CDSS（Clinical Decision Support System），即临床决策支持系统，一般指凡能对临床决策提供支持的计算机系统，这个系统充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式改善和提高决策效率。

有关CDSS的研究最早源于上世纪50年代末，由医学专家通过推理引擎，将专业知识和临床经验整理后存储于知识库中，利用逻辑推理和模式匹配的方式，帮助用户进行诊断推断，是一种专家系统。20世纪70年代中期，世界上第一个CDSS系统（MYCIN）由美国斯坦福大学研究诞生，此系统可以根据输入的检验信息，自动识别51种病菌，正确使用23种抗菌素，可协助医生诊断和治疗细菌感染性疾病，为患者提供最佳处方。自此之后，各种功能特色的CDSS系统相继出现，对CDSS的研究重点也开始由模拟专家思维转向如何通过各种计算机技术使系统能够更好地适应患者实际诊疗过程，协助临床医生做出诊断决策。

近几年，随着人工智能技术的发展及其在医疗领域应用的不断深入，基于人工智能的临床决策支持系统出现并逐步落地于各大医院与基层医疗机构，辅助医生进行临床决策，得到业界的广泛关注。本文将从CDSS的系统建设和工作逻辑、推动因素、应用和落地情况、面临的困难这四方面展开，以期对我国CDSS的发展现状进行一个系统梳理和全面呈现，并在此基础上，对我国CDSS未来的发展方向进行预测和展望。

一、知识库＋电子病历＋算法：CDSS的决策支持基础

传统的CDSS是基于临床指南、医学文献等客观数据资料构成的知识库，依据一些逻辑关联进行归纳、演绎、推理、匹配，从而实现诊断、治疗等方面的决策支持。近几年，CDSS的系统逐渐向基于知识库＋算法两者结合的方向发展：在传统知识库的基础上，利用机器学习、大数据挖掘等人工智能技术，从历史经验和不断更新的电子病历数据中自主获取知识，识别和学习某些模式，从而提供决策支持。

CDSS 的系统建设包括三个模块：第一个模块是数据库，包括医学知识库和患者数据两个部分。首先，需要通过获取海量的文献类证据和临床实践类证据构建一个医学知识库，且知识库必须随着医学的最新发展保持敏捷的更新和维护；其次，系统需要将患者所有的临床数据从医院的各个系统中解读出来；最后通过自然语言处理使机器了解这些数据的意义。没有医学知识库和患者数据，辅助诊疗就无从下手，因此数据资源是CDSS系统建设和运作的核心。第二个模块是医学知识图谱。通俗地讲，就是通过机器的深度学习让AI了解医学逻辑，像医生一样理解某种疾病从怀疑到诊断到治疗的全过程，以及在这个过程中如何依据已有数据和知识做出判断决策。第三个模块是预测和展示，也称人机交流接口，在掌握了患者的临床数据和疾病的诊疗逻辑后，把预测结果以合适的形式反馈给医生。

通过以上三方面的建设后，CDSS可驻留云服务器，以web方式嵌入医院EMR，在医生操作EMR时，可以提供医学知识库检索、治疗方案推荐、相似病历推荐、辅助诊断、医嘱质控、临床预警等多种功能，从诊前到诊中到诊后为医生提供连续的支持，提高医生诊疗效率和诊疗水平，减少误诊率。

二、政策＋需求：推动我国CDSS快速发展的两大因素

（一）利好政策不断，CDSS迎来发展新机遇

高误诊率、重复诊疗、医疗资源分配不均是造成人民“看病难、看病贵”的重要原因，也是“健康中国”目标要面对的挑战之一。2015年起，国家陆续发布关于医疗信息化、智能医疗、智慧医院等相关政策，纷纷提出提升医疗信息化水平以及通过人工智能、大数据等各种新兴信息技术手段提升医疗服务能力和质量等的相关要求。此外，国家近几年对基层医疗给予大力支持，陆续发布了分级诊疗、医联体、全科医生培养等相关政策，旨在提高基层医疗机构诊疗水平，协助基层医疗机构深度转型。CDSS作为一种与人工智能和医疗信息化有着紧密联系的产品，且具备辅助基层医生进行诊断决策，提升其诊疗水平的实际功用，在国家政策的驱动下将具有广阔的发展前景和市场机遇。

