shù)據(jù)的集成處理與分析，可促進(jìn)精準(zhǔn)醫(yī)療在疾病預(yù)防與診療中的應(yīng)用，進(jìn)而優(yōu)化醫(yī)療資源配置，減少無(wú)效醫(yī)療和過(guò)度醫(yī)療，提高醫(yī)療服務(wù)的效率與質(zhì)量。健康大數(shù)據(jù)已經(jīng)成為深入開(kāi)展精準(zhǔn)醫(yī)療的關(guān)鍵。隨著人工智能、云計(jì)算等技術(shù)的不斷發(fā)展，對(duì)基于多源健康醫(yī)療信息的大數(shù)據(jù)集成分析變得更加高效穩(wěn)健，使醫(yī)生能夠精準(zhǔn)地針對(duì)每個(gè)具體患者制定個(gè)體化的診療方案[44]。Khan等[45]設(shè)計(jì)了一種生命護(hù)理決策支持系統(tǒng)，可輔助醫(yī)生對(duì)糖尿病等慢性病患者的生活方式進(jìn)行干預(yù)。該系統(tǒng)除利用臨床信息外，還利用患者的社交、活動(dòng)、情緒和日常生活等個(gè)體信息對(duì)患者進(jìn)行健康分析，以向患者提供更好的健康建議。該系統(tǒng)能夠綜合患者的基因組學(xué)、病理生理學(xué)、分子影像學(xué)、生活方式等多方面信息，篩選對(duì)疾病進(jìn)行干預(yù)和治療的最佳靶標(biāo)與方法，為醫(yī)生提供更全面的個(gè)體化治療決策支持，從而改善治療效果和患者體驗(yàn)。

3.3 增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)技術(shù)的應(yīng)用

智能化CDSS可能需要更多地運(yùn)用增強(qiáng)現(xiàn)實(shí)和虛擬現(xiàn)實(shí)技術(shù)[46]。虛擬現(xiàn)實(shí)是以計(jì)算機(jī)技術(shù)為主，運(yùn)用并綜合三維圖像技術(shù)、仿真技術(shù)、伺服技術(shù)等多種高科技最新發(fā)展成果，借助計(jì)算機(jī)等設(shè)備產(chǎn)生的一個(gè)逼真的三維視覺(jué)、觸覺(jué)、嗅覺(jué)等多種感官體驗(yàn)的虛擬世界，可使處于虛擬世界中的人產(chǎn)生一種身臨其境的感覺(jué)；增強(qiáng)現(xiàn)實(shí)技術(shù)是一種將虛擬信息與真實(shí)世界巧妙融合的技術(shù)，其廣泛運(yùn)用了三維建模、智能交互、傳感等多種技術(shù)手段，將計(jì)算機(jī)生成的文字、圖像、三維模型、視頻等虛擬信息模擬仿真后應(yīng)用至真實(shí)世界，兩類信息互為補(bǔ)充，從而實(shí)現(xiàn)對(duì)真實(shí)世界的“增強(qiáng)”。Orciuoli等[47]基于增強(qiáng)現(xiàn)實(shí)和深度學(xué)習(xí)技術(shù)設(shè)計(jì)了一種移動(dòng)CDSS，他們運(yùn)用增強(qiáng)現(xiàn)實(shí)技術(shù)構(gòu)建了一個(gè)支持操作員認(rèn)知的決策環(huán)境，使得護(hù)理人員可使用一種工具來(lái)執(zhí)行所有任務(wù)，以便更專注于實(shí)際問(wèn)題。新加坡國(guó)立大學(xué)醫(yī)學(xué)組織集團(tuán)正分別與微軟和德國(guó)軟件開(kāi)放商ApoQlar公司開(kāi)展合作，就虛擬現(xiàn)實(shí)與增強(qiáng)現(xiàn)實(shí)融合產(chǎn)生的尖端技術(shù)——混合實(shí)境技術(shù)在醫(yī)療領(lǐng)域中的應(yīng)用進(jìn)行研究與開(kāi)發(fā)，這將為醫(yī)生提供更直觀的沉浸式體驗(yàn)，使之能夠更好地理解和應(yīng)對(duì)復(fù)雜的醫(yī)學(xué)信息。虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)的引入可改善醫(yī)學(xué)教育、手術(shù)規(guī)劃和遠(yuǎn)程醫(yī)療等方面的決策支持體驗(yàn)。

