的设计与实施

12.5　CDSS的设计与实施

从20世纪70年代开始，许多研究人员对于医学人工智能系统（如MYCIN，CASNET）的发展前景非常乐观。当时的观点认为个人计算机系统成为临床诊断中的一个标准部分只是一个时间问题。在过去的几十年中，计算机系统成功地应用于很多临床诊断乃至更为广泛的临床应用领域，如医生医嘱录入中提供了有效的提示、建议等辅助功能。然而，CDSS至今为止仍然无法在医疗环境中得到广泛使用。在本节的内容中，我们会讨论导致现状的原因和改进机遇。

12.5.1　CDSS的挑战

从使用角度上看，个人计算机和其他硬件设备不足，软件不够友好，医生对软件程序存在不信任和惧怕的态度，以及决策程序覆盖范围较为单一的问题，阻碍了CDSS的大面积采用，但此类问题随时间推移会逐步得到改善。而另一方面，限于目前医学信息学发展现状，很多科学难题在短期之内难以得到理想的解决，如难以实现较完整的医学数据库，高效的决策规则集，计算机诊断结果正确率低等问题，导致临床医生很难在临床中大面积使用CDSS。尽管有些系统（如利兹腹痛辅助决策系统）在专科领域取得了良好的效果，但因专科的性质，加之其他决策支持系统在多病种环境中失败的案例，削弱了CDSS在更广阔的范围内获得成功的可能。

此外，由于缺乏基于标准信息系统之间的整合能力，繁忙紧张的临床医护人员不得不为CDSS进行重复性的数据录入，这种耗时乏味的工作极大地打消了用户乃至应用部门的热情和积极性，阻力自然不言而喻。尽管如此，医学领域存在的复杂性和大量的不确定性使CDSS系统整合理论的构建和实践经验积累工作变得格外的困难。与CDSS相比，其他领域的专家系统要轻松得多。

根据Luger和Stubblefield对于专家系统的分析，目前的CDSS普遍存在的五个问题:

（1）缺乏临床内容之间的因果关联，计算机系统自身不可能理解应用生理学知识内容，确定因果性。

（2）系统缺乏稳定性和灵活性。在无法从知识库中找到新问题时，既无法解决问题，更不可能提出整套的解决方案。

（3）难以提供内容详细深入的解释。（4）难以对决策结果进行确认核对。

（5）系统无法根据经验进行主动学习。

因此为了使CDSS的性能得到改进并广泛实施，除了解决推理方法、知识表达和知识的技术设计问题，还需要了解目前人机交互配合过程中产生的问题及原因。

12.5.2　推理方法概述

早期CDSS的设计强调人工智能，这跟当时程序设计人员的研究兴趣是紧密相关的。当时，大量诊断专家系统的工作机理都是模仿医学专家的推理过程，比如MYCIN，利兹腹痛系统等等。虽然系统具有一定的决策能力，但实际上还无法在推理方面和人相提并论。因为其既不能理解什么是解剖病理学，也无法处理时间的概念，更不可能主动学习并由此推理得到新内容、新结论。虽然在一个比较有限的专业范围之内，某些系统的诊断能力能与医学专家媲美，可一旦扩大其使用范围，性能便会毫无悬念地急剧降低。不过专科诊断支持系统在研究过程中积累的各种经验推动了CDSS在更广阔临床领域的发展。在前面的几节中，我们已经详细介绍了概率推理、规则推理以及案例推理的方法。除此之外，因果推理、决策理论推理、常识推理等方法并不在本书的讨论范围之内，有兴趣的同学可以自行参考相关书籍进行更进一步了解。

12.5.3　知识表达

CDSS完成各种推理决策任务的基础是由数据内容和表达模式构成的临床决策知识库。独立的数据在未经关联前通常是难以理解的，如数字17 000。只有在与其他内容，如“白血球计数”关联之后才具有实际意义。所以在知识库中如何充分高效地表达某领域知识内容，并为相应的智能计算机系统提供格式化的专业数据，从而提高信息处理效率则变得非常关键。到目前为止，知识表达形式可以大致分为:逻辑知识表达法、程序化知识表达法、网络表达法以及结构表达法。

