研究表明：30年来CDSS沦为数据处理的“炫技场”

来源：HIT专家网     编译：朱一帆 博士

医学界和人工智能界普遍认为，临床决策支持系统（Clinical Decision Support System, CDSS）能够帮助减少医疗差错、提升医师的诊疗指南依从性，最终保障患者安全、改善临床结局。因此，多年来CDSS是医疗人工智能的一个重要应用方向。

CDSS自20世纪70年代诞生以来，历经长足发展。过去30年间，CDSS完成迭代升级：从早期基于规则、仅提供简单指南提醒的系统，发展到机器学习、深度学习驱动的预测模型；近期又涌现出依托大语言模型、可解析非结构化临床文本并完成复杂临床推理的智能决策工具。 现阶段，市场上主流CDSS应用覆盖医学影像分析、药物治疗推荐、慢性病管理平台等场景，在现代医疗体系中的作用持续拓展。

但是，CDSS的实际使用效果到底怎么样？是否达到了预期效果？针对此疑问，有大量研究评估了CDSS落地临床后的实际效果。部分研究证实CDSS可优化临床工作，但目前还缺乏确凿的证据证实CDSS对临床诊疗有切实的帮助。CDSS在临床应用中出现的问题包括：决策的算法黑箱、医师接受度与使用率低、打乱原有诊疗流程、警报疲劳等。针对CDSS在临床应用的困境，亟须优化方案提升其临床应用价值。但是，从哪入手呢？

2026年7月7日，JCR Q1杂志International Journal of Medical Informatics发表了一篇总结CDSS 30年发展的论文，题目是： What can we learn from 30 years development of clinical decision support system?

该研究认为，技术发展的历程塑造了技术的现状。回顾CDSS的发展历程，就有可能找出CDSS目前问题的症结所在，为改进CDSS提供线索。公开数据库中有大量关于CDSS研究热点及其随年份变化的文献，对这些文献进行深入梳理和研究，就有可能找出CDSS发展的脉络。基于此认知，该研究采用基于CDSS相关热点主题的长周期文献计量分析，系统解析CDSS研究热点的时序演化，以期找出CDSS内在发展规律，为下一代CDSS研发提供依据。

该研究将CDSS相关研究内容划定为Application purpose、Technical feature和Medical resource 3大类（表1所示Table 1）。CDSS作为一级主题，每一大类包括数个次级主题。这些设定的研究热点相关主题虽不能描述CDSS的全貌，但这些次级主题是在CDSS相关文献中被广泛探讨的主题，可以为了解CDSS勾勒出该领域的整体研究概况。

确定研究主题后，由于CDSS涉及医学和人工智能技术，该研究从偏重医学的PubMed和偏重工程技术的IEEE两大论文数据库收集数据。数据收集的范围是从1995年1月1日至2024年12月31日。最终，24个主题共匹配4315种期刊、34100篇文献。其中3634种期刊拥有对应年份JCR分区记录：一区9721篇、二区5074篇、三区2667篇、四区1328篇，剩余15310篇文献对应期刊当年未被JCR收录。

CDSS年度总发文量持续增长，直接使用次级主题年度发文量，无法客观反映研究热度的变化。因此，该研究采用次级主题年度发文占当年一级主题CDSS总发文的百分比作为标准化指标，追踪各主题研究热度时序变化。

经过一系列数据统计与可视化处理后，研究结果显示如下。

1.30年来CDSS主题整体发文趋势

1995—2024年，PubMed、IEEE数据库中CDSS相关文献总量持续上升（图1A）。从JCR分区分层来看，四区文献2020年后小幅回落，但一区、二区、三区、无分区文献整体均呈上升趋势（图1B）。结果表明，30年来CDSS整体研究热度持续升高。

2.CDSS分主题研究热度演化

2.1 Application purpose类主题热度变迁

图2A展示PubMed、IEEE中CDSS各应用方向的热度变化。在PubMed数据库中，诊断准确度、影像、患者结局、预测类主题整体热度持续上行；在IEEE数据库中，除影像主题自2014年起热度下滑外，其余应用主题趋势与PubMed一致。

图2B为预警提示、病历记录、药物管理、护理四大临床落地主题。在PubMed数据库中，所有主题热度先升后降，拐点集中在2007—2014年，波浪式曲线直接体现研究重心转移；在IEEE数据库中，四类主题热度持续缓慢下行，说明计算机工程领域对CDSS临床落地应用的关注度呈长期衰减态势。

2.2 Technical feature类主题热度变迁

如图2C所示，关于数据驱动、深度学习、机器学习、神经网络四大技术主题，两大数据库均呈现“前期平稳、后期热度暴涨”特征，拐点同样落在2007—2014年。

图2D显示，在“基于知识的系统”主题方面，两大数据库热度持续下行；在“可解释性”主题方面，前期小幅下降或保持平稳，2011—2014年热度反转上行，PubMed增幅更显著；在EMR/HIS、NLP、大语言模型等主题方面，PubMed的热度整体平稳，IEEE中EMR/HIS呈波浪起伏（先升后降），NLP、大语言模型持续稳步上升。

