临床决策支持研究：像医生一样去思考

来源：HIT专家网    作者： 飞利浦中国研究院研究员  朱琴     实习记者  张云芳

2014年12月27日，由HIT专家网主办的南湖HIT论坛医疗数据利用与安全等级保护研讨会在浙江嘉兴隆重举行。会上，来自各地、各个领域的专家对医疗数据利用与安全等级保护进行了深度的交流。其中，飞利浦中国研究院朱琴研究员与大家一起探讨了临床决策支持（CDS）有关设计思想。在HIT专家网根据现场演讲音视频资料整理成文的基础上，朱琴研究员对全文进行了大量精确性的修订、补充和注释标引。现在此刊登，以飨读者。

飞利浦中国研究院研究员朱琴在南湖HIT论坛上演讲

临床决策支持（CDS）近年来是一个比较热门的话题，但CDS技术和应用仍然处于一个不断发展的状态，有很多问题亟待解决。

古语有云：“子非鱼，焉知鱼之乐也？” 作为CDS的研究人员，我们也许要自问，你不是医生，你怎么知道你设计的东西是不是医生想要的呢？

一个好的临床决策支持，应当满足四个条件：即在正确的时间、以正确的方式、将正确的信息传递给正确的对象。

这就要求我们深入了解临床业务，不仅要跟医生交流，获得他们的反馈，还要走进医生的世界，深入体验医生的感受，紧密结合临床的流程。总之，需要从医生的角度，去思考他们所需要的信息。

一个好的临床决策支持，从技术实现上看，不仅需要有准确的、完整的、结构化的、、语义互操作的数据输入，规则的可即插即用、可维护、可重用，还需要在正确的时间传递给正确的对象，并且与可视化技术相结合。

临床决策支持按目的分类

临床决策支持有多种分类。从临床决策支持的目的看，可以将其分为五类[1]。

第一类，链接相关信息以回答问题。例如Infobutton, 药物列表/实验室检查结果列表。 例如针对数字化的checklist的应用，医生在外科手术前有时候需要对患者的用药列表进行核查，以确保手术的安全。那么在术前的Checklist [2] 中，就会有一条条目是，请核查该患者的某些术前药物使用。这时候，如果在这条项目上添加一条引用，点击可以直接看到患者的术前药物列表，医生就不需要回CPOE系统或EMR系统查看了。

第二类，决策类（Make Decision）。举一个诊断决策的例子。例如“掌上浙一”软件，先输入病人的症状，然后根据症状链接一些其他的症状、问题，最后得到一个可能性的诊断列表。这是一个典型的诊断类决策支持，该CDS的用户不是医生，而是为病人导医使用的临床决策支持系统。。还有一个在美国非常流行的筛查检查预约类，根据医疗政策或者临床指南自动或半自动的为筛查的检查预约[3]。

第三类、工作流优化。工作流优化主要是为了提高临床流程的效率。一个急诊Dashboard的例子，在急诊的情况下，可以把所有病人相关的信息用可视化的方法显示在一个频幕上，让所有参加急诊的医生和护士能一眼看到所需要的信息，实时获得病人的状态，从而加速医护人员之间的信息沟通，提高工作效率[4]。

第四类，监控类。比较出名的是药物药物之间的相互作用以及药物手术之间的相互作用，例如，外科手术前要查看是否停止使用抗凝或抗血小板药物，否则可能会发生手术风险。其次是医疗质量监测反馈类，它可以让医生知道他为病人执行完诊疗过程后哪些行为是符合循证医学的，哪些行为是不符合循证医学的。

第五类，鼓励最佳临床实践。比较出名的是标准化或智能化医嘱集。如急诊胸痛患者被诊断为ST段抬高型心肌梗死，使用标准化或智能化的ST段抬高型心肌梗死医嘱集可以提高抢救效率，也可以避免在急诊情况下医生因遗忘带来的医嘱缺失。而半自动化的出院小结或其他临床文档报告，可以从一些结构化的元素自动生成临床文档的一部分，可以减少医生的输入负担，同时保持临床文档的风格格式的一致性。

一个简单的临床决策支持例子

在医院的电脑上经常可以看到风险评分计算器。双击打开，选择一个风险评估模型，显示的界面如图。在它的一些参数上输入参数的值，风险评估的结果就可以显示出来。

那么，如果我们也想做一个临床决策支持评分的CDS呢？我们这里选择的例子是医生电脑上比较常用的CHA2DS2-VASc评分，这是针对非瓣膜型房颤病人未经治疗的卒中风险评估。一个不能集成而需手动输入参数值的风险评分计算器当然不能满足大家的需求。有这么一个设想：我们可以从电子病历或CDR（临床数据中心）中获取数据，这样就可以避免病人数据的手动输入了。但怎样才能做到这点呢？成功获取数据包含了几个阶段，第一，系统中是否真的含有所有需要的信息、是否准确、是否完整？完整是具备全自动计算的前提，不完整可能还需要手工输入或半自动化。这个问题之后，另一个问题来了：即使它是完整的，获取之后我们也不一定可以直接应用。这包含了两个方面，一个是结构化问题，在日常的调研中发现，很多临床数据都是非结构化的。在采访中，很多医生认为临床文档中某些内容的非结构化是符合临床实践的，非结构化临床数据会长期存在，但这些非结构化数据很难直接被系统所使用。医学自然语言处理技术可以将非结构化数据转化为结构化数据，有助于帮助我们在一定程度上解决这个问题。另一个问题是即使是结构化的数据，系统是否就能够直接使用呢？集成的问题大家都非常熟悉，在此不多做解释，达到语义上的互操作有助于CDS的直接使用。接下来继续看这个例子，临床支持决策使用集成后，计算出来的结果可能是：病人CHA2DS2-VASc评分为5分，就会提示医生，病人的年卒中发生率为15.26%。这样结束了吗？没有，如果我们继续问医生为什么使用该评分、什么时候使用该评分，会知道医生使用该评分是为了选择预防血栓的药物，那么该评分的结果还可用于另外一类CDS – 智能医嘱集。 当然，在实际的使用过程中，还需要注意的是该规则的rule in和rule out条件。例如前面的非集成版本风险评估计算器规则有一个Rule in条件，医生双击点开它，就自动知道它是只针对非瓣模型房颤病人做的评分，但如果是全自动，系统不一定知道，所以就必须考虑瓣膜型的房颤病人不适用这条风险评分。