命题逻辑:在基于逻辑的知识表达中，命题逻辑是在人工智能研究中第一个被广泛使用的表达格式。命题指不置可否的陈述内容。陈述语句可以用单一的字母来表示，如P。不同的语句根据and，or和not逻辑连接成完整句子，以表达内容之间的逻辑关系。举例说明，两个命题“缺铁性贫血MCV（红血球体积）减小”和“恶性贫血MCV增大”用字母表示为P和Q，则符合命题逻辑的句式应为“P and Q”，“P or Q”以及“P and not Q”等等。在命题逻辑中，P或Q作为一个整体同时存在，每个短句中的片段内容不能独立使用。

一阶谓词演算:而一阶逻辑表达法则没有以上的限制。谓词演算提供的逻辑表达方法允许使用断言的片段内容作为变量，而不需要像命题逻辑一样把整个句子内容紧紧绑定在一起。上例使用一阶逻辑可以表达为MCV（增大，恶性贫血），MCV（减小，缺铁性贫血）。MCV被称为谓项，表达括号内多个对象之间的关联信息。借助这种灵活特性，还可以通过如MCV（x，缺铁性贫血）提出“在缺铁性贫血的情况下，MCV的值是怎样”的问题。一阶逻辑通过向知识库中加入谓词并借助谓词进行提问的能力推动了逻辑规则在专家系统中的使用。其中著名的编程语言PROLOG（名称源于PROgramming in LOGic）。它通过一阶谓词演算的知识表达法，帮助研究人员设计开发了许多著名的专家系统。

程序化知识表达:以上提到的基于逻辑的知识表达由真或假短句构成，通过标准的逻辑推理机制得出结果。如在逻辑系统中进行如上例贫血类疾病的诊断则需要遍历与MCV相关的所有逻辑谓词，找到对象中含有“增大”或“减小”的条目。作为程序化的知识表达法采用的是一种较为精确的方法，不需要采取基于逻辑的搜寻方式。如通过程序化知识表达上例得到:

IF MCV增大，THEN可以确定恶性贫血。

IF MCV减小，THEN可以确定缺铁性贫血。

程序化知识表达法通过概念的逐步递进协助诊断，使用真实数据对结论进行推断。这些步骤语句以规则的形式进行表达，MYCIN是使用此类知识表达法的典型例子。

网络化知识表达:由节点和弧构成的网络结构来表达知识内容。其中节点表达事实数据、事件、对象、步骤等等内容，弧表示节点间的相互关联。网络法的灵活性在过去的几十年中得到了很大的改善。例如网络中的节点也可以由某种复杂结构组成，如Minsky提出的Frames。更重要的是网络结构可以表达诸如因果、时间、空间等难以模型化的知识内容。其中决策树和人工神经网络也属于网络化表达的范畴。

结构化知识表达:结构化表示法强调知识应按照某种高度组织的方式打包到预先定义好的块中。第一个广泛采用此类知识表达法的是Minsky开发框架系统Frames。Frames的数据结构复杂，包含数据概念和相关过程化信息，后者用来描述框架内容如何随时间变化的情况。以“食品杂货购买”概念为例，通过此种方法可以表达如下:

概念:食品杂货购买

地点:超级市场

行为:商品选取（过程）

　　 付钱（过程）

除此之外，我们较为熟悉的数据库管理系统（DBMS）提供了另外一种用于知识表达的结构化形式。在临床领域，比较常见的两种数据库是关系数据库和面向对象数据库。前者基于记录结构，每条记录都包含许多字段。系统会设定一个字段为主键，记录中的其他字段与主键直接关联。一条疾病记录可能由以下若干字段组成:疾病名称，器官，诊断检验，受感人群性别。