综合图2A-D可得出关键结论：2007—2014年是CDSS研究重心的关键转折期，多维度证据支撑：

（1）IEEE数据库“预测”主题发文量骤然激增（图2A）；

（2）PubMed所有临床应用类主题趋势曲线全部出现下行拐点（图2B）；

（3）两大数据库全部数据处理技术主题曲线同步出现趋势反转，拐点统一落在2007—2014年（图2C）；

（4）两大数据库可解释性主题热度同步发生转向（图2D）。两套数据库数据呈现完全一致的演化规律，这说明2007—2014年行业发生了系统性技术变革，彻底改变了CDSS领域的研究重心排序。

2.3 Medical resource类主题热度变迁

图2E显示，在“临床数据”主题方面，2004年后两大数据库热度同步上行；“临床指南”“医学知识”主题的热度整体持续下行；在“伦理”方面，PubMed数据库的热度在2007—2010年后上升，IEEE数据库则长期平稳。这些差异说明：PubMed收录文献更侧重临床实际需求，IEEE工程类文献对临床伦理关注度偏低。

图2F显示，“临床RTD理论”主题在两大数据库的热度同步持续下滑；“临床表现”主题作为临床数据的细分方向，热度稳步上升；“知识图谱”主题研究热度持续走高。

图2A-F呈现了一个共同特点，即在2007—2014年间，数据趋势发生了明显变化。那么，在2007—2014年间到底发生了什么？

2.4 2007—2014年数据处理技术里程碑事件

梳理人工智能发展史，该阶段（2007—2014年）四项标志性事件共同推动技术变革，进而重塑CDSS研究方向。

首先是算力硬件突破。2007—2009年英伟达CUDA平台发布，GPU并行计算落地，AI硬件加速实现革命性突破。

2012年ImageNet大规模视觉识别挑战赛（ILSVRC）带来两大突破：

一是大规模数据集。2006年上线的ImageNet数据集将标注样本规模从数千扩充至百万级，支撑统计学稳健模型训练。

二是深度学习出现。基于深度卷积神经网络的AlexNet夺冠，证明了深度学习在图像识别领域的绝对优势，GPU成为大模型训练标配硬件，带动深度学习硬件全产业链发展。

2013年，《大数据：改变我们生活、工作与思维的革命》出版，正式确立大数据概念，为后续大语言模型发展奠定数据视角与方法论基础。

算力、数据规模、算法理论、大数据思想四大变革同期交汇，不仅重塑人工智能发展路径，也彻底改变了CDSS的发展方向。来自多主题相关性分析的结果更加证实了这一结论。

3. 多主题相关性分析

图2的结果显示出2007—2014年数据处理技术研究热度爆发，同步带动“预测”（图2A）、“可解释性”（图2D）、“临床数据”（图2E）、“临床表现”（图2F）主题的热度同步上升。当用散点图分析数据处理技术与上述各主题的相关性，可以看出，在PubMed数据库中，2007年前，四类主题与数据处理技术相关性极低；2007年后呈现显著正相关（图3A），且前后相关系数差异具备统计学显著性（图3B）。来自IEEE的数据也显示出同样的趋势（图3C、图3D）。

与之相反，预警提示、病历记录、药物管理、护理等临床落地应用主题，与数据处理技术的相关性呈反向变化（图4）。在 PubMed数据库中，2007年前应用主题与数据技术相关性微弱，2007年后转为显著负相关（图4A、图4B）。IEEE数据库的趋势完全相同（图4C、图4D）。由此可以得出结论：数据处理技术快速发展，推动CDSS全面走向数据驱动路线，但临床落地应用相关研究持续萎缩，二者研究重心彻底分化。

4. 数据表现出的研究热点分化

4.1 数据处理技术与临床RTD（临床推理/思维/决策）理论热度反向分化

数据处理技术热度持续走高（图2C），但两大数据库中临床RTD理论热度同步下滑（图2F）。本研究计算二者时序相关性（图5A、图5B）：在PubMed数据库中，2007年前二者相关无统计学意义；2007年后稳定显著负相关（r=-0.67~-0.82），前后相关系数差异极显著（p<0.001）。在IEEE数据库中，2007年前深度学习、机器学习与临床RTD理论无显著相关；2007年后显著负相关（深度学习r=-0.51，p=0.032；机器学习r=-0.58，p=0.012）。

该结果暴露的核心矛盾是，临床推理理论是解读、分析临床数据的底层框架。如果对临床数据的关注度上升，但同时对解读临床数据的理论的关注度下降，那么用什么理论和方法来分析、解读与整合临床数据呢？如此，数据分析将完全脱离医学原理，仅依靠原始数据运算，最终输出的结果无法被医师理解和信任。

4.2 知识图谱与核心医学知识资源热度分化

医学知识、临床指南是构建知识图谱的两大核心素材，但在“知识图谱”热度持续上升的同时，“医学知识”“临床指南”热度持续走低。相关性分析结果（图5C、图5D）显示，在PubMed数据库中，2007年后知识图谱与临床指南显著负相关（r=-0.56，p=0.015）；与医学知识、基于知识系统呈无统计学意义的负相关。在IEEE数据库中，2007年后知识图谱与临床指南（r=-0.55，p=0.019）、基于知识系统（r=-0.53，p=0.025）、医学知识（r=-0.60，p=0.009）均显著负相关。