3.4 基于大型語(yǔ)言模型的CDSS

CDSS是利用循證知識(shí)和患者信息提供決策支持的，故大型語(yǔ)言模型將成為一種潛力巨大的決策支持工具。大型語(yǔ)言模型是一種人工智能模型，旨在理解和生成人類語(yǔ)言。大型語(yǔ)言模型經(jīng)過(guò)大量文本數(shù)據(jù)的訓(xùn)練，可執(zhí)行廣泛的任務(wù)，包括文本總結(jié)、翻譯、情感分析等，其特點(diǎn)是規(guī)模龐大，包含數(shù)十億個(gè)參數(shù)，以幫助模型學(xué)習(xí)人類語(yǔ)言數(shù)據(jù)中的復(fù)雜模式。Liao等[48]認(rèn)為，大型語(yǔ)言模型除可作為處理文本輸入的決策支持工具之外，還能作為智能化CDSS的優(yōu)秀設(shè)計(jì)工具。大型語(yǔ)言模型在執(zhí)行文本生成、翻譯和其他任務(wù)時(shí)的性能卓越，其革命性的潛力有望解決當(dāng)前CDSS在應(yīng)用過(guò)程中所面臨的問(wèn)題[49]。但是，截至目前，大型語(yǔ)言模型的落地情況并不理想。Umerenkov等[50]的研究發(fā)現(xiàn)，大型語(yǔ)言模型在實(shí)際應(yīng)用過(guò)程中的錯(cuò)誤率為5%～30%，其能否廣泛應(yīng)用于醫(yī)療領(lǐng)域仍然充滿挑戰(zhàn)，需進(jìn)一步開(kāi)發(fā)與評(píng)估，以確保患者安全，達(dá)到更好的臨床效果。

3.5 倫理和法規(guī)的規(guī)范

隨著CDSS在醫(yī)療領(lǐng)域中的應(yīng)用漸趨廣泛，涉及患者隱私、數(shù)據(jù)安全、責(zé)任分配等倫理和法規(guī)的問(wèn)題愈加突出：當(dāng)發(fā)生醫(yī)療事故時(shí)，CDSS的責(zé)任歸屬如何劃分；智能化CDSS需要訪問(wèn)大量患者數(shù)據(jù)，而這些數(shù)據(jù)的泄露或?yàn)E用可能會(huì)嚴(yán)重侵害患者隱私。此外，CDSS的安全性也是一個(gè)重要問(wèn)題，因?yàn)楹诳涂赡茉噲D入侵系統(tǒng)以獲取敏感信息或干擾系統(tǒng)的正常運(yùn)行。這些問(wèn)題的解決都依賴于監(jiān)管制度的創(chuàng)新。然而，相較于人工智能技術(shù)的突飛猛進(jìn)，有關(guān)CDSS的監(jiān)管制度、質(zhì)量標(biāo)準(zhǔn)等制定工作明顯滯后，一定程度上影響了CDSS的實(shí)際應(yīng)用。因此，今后應(yīng)更加關(guān)注智能化CDSS的倫理和法規(guī)規(guī)范問(wèn)題，在CDSS設(shè)計(jì)階段就充分考慮這些問(wèn)題，以切實(shí)保障患者的權(quán)益不受侵害。

4 結(jié)語(yǔ)