医生是一群相当非常聪明的人，很多时候他们并不希望别人直接告诉他答案和结果，除非原因显而易见。他们希望得到推荐的原因或者可以引导他们一步一步去探索结果的工具，所以规则可视化也是可以考虑的一个方向。CDS的结果还可以与可视化技术相结合，用于患者教育。如在临床实践中病人会问医生可不可以不用华法林，因为它的出血风险太严重，或者是否可以使用阿司匹林来代替。这时候，把使用华法林的脑卒中风险和出血风险和后果通过一个针对患者个性化教育的可视化的小工具显示出来，有助于提高患者教育的效果和效率。

临床决策支持技术的关键组件

CDS的关键组件主要包含五个方面：决策引擎、信息输入、信息输出、知识库以及它的应用环境 [5]。

这里需要说明的是，上面的CDS关键组件是一个概念级别的框架。在日常的实践中，很多CDS技术并没有把这些关键组件严格分开，这并不影响CDS的应用。但是，如果我们的目标是实现临床决策的可扩展、可维护、可重用、规则可即插即用，那么把关键组件严格的分开，并且遵循标准化方式实现各组件，就可以达到我们的目标。这里举一个简单的例子说明这些关键组件之间是如何交互的。通过实验室检查获得病人的血肌酐值，结合年龄体重性别信息计算出肌酐清除率的值，用肌酐清除率判断肾功能状态（肾功能不全、肾功能完好或者肾功能衰竭）。如果是肾功能不全的病人，在支架手术之前之后要水化，因为造影剂会损害肾功能而水化可加快造影剂的排出，从而减少不利影响。

下面是实现临床决策支持不同组件之间交互的一些步骤。

1、触发流程。触发流程一定是从应用系统开始的，它来自于一个应用系统的环境。在上述的例子中，触发的事件可能是关于血肌酐的实验室检查结果到了。

2、数据的输入。临床决策支持的数据获取需要通过接口，数据输入有若干种形式，可以从EMR、CDR中的标准接口获取数据，也可以从触发的事件中直接获取数据。在上述的例子中，CDS获得的数据不仅仅是实验室检查结果，还需要包含病人的其他信息如Demography。

3、决策引擎去知识库查询和执行。其目的是从Input得到Output。在基于规则的CDS系统中，执行引擎会根据预先设定的临床场景，读出预先设置的规则，解析并执行规则。在上述的例子中，决策引擎根据数据输入根据预设计的使用场景计算肌酐清除率的值，然后根据肌酐清除率的值判断肾功能，最后根据肾功能来判断推荐用药。

4、结果表达。这里的结果可能在不同的应用场景会有不同的结果表达方式，例如在有些使用场景下，医生可能只需要肌酐清除率的值；而有时候会需要一个肾功能的判断结果以及它对应的判断依据，或者是一个用药的推荐。

要实现CDS的可维护、可扩展、可重用和规则的可即插即用，在技术上需要注意两个问题。第一个是临床决策支持的数据模型。可以想象一下，如果一条规则需要输入的是肌酐、年龄、体重、性别，我们为它的interface也只包含这几个参数，那么我们需要为每个规则或者每个小的使用场景专门设计接口，这样的设计规则不可即插即用。所以我们需要考虑信息模型的问题，要使用针对某一个领域比较通用的信息模型。第二个是使用规则引擎执行规则（以基于规则的CDS为例）。为什么需要使用规则引擎呢？因为在临床领域，知识更新的速度比我们想象的要迅速。硬编码不利于CDS的维护和扩展。如果我们用遵循一定语法的规则来编写知识并把它存储在知识库里，配合完好的设计信息模型，再由执行引擎去解释、运行它，这样就可实现规则的可即插即用。对规则的更新则可以设计一个easy to use的规则编辑器，临床医生就可以通过自己的力量来编辑。

参考文献：

[1]. Robert A. Greenes. Clinical Decision Support – The Road Ahead. Chapter 3, page 87.

[2]. World Alliance for Patient Safety. WHO surgical safety checklist and implementation manual. http://www.who.int/patientsafety/safesurgery/ss_checklist/en/. Last Access: 2015/01/08.

[3]. Smith, R.A., Cokkinides, V. and Eyre, H.J. American Cancer Society guidelines for the early detection of cancer. CA Cancer J Clin. 2004. 54(1):41-52.

[4]. Hannah J. Wong, Michael Caesar, Salim Bandalib al. Electronic inpatient whiteboards: Improving multidisciplinary communication and coordination of care. international journal of medical informatics, 2009,239-247.

[5]. Robert A. Greenes. Clinical Decision Support – The Road Ahead. Chapter 3, page 11.