该结果暴露的核心问题是，如果对知识图谱的关注度上升，但同时对临床指南、医学知识这两个主要知识来源的关注度下降，那么充斥知识图谱的是什么？合理的解释只能是知识图谱将填充脱离医学原理、脱离医学底层逻辑的知识，这样的知识图谱无法解决真实临床诊疗问题，落地价值将大幅削弱。

4.3 可解释性与临床RTD理论热度反向分化

可解释性研究热度逐年提升，但临床RTD理论研究持续衰减，二者时序走势完全背离，分化拐点恰好落在2007—2014年数据技术爆发阶段（图6A、图6C）。 相关性量化结果显示，在PubMed数据库中，二者相关系数由2007年前0.36（p=0.249）转为2007年后的-0.77（p=0.0002），前后差异显著（p差异=0.001，图6B）。在IEEE数据库中，2007年后二者呈负相关（r=-0.35，p=0.157，图6D）。

CDSS的可解释性是个值得深入探讨的话题。当下CDSS算法普遍存在“黑箱问题”，缺乏医学层面可解释性，导致医师不信任系统输出、落地使用率低迷。完善可解释性能够提升临床信任、提高系统使用率、保障患者安全与医疗质量、满足伦理与行业监管要求，同时优化临床决策逻辑。

该研究认为，CDSS可解释性研究必须厘清四大核心问题（4W）：

Who requires explanations of CDSS? 谁需要CDSS给出解释？

What principles should be followed to provide effective explanations? 想要提出具备实际效用的解释，应当遵循哪些准则？

Which types of content necessitate explanations? 哪些内容必须配套解释说明？

What logical framework is essential for constructing explanations? 构建解释体系需要依托何种核心逻辑框架？

厘清这四大核心问题，既能完善可解释性领域的理论构建，也能推动相关研究发展，但现有学术讨论中明显缺失对这四大问题的探讨。

该研究认为：（1）黑箱算法导致医师不信任，阻碍了CDSS的应用推广，因此临床医师是解释内容的核心受众；（2）解释必须以医学原理为底层逻辑；若仅使用概率理论推导，医师仍然无法理解，更不会采纳系统建议；（3）解释必须完整还原“患者原始数据—临床诊疗建议”的完整逻辑链路，把不透明算法转化为清晰的临床信息分析框架；（4）CDSS的本质是辅助临床决策，而临床决策的核心是临床推理（临床思维/临床决策理论），甚至有学者提出将CDSS更名为“临床推理支持系统（Clinical Reasoning Support System, CRSS）”。因此，可解释性研究必须以临床推理理论为指导。

根据这一认知，对CDSS可解释性的关注度上升，应同时伴有对临床RTD理论关注度的上升。但图6A—图6D的结果显示，目前对可解释性关注度上升，但同时对临床RTD理论的关注度下降。这一相互背离的趋势在2007年之后更为显著。

用概率论理论构建数据训练集，然后输出疾病预测的概率，如同依靠无线电理论制造收音机（概率论收音机）、播报健康建议。听众（临床医师）真正需要的是对这个健康建议的解释，比如说这个健康建议是怎么来的、有什么理论依据。而目前开展的CDSS可解释性的研究偏向于解释这个收音机是怎么发出这个声音的，即这个数据训练集为什么能给出这么个预测比例数值。这完全是两个方向的、不同维度的可解释性研究。临床诊疗要求CDSS以医学逻辑解释，只有这样才能获得医师认可。单纯从概率论层面对算法进行解释，无法解决CDSS可解释性的核心困境。

5. 数据技术整体热度与医学相关整体热度全面分化

为了解数据处理技术与医学需求的整体关系，研究者将主题预测、数据驱动、深度学习、机器学习、神经网络、临床数据、临床表现整合为Data technical concerning；将预警、病历、药物、护理、临床指南、医学知识、临床RTD理论整合为Medical concerning。分析显示，2007年前，两大指标走势趋同；2007年后，数据技术热度近乎线性增长，医学相关热度断崖式下跌（图6E、图6G）。2007年前后相关系数发生极显著变化（PubMed数据库p差异<0.0001；IEEE数据库p差异=0.0002）；2007年后二者呈极强负相关（p<0.0001，图6F、图6H）。

这说明，当前CDSS研究高度倾向数据处理技术，持续忽视医学知识、临床推理、临床落地应用等核心医学维度，技术与临床需求严重脱节。

结论

尽管三十年来，CDSS已成为医疗人工智能标杆应用，但是文献分析证实，当下CDSS研究高度偏向数据驱动技术架构，已成为数据处理的“炫技场”，与依托医学知识、临床推理的临床实际需求严重背离。二者脱节直接降低医师信任度，限制了CDSS的临床使用率。

对该论文感兴趣的同道可在8月29日之前在下列地址下载原文：

https://authors.elsevier.com/c/1nPwZ_VXePY1sB

【责任编辑：蒙辉】