数据表中包含多条记录，如表12－8所示，表中的每一行都包含具有惟一性的一条记录，相应的字段描述此条记录的不同属性，且关系记录中每个字段都包含特定类型的数据，如字符型、数字型、日期型等。

表12－8　关系数据库记录字段示例表

但是，关系数据库中的字段无法记录比较复杂的数据结构，比如在字段中存入一整条记录或是数字列表。相对而言，面向对象的数据库管理系统（OODBMS）具有更强的表达能力，储存某些关系数据库字段中无法处理的数据类型。例如用贫血病来举例如下:

系统:血液学

贫血类型:小红细胞，血蛋白过少

疾病:缺铁性贫血

检验:列表（血清铁，TIBC，铁蛋白）

治疗方案:硫酸亚铁针剂，葡萄糖亚铁注射液

图片:（二进制格式）外周图片

作为对象，在此条贫血记录中存储了一张图片和包含其他所有文字信息的列表。更重要的对象具有继承性质，即可以根据已有对象的属性定义创建新对象，因此，在关系数据库中无法表达的数据类型也可以在OODBMS中创建出来。目前研究人员已经在CDSS的开发工作中使用OODBMS。

12.5.4　知识提取

何为数据、信息和知识？数据作为一种描述，是不具有背景和意义的数字、图像或声音。如19800101只是一个数字，或者可以看做日期，但就数据来说它只是数字，而不表示其他额外含义。信息则是经过格式化、过滤已经综合处理的数据，即数据和数据之间的交错联合产生了新的意义，如19800101可以是一个人的生日，也可是元旦节日。而我们所讨论的知识则是信息之间交互得到的一般性客观规律描述。

知识工程是面向知识提取的一门科学，也是构建知识库的过程。知识工程化人员需要具备知识表达、工具选择以及人工智能语言等多方面能力，以便与某一领域专家合作获取构建相应知识库的必需信息，进而开发出专业的专家系统。但至今为止，这一系列的工作并没有完善的方法学支持。即便具备了各种需要的环境、语言或其他工具，知识提取的过程仍是十分困难的。

某一领域专家和知识工程人员合作的最大挑战是两者在对方的领域内，即使经过了长时间的学习，前者依然难以掌握知识工程的方法，后者对专业知识的价值和重要性的区分能力与学科专家相比仍然有巨大的差距。因此，在知识提取的过程中，两类人员如何在知识表现形式方面达成一致，确定合适的推理机制，以及系统成功建立后的维护问题则成为了巨大的挑战。由此可见，医学信息学是一门独立的学科，从事该专业人员与一般的医务人员和计算机人员相比，在知识提取专业能力上是无可取代的。

12.5.5　知识与本体

知识库就是客观世界中的事实数据依照某种规则进行编码组合而成的集合。但是复杂的CDSS不仅需要此类数据，还需要某一领域包含的较为深层次的关键概念。如阐明疾病的时间过程或是血液在血管内流动的状况就需要较为深奥的知识，而不仅仅用简单描述的词汇。本体知识工程正是为了解决此种高层次词汇变换的问题而诞生的，所得到的知识架构我们就称其为本体（ontology）。Gruber把本体定义为一种对共享概念、正规、精确、详细的说明。因此，在知识领域中，本体被认为是实现信息沟通、计算机推理与重用、以及知识管理的基础。

为加强本体用户和构建者间的信息沟通，术语和概念需要有清晰的定义并实现标准化。为能合理使用所有的概念术语和关联，概念术语间需要有关联属性的定义及存取算法规则。通过编码本体中的知识内容，软件设计者可以更容易理解如何与知识库打交道，以创建智能系统。在创建本体过程中，逐步搭建出来的框架内容，由于其机制和视角层次较高，这一框架可以使知识管理任务变得相对容易，实现逐步扩展知识内容并维护知识内容的目的。