其中，电子病历作为信息时代病历的新型存在形式，是衡量现代化医院管理和医院信息化水平的重要指标。国家卫健委于2018年1月印发的《进一步改善医疗服务行动计划（2018—2020年）考核指标》及2018年8月印发的《关于进一步推进以电子病历为核心的医疗机构信息化建设工作的通知》要求，在电子病历信息化建设工作中，将临床路径、临床诊疗指南、技术规范和用药指南等权威临床诊疗知识嵌入信息系统，提高临床诊疗规范化水平。2018年12月，在国家卫健委发布的《电子病历系统应用水平分级评价管理办法（试行）及评价标准（试行）》的通知中，电子病历分级评价四级以上的医院均要求具备临床决策支持功能，这些政策表明医疗决策支持已经成为医院电子病历建设和评级的重要环节，为CDSS的发展和落地奠定了坚实基础。

（二）  医疗资源配置不均：三级医院诊疗压力过大、基层医疗机构诊疗水平较低

问题催生需求，需求激发政策的制定。我国医疗资源配置不均衡的问题十分突出，根据2019年国家卫生健康统计年鉴的数据可知，公立医院中，占比18．8％的三级医院承担了60．8％的诊疗人次，平均每个三级医院每年要承担82万的诊疗人次，这就导致三级医院医生负担过重、诊疗压力过大，而CDSS应用于医院，可以辅助医生诊疗决策，及时做出临床预警，从而提升医疗效率，缓解医生诊疗压力。

现阶段我国医疗卫生机构有99．7万个，其中基层医疗卫生机构94．4万个。基层医疗卫生机构占比约95％，但它们仅拥有全国32％的卫生服务人员。在发达国家，基层诊所能处理病人85％－90％的健康问题，国内只有53％的诊疗人次由基层医疗机构承担，相比发达国家，我国基层医疗机构数量多但诊疗能力低。

此外，基层医疗机构医生的文化水平较低。2019年中国卫生健康统计年鉴数据显示，社区卫生服务中心本科及以上学历的医生占比不到一半，乡镇医生中仅有20．9％为本科及以上学历，大专和中专学历占比高达76．3％，村卫生室本科及以上学历的医生仅占3．1％，大专和中专学历的医生占比高达94．2％。这也是限制基层医生诊疗能力、导致漏诊误诊率高、患者不愿选择的一大原因。

在国家政策对基层医疗的大力支持下，基层医务人员亟需能力的提升，基层医疗水平的提升是缓解当前医疗资源不均、改善医疗现状的重要途径。CDSS的目标就是帮助医生更好的诊断和治疗，这种有差异化的医生水平让CDSS在中国有更好的用武之地。

（三）  CDSS可帮助基层医生提升诊疗水平、减少误诊率

基层医生的能力不足以承接政策的需要，因此如何提升基层医生诊疗水平是当下基层医疗建设需要重点考虑的问题，引入CDSS不失为一个重要的发展方向。

科学的临床决策要求临床医生具备多学科、多领域的医学知识，而现实情况下，大多数医生缺乏全面的临床辩证思维能力，专业水平不高，在诊断时，经常只从自己的专业出发，很少考虑到其他专业，从而导致漏诊、误诊，这种现象在基层医疗机构尤其明显。但是目前，我国全科医生数量严重不足，存在近40万的缺口，且培养一名全科医生大约需要5到10年的时间，因此，基层医疗机构很多专科医生因为政策要求需要转变为全科医生。如果在基层卫生信息系统中引入决策支持功能，通过 CDSS辅助医生诊疗决策，就能在一定程度上弥补医生专业水平不足的现状，提升其诊疗水平，从而加快培训进度，缩短医生培养周期。此外，CDSS能够帮助基层建立同质化、标准化的医疗路径，帮助基层医生避免一些对于常见病的误诊和漏诊，同时帮助他们进行科学的转诊，有助于提高基层医疗服务质量，更好地推进落实分级诊疗政策，缓解医疗资源配置不均的现状。