智能化CDSS能為提高臨床診斷的準(zhǔn)確性和效率提供有力支持，應(yīng)用前景廣闊。然而，在充分發(fā)揮CDSS潛力的同時(shí)，我們也需認(rèn)真面對(duì)倫理、隱私保護(hù)、安全性等問(wèn)題，確保CDSS的應(yīng)用安全可靠且倫理合規(guī)。未來(lái)智能化CDSS的開(kāi)發(fā)有賴于多學(xué)科的合作，通過(guò)結(jié)合醫(yī)學(xué)、工程學(xué)、計(jì)算機(jī)科學(xué)等多個(gè)領(lǐng)域的專業(yè)知識(shí)，共同推動(dòng)CDSS倫理合規(guī)朝著更成熟、更可信賴的方向發(fā)展。通過(guò)持續(xù)創(chuàng)新和多學(xué)科合作，智能化CDSS將有望為醫(yī)療領(lǐng)域帶來(lái)更大的變革，提高患者的治療體驗(yàn)和醫(yī)生的醫(yī)療質(zhì)量。

參考文獻(xiàn)

[1] 李翔云. 臨床決策支持系統(tǒng)醫(yī)生采納意愿影響因素研究[D]. 武漢： 華中科技大學(xué)， 2021.

[2] 黃輝. 智能醫(yī)療輔助診斷系統(tǒng)的采納影響因素與決策模型研究[D]. 合肥： 合肥工業(yè)大學(xué)， 2020.

[3] Garcia-Vidal C， Sanjuan G， Puerta-Alcalde P， et al. Artificial intelligence to support clinical decision-making processes [J]. EBioMedicine， 2019， 46： 27-29.

[4] 白宇， 陳理， 易嵐， 等. 中醫(yī)臨床決策支持系統(tǒng)研發(fā)的現(xiàn)狀與思考[J]. 江蘇中醫(yī)藥， 2022， 54（12）： 66-69.

[5] Graber ML. Reaching 95%： decision support tools are the surest way to improve diagnosis now [J]. BMJ Qual Saf， 2022， 31（6）： 415-418.

[6] 王曉云， 李林峰， 郭佺， 等. 肝膽腫瘤疾病智能化診療模式的發(fā)展及啟示[J]. 臨床肝膽病雜志， 2019， 35（10）： 2360-2364.

[7] Roteg？rd AK， Christensen B. Clinical decision support： the technology and art of providing support where the clinicians need it [M]//Ursula H. Nursing informatics： a health informatics， interprofessional and global perspective. Cham： Springer International Publishing， 2022： 303-319.

[8] Yao W， Kumar A. CONFlexFlow： integrating flexible clinical pathways into clinical decision support systems using context and rules [J]. Decis Support Syst， 2013， 55（2）： 499-515.

[9] Velickovski F， Ceccaroni L， Roca J， et al. Clinical Decision Support Systems （CDSS） for preventive management of COPD patients [J]. J Transl Med， 2014， 12（Suppl 2）： S9.

[10] Michel JJ， Flores EJ， Dutcher L， et al. Translating an evidence-based clinical pathway into shareable CDS： developing a systematic process using publicly available tools[J]. J Am Med Inform Assoc， 2021， 28（1）： 52-61.

[11] Wang L， Li G， Ezeana CF， et al. An AI-driven clinical care pathway to reduce 30-day readmission for chronic obstructive pulmonary disease （COPD） patients [J]. Sci Rep， 2022， 12（1）： 20633.

[12] Kim EY， Kim YJ， Choi WJ， et al. Concordance rate of radiologists and a commercialized deep-learning solution for chest X-ray： real-world experience with a multicenter health screening cohort [J]. PLoS One， 2022， 17（2）： e0264383.

[13] Zarinabad N， Meeus EM， Manias K， et al. Automated modular magnetic resonance imaging clinical decision support system（MIROR）： an application in pediatric cancer diagnosis [J]. JMIR Med Inform， 2018， 6（2）： e30.

[14] Markus T， Saban M， Sosna J， et al. Does clinical decision support system promote expert consensus for appropriate imaging referrals？ Chest-abdominal-pelvis CT as a case study[J]. Insights Imaging， 2023， 14（1）： 45.

[15] Gil Y， Greaves M， Hendler J， et al. Artificial intelligence. Amplify scientific discovery with artificial intelligence [J]. Science， 2014， 346（6206）： 171-172.