本体试图以一种层级化的方式表达某专门领域乃至整个世界。依据领域涉及的基础概念，通过标准化的方式提取相应的对象、时间和处理流程。层级化概念的最高层级也是最抽象层级被称之为“高阶本体”。它是得出最终运行本体的概念基础。下图就是一个有关生物的简单的高阶本体。在生命体这一最高层级中，包括动物、植物和微生物。如果我们所设计的系统要求定义“人类的食物”，我们就会利用该本体便捷、灵活地从动物、植物和微生物中找到“非人类”，“可食用植物”、“可食用真菌”等等。

据此，利用本体快速、有效地生成有关生命体的各种概念组配。

图12－10　生命体的高阶本体:抽象层次

让我们先明确一些关于本体的基本概念。

继承:特定的人或植物可以被认为是一类对象，并从其所有源类中继承属性。

关联:指类之间的连接，用于定义不同两类内容之间的相互作用。

到目前为止，基于本体的CDSS还不多见，但的确有一些CDSS已经使用本体的方法表达并管理生物医学方面的知识内容。其中比较著名的是一体化医学语言系统（unifying medical language system，UMLS）。作为美国国家医学图书馆（NLM）投资管理的项目，UMLS旨在改进医学相关资源知识共享交互的问题。它成为多种词汇编码系统之间的交互桥梁，这些系统中比较著名的包括ICD－9，CPT，SNOMED和MeSH。而与UMLS类似的构建于本体之上的系统还包括GALEN，SNOMED CT等。

事实上，目前已经有一些比较优秀的本体开发与编辑工具，如protégé，可以用来构建以本体为基础的决策支持系统，达到知识库内容共享的目的。在某些集成度高的系统中、本体为其子系统提供知识库中的术语和概念、关联以及继承相关系统的属性。如电子病历（EMR）或科研数据库通过本体可以实现数据共享使用。

12.5.6　编码、分类、命名法和词汇

通过计算机来管理数据需要依据某些方法来获取信息，从而帮助所有临床数据的使用者都能够有效地利用数据。美国医学研究院（IOM）在1992年发表的关于电子病历的报告中详细阐述了纸质记录在辅助医疗决策的过程中所面临的问题。纸质记录在内容和功能方面出现的问题必须要在电子系统中得到有效解决。报告称如何获取详细的、可供分析的电子化临床信息是医学信息学领域普遍存在的疑问。目前公认，术语集尚未得到广泛应用，而且缺乏对术语集的标准化定义。为有利于进一步讨论，我们首先要明确编码、分类、命名以及可控词汇之间的异同。

编码:用于概念沟通的过程中，以减少信息总量。

分类:为某领域内的概念规则系统。它包括暗含或明确的顺序规则，如ICD－9分类。

命名:允许通过术语组合的方式形成新的概念，如SNOMED的编码。如果分类与命名不同，可控临床词汇（CCV）的概念是难以定义的。依据Cimino的“可控临床词汇的必备要素”所述，CCV可以被看做是粒度非常小的术语集，按照预先定义的层级结构进行排列，以此来捕获和表达详细的临床数据。尽管目前尚未有关于CCV精确的定义，Cimino的“可控临床词汇的必备要素”仍然提供了非常实用的方法，这篇文章对于帮助理解和分析构建系统所应具备的特性、功能和结构有着指导作用。Cimino所提出的标准满足了在设计、管理以及使用临床词汇的要求，对于术语技术的使用者提供了有益的指导。

表12－9　Cimino对于必备要素的简要概述

续表

按照Cimino的标准，ICD和CPT之类的术语词汇对于那些不太要求细节的任务有用处，反之则要求更加全面的术语集支持。当然，了解可控临床术语集和在临床系统中使用可控临床术语集是两码事。