更好地服务于基层医生，提升其诊疗水平，这也是CDSS在我国最大的价值所在。

三、医院＋基层医疗机构：CDSS的主要落地场所

医院和基层医疗机构是CDSS企业的主要落地场所。从业务角度来看，开发专科版本的CDSS系统服务医院以及开发全科版本的CDSS系统服务基层医疗机构是目前CDSS企业的两大发展方向。从产品的适用对象来看，目前CDSS的首要采购对象还是大医院，专科医生是最核心的用户群体。随着国家分级诊疗以及基层医疗相关政策的推行，既面向专科医生，又面向基层医生提供CDSS服务的企业（比如惠每医疗、百度灵医），以及专门针对基层医疗机构提供CDSS服务的企业（比如深圳循证医学）等越来越多地出现。可以预见，随着国家对基层医疗机构的资金、政策支持力度的持续加大，CDSS更广阔的市场将在基层。

CDSS作为一个近几年刚出现的新生事物，大多数医院和基层医疗机构对其的了解程度不够，市场渗透率还非常低，目前尚未出现独角兽类企业，且AI诊断能力还在不断的验证和优化中，当前状态下，对于企业来说，首要和根本的竞争点还是产品，针对细分市场，瞄准用户需要，使研发出来的产品在诊断能力上具备显著优势，能为医生提供实实在在的帮助，才能够被买单。其次，各企业可结合各自优势进行推广和产品的商业化落地，传统的医疗信息化企业可以利用自己的客户基础进行产品的推广和合作；BAT企业可利用自身在技术、资金、品牌等方面的优势加大产品的研发和宣传推广。

四、CDSS落地困难和未来展望

虽然CDSS得到了一定程度的发展，但仍面临诸多挑战和困难，主要包括以下几方面。

（一）  评估体系不完善，应用效果难获得

CDSS提供价值的前提是它必须显著改善临床工作的流程或结果，如何把CDSS的临床应用效果获取和呈现出来是一个难点。由于不同的CDSS为不同目的设计，当前并没有一种可通用的评估标准，给系统价值的评估带来困难。在难以证实CDSS可有效改善临床工作流程或结果的情况下，用户花费大量成本来建设CDSS的意愿会受到影响。

（二）  知识库构建和维护难度大

知识库的构建是CDSS的核心，其知识获取一般来源于医学文献和临床实践，涉及的知识面非常广泛，基础医学知识、临床指南、循证医学证据、医学辞典、医学图谱、计算工具等海量数据等缺一不可，构建这样完整、权威、整合多领域的知识库并非易事。其次，医学知识不断增长，不断发现新药和诊断，循证指导随着新证据的积累而改变，将频繁更新的知识整合到已经存在的数据库中也是一大挑战。

（三）  数据缺乏统一标准造成实施困难

CDSS对数据的要求很高，成功的CDSS应该是与现有的临床工作流程、患者信息系统等无缝集成，以便在应当作出决策的时间和地点自动提供咨询，在这一过程中，对不同系统语义层面的理解是必要条件，而目前中国医疗信息化水平参差不齐，各个医院的信息系统不一样，数据标准、结构也不统一，缺乏医学语义的操作标准导致CDSS的实施难度大、成本高，这是目前CDSS落地的最大困难。

（四）  法律责任和监管模式不明确

使用AI软件支持决策同时伴随着相应的法律责任问题：如果决策支持系统给出不恰当的建议，导致患者出现问题，谁来负责？软件设计师，医学知识的提供者，还是负责最终临床决策的医疗服务提供方？目前人工智能领域的法律法规尚不完善，责任划分尚不明晰，如何更好地规范和监管CDSS，以及相关法律责任的划分仍将是该领域的长久命题。

未来，要更好的应对和解决这些问题，需要政府、企业、医疗机构的共同努力。政府需完善相关的法律法规、评估体系；CDSS供应商需要切实落地终端用户需求，建设可持续发展的系统；医疗服务提供方需要提高对CDSS应用的操作水平，确保CDSS被有效利用。总而言之，CDSS行业发展仍处在一个摸着石头过河的初级阶段，挑战和机遇并存，未来还有很长的路要走，其真正可发挥的效能和产生的影响值得期待。

参考资料：

【1】OMAHA白皮书：临床决策支持（CDS）：全景扫描，提升效能

【2】惠每科技CEO张奇访谈