[16] Shaikh F， Dehmeshki J， Bisdas S， et al. Artificial intelligencebased clinical decision support systems using advanced medical imaging and radiomics [J]. Curr Probl Diagn Radiol， 2021， 50（2）： 262-267.

[17] 楚澤斌， 安月盤(pán)， 李筱賀， 等. 人工智能識(shí)別子宮內(nèi)膜癌磁共振影像的研究現(xiàn)狀[J]. 中國(guó)醫(yī)藥導(dǎo)報(bào)， 2023， 20（29）： 39-42.

[18] Cheng JZ， Ni D， Chou YH， et al. Computer-aided diagnosis with deep learning architecture： applications to breast lesions in US images and pulmonary nodules in CT scans [J]. Sci Rep， 2016， 6： 24454.

[19] Rampasek L， Goldenberg A. Learning from everyday images enables expert-like diagnosis of retinal diseases [J]. Cell， 2018， 172（5）： 893-895.

[20] Chen X， Wang Y， Shen M， et al. Deep learning for the determination of myometrial invasion depth and automatic lesion identification in endometrial cancer MR imaging： a preliminary study in a single institution [J]. Eur Radiol， 2020， 30（9）： 4985-4994.

[21] 張睿， 鄭周榮， 陳薇. 罕見(jiàn)病輔助診斷臨床決策支持系統(tǒng)綜述[J]. 中國(guó)數(shù)字醫(yī)學(xué)， 2021， 16（5）： 86-90； 120.

[22] McEvoy D， Gandhi TK， Turchin A， et al. Enhancing problem list documentation in electronic health records using two methods： the example of prior splenectomy [J]. BMJ Qual Saf， 2018， 27（1）： 40-47.

[23] Jia J， Wang R， An Z， et al. RDAD： a machine learning system to support phenotype-based rare disease diagnosis [J]. Front Genet， 2018， 9： 587.

[24] Vardell E， Moore M. Isabel， a clinical decision support system[J]. Med Ref Serv Q， 2011， 30（2）： 158-166.

[25] Saxena K， Lung BR， Becker JR. Improving patient safety by modifying provider ordering behavior using alerts （CDSS） in CPOE system [J]. AMIA Annu Symp Proc， 2011， 2011： 1207-1216.

[26] Cash JJ. Alert fatigue [J]. Am J Health Syst Pharm， 2009， 66（23）： 2098-2101.

[27] Ash JS， Sittig DF， Campbell EM， et al. Some unintended consequences of clinical decision support systems [J]. AMIA Annu Symp Proc， 2007， 2007： 26-30.

[28] Ban T， Samuel N， Takahashi T， et al. Combat security alert fatigue with AI-assisted techniques [C]//Association for Computing Machinery， New York， United States. CSET ’21： Proceedings of the 14th Cyber Security Experimentation and Test Workshop. 2021： 9-16.

[29] O’Reilly D， Tarride JE， Goeree R， et al. The economics of health information technology in medication management： a systematic review of economic evaluations [J]. J Am Med Inform Assoc， 2012， 19（3）： 423-438.

[30] Bryan C， Boren SA. The use and effectiveness of electronic clinical decision support tools in the ambulatory/primary care setting： a systematic review of the literature [J]. Inform Prim Care， 2008， 16（2）： 79-91.

[31] Global Observatory for eHealth， WHO. Global diffusion of eHealth： making universal health coverage achievable： report of the third global survey on eHealth [EB/OL]. （2016-12-15） [2023-12-23]. https：//www.who.int/publications/i/ item/9789241511780.

[32] Ndlovu K， Scott RE， Mars M. Interoperability opportunities and challenges in linking mhealth applications and eRecord systems： Botswana as an exemplar [J]. BMC Med Inform Decis Mak， 2021， 21（1）： 246.

[33] Ayaz M， Pasha MF， Alzahrani MY， et al. The Fast Health Interoperability Resources （FHIR） standard： systematic literature review of implementations， applications， challenges and opportunities [J]. JMIR Med Inform， 2021， 9（7）： e21929.