临床术语大致可以分为以下三种类型:应用程序术语，界面术语，参考术语。参考术语可以定义为用来提供一般参考点进行数据聚类和对比的一组概念和关联。其中的数据是由多种不同客体，如个人、系统或组织机构记录的完整医疗流程。界面术语则是帮助用户在数据录入过程中快速准确录入术语，隐藏了很多大量复杂的下层机制，以加快录入速度，提高表达能力。

通常，填写临床问题列表和下达检验医嘱是相对简单的数据录入任务，可以通过列表选取的方式实现。但是在初级医疗阶段中，通过此种方法录入患者完整的病史和所有的检查内容是相当冗长乏味的。这时就需要在效率和表达能力方面进行权衡，作出某些牺牲。比如通过使用模板的方法能够加速数据录入，但同时可能导致临床描述内容的极大相似以及某些细节内容的消失。反之，开发智能化的术语录入提示模块确实能够为用户的录入提供相当大的帮助，但编程逻辑显然会变得更加复杂，同时会带来对于录入内容进行再次确认的工序。另外自动化录入可能造成术语选取错误。

除此之外，由两个或多个原子概念组合而成的复合概念能够极大地增强词汇的表达能力，这种复合概念被称之为组配性。为了保证概念组合的有效性，避免无意义复合概念的出现，需要构建相应的术语服务器，以提供字典匹配、词汇组合等关键功能，如GALEN术语服务系统。然而，即使在大量术语工具的支持下，词汇管理过程中依然会出现许多意料之外的情况，为用户提供有用且有保障的词汇服务并不像设计临床术语那样简单。

另一个问题是统一术语集与区域使用习惯术语之间的冲突问题。不同区域，如省市，地区乃至不同医院间表达同一个临床概念时所用的词汇很可能并不相同。在这种情况下，如何保障术语共享的一致性和灵活性就成了两难的问题。通过某个中央机制完全统一全部用词显然并不现实。目前指定的相对可行的方法是建立术语服务器，统一的把标准术语和地方习惯术语相映射起来。但是在对照过程中仍然会出现两映射术语含义不一致的情况。

词条的组配同时给系统设计人员在数据库设计层面带来了另一个问题。某些复杂的概念在术语集中是原子化存在的，所以很容易通过选择对应代码的方式在临床信息系统中记录相应的概念内容，也就是所谓的先组式。在接口和数据库的层面，先组式降低了复杂性，在对概念进行编码的过程中没有存疑的部分。所有的用户，无论身处何地都会使用同样的方法进行编码。但是，在无法通过独立的原子概念进行表达的情况下，就需要通过组合原子概念的方法实现复杂概念的表达，被称之为后组式。尽管后组式具有更强的表达能力，但可能会出现使用不同的原子概念组合表达同一复杂概念的情况发生，甚至在使用相同含义的代码时，没有关于代码排序的规定也是一个问题。举例来说，如果使用4个代码来表达1个概念，那这4个代码的全排列可能有24个，存储在数据库中会导致数据存取多入口的问题。除非有一个权威的数据库可以管理所有的概念和术语，否则很容易产生不同机构都在按照自身的意愿创建同一概念的不兼容的组合版本，从而为数据分析带来困难。这也是为何要有一个标准的临床术语集的原因。

12.5.7　人机交互

根据Wyatt等人的研究，决策支持技术之所以未能得到广泛采用，很大程度上是因为绝大多数的系统设计目标与临床实际需要解决的问题不一致。比如一些系统只是严格限制了诊断假设的数量，很少有系统可以帮助临床人员鉴别诊断和建议治疗方案。相比较而言后者具备的特点恰恰是临床人员易于且愿意接受的。事实上对于系统设计者，正确识别问题并解决才是CDSS的重点。