[34] Sonkamble RG， Phansalkar SP， Potdar VM， et al. Survey of interoperability in electronic health records management and proposed blockchain based framework： MyBlockEHR [J]. IEEE Access， 2021， 9： 158367-158401.

[35] Kouroubali A， Katehakis DG. Policy and strategy for interoperability of digital health in Europe [J]. Stud Health Technol Inform， 2022， 290： 897-901.

[36] Lahav O， Mastronarde N， van der Schaar M. What is interpretable？ Using machine learning to design interpretable decision-support systems [EB/OL]. （2019-06-11） [2023-12-23]. https：//arxiv.org/pdf/1811.10799.pdf.

[37] Felder RM. Coming to terms with the black box problem： how to justify AI systems in health care [J]. Hastings Cent Rep， 2021， 51（4）： 38-45.

[38] Arrieta AB， Díaz-Rodríguez N， Del Ser J， et al. Explainable artificial intelligence （XAI）： concepts， taxonomies， opportunities and challenges toward responsible AI [J]. Inform fusion， 2020， 58： 82-115.

[39] Sutton RT， Pincock D， Baumgart DC， et al. An overview of clinical decision support systems： benefits， risks， and strategies for success [J]. NPJ Digit Med， 2020， 3： 17.

[40] Kabachinski J. A look at clinical decision support systems [J]. Biomed Instrum Technol， 2013， 47（5）： 432-434.

[41] Jacob V， Thota AB， Chattopadhyay SK， et al. Cost and economic benefit of clinical decision support systems for cardiovascular disease prevention： a community guide systematic review [J]. J Am Med Inform Assoc， 2017， 24（3）： 669-676.

[42] Ejaz S， Khan SA， Hussain F. Knowledge and data-driven framework for designing a computerized physician order entry system [J]. IEEE Access， 2022， 10： 40953-40966.

[43] 盧小賓， 霍帆帆， 王壯， 等. 數(shù)智時(shí)代的信息分析方法：數(shù)據(jù)驅(qū)動(dòng)、知識(shí)驅(qū)動(dòng)及融合驅(qū)動(dòng)[J]. 中國(guó)圖書(shū)館學(xué)報(bào)， 2024， 50（1）： 29-44.

[44] 高景宏， 李明原， 王琳， 等. 健康醫(yī)療大數(shù)據(jù)在精準(zhǔn)醫(yī)療領(lǐng)域的應(yīng)用與挑戰(zhàn)[J]. 醫(yī)學(xué)信息學(xué)雜志， 2022， 43（5）： 15-20.

[45] Khan WA， Idris M， Ali T， et al. Correlating health and wellness analytics for personalized decision making [C]// IEEE. 2015 17th International Conference on E-health Networking， Application Services （HealthCom）. 2015： 256-261.

[46] Hussain M， Khattak AM， Khan WA， et al. Cloud-based smart CDSS for chronic diseases [J]. Health Technol， 2013， 3（2）： 153-175.

[47] Orciuoli F， Orciuoli FJ， Peduto A. A mobile clinical DSS based on augmented reality and deep learning for the home cares of patients afflicted by bedsores [J]. Procedia Comput Sci， 2020， 175： 181-188.

[48] Liao Z， Wang J， Shi Z， et al. Revolutionary potential of ChatGPT in constructing intelligent clinical decision support systems [J]. Ann Biomed Eng， 2024， 52（2）： 125-129.

[49] Korngiebel DM， Mooney SD. Considering the possibilities and pitfalls of Generative Pre-trained Transformer 3 （GPT-3） in healthcare delivery [J]. NPJ Digit Med， 2021， 4（1）： 93.

[50] Umerenkov D， Zubkova G， Nesterov A. Deciphering diagnoses： how large language models explanations influence clinical decision making [EB/OL]. （2023-10-03） [2023-12-23]. https：//arxiv.org/pdf/2310.01708v1.pdf.