除此之外，Wyatt还针对CDSS系统设计者提出了几个需要注意的问题。首先是不要在计算机设备和与CDSS无关的软件上占用太多的精力。在项目开始初期就要把主要力量用在解决潜在使用者最关心的内容，而不是过多考虑诸如使用何种语言、机器配置或者开发环境之类的问题，以免喧宾夺主，忽略了最重要的技术和问题处理流程。其次，设计者应该偏重于解决方案模型设计，与未来使用者清晰明确地交流。最后一点，除了系统本身，设计者还需要考虑系统实施所在机构。因为机构的态度和支持力度至关重要，尤其是当考虑到CDSS可能造成各种机构内部的变化、人员变动、资金、管理的变化的情况。所以，CDSS成功实施的保障需要有机构内部强有力政策的支持。

CDSS技术在很多方面都遭受过批评。幸运的是，电子病历（EHR）和医嘱录入系统（CPOE）的出现很大程度上弥补了独立CDSS系统的不足，包括在数据录入、流程方面，特别是在用户接口和数据模型方面给了CDSS很大的支持，使得决策支持系统不用再像以往一样忙于解决数据录入、信息整合的问题，而是把关注点转移到数据处理和人机交互的方面上。

另一方面，老问题的解决总是伴随新问题的出现。EHR和CPOE的出现使得临床决策在用户接口方面出现了新的问题——CDSS功能的灵活性。由于整合系统中的决策支持功能是作为一种后台进程自动触发响应，因此除了满足临床诊断、医疗的需要外，还必须具备提示和人工调整能力。有很多临床用户抱怨系统的各种自动提示功能扰乱了医生的工作节奏和习惯，起到了相反的作用。所以，一旦临床的医疗流程、责任归属以及操作习惯由于信息系统的出现而发生改变，且没得到有效的解决，临床人员最终很有可能不再使用这类系统。

12.5.8　CDSS的发展方向

医疗决策支持在未来的很长一段时间内，发展重点将主要集中在增强现有CDSS的有效性，新型CDSS功能研究开发等方面。首先，在改善现有系统中，需要解决以下五方面的内容:

第一，对系统整合和界面进行优化，使CDSS能够平滑嵌入机构医疗流程之中，为临床工作者提供关键信息的提示以及决策支持的校准。平衡在决策提示过程中出现遗漏重要信息和过度提示的问题，并研发可以灵活调整此种平衡机制的功能，协助用户按需选择决策支持的辅助强度。

第二，有效整合患者的医疗信息。临床工作者在对某一病例进行医疗决策的过程中，需要参考尽可能全面和关键的患者相关信息。在此问题上，一个自动化和智能化程度很高的CDSS，可以通过高效高质的患者数据汇总和摘要内容提示，最大程度上帮助临床医生对医疗决策进行优化。

第三，构建CDSS评估模型。根据复杂参数组合（例如疾病死亡率，患者存活率，医疗花费，医疗保险等等）对决策支持结果进行筛选和优先权判定，从数量方面减少对CDSS使用者负面影响。在此问题中，如何合理权衡各种因素正负双方面的影响，以及如何确定决策优先级都是需要研究的内容。

第四，在患者存在合并症的情况下，实现多病种决策支持整合。目前的CDSS，由于临床治疗指南在很大程度上忽略了年老和身体基础比较差的患者存在合并病症的问题，最终导致决策支持重复、冲突甚至互相排斥的结果。从一个侧面上阻碍了临床治疗指南在医疗机构的充分应用。

第五，利用自动文字处理技术对电子病历系统中的自由文本内容进行数据挖掘，通过提取和格式化患者关键数据的方式，达到对CDSS优化的目的。相关研究表明，在电子病历的自由文本中所包含的，可以左右医疗决策的数据，占到全部关键信息量的50%以上。

其次，在基础理论和实践经验不断发展的背景下，不断引入新的临床决策支持方法。

一方面，决策支持系统实施时间长，代价昂贵。因此，对系统性价比、数据有效性、实施复杂度、医患接受程度等多方面因素，进行综合权衡、科学选择CDSS开发方向以及优先实施步骤，是一个意义重大的问题。

另一方面，随着数据处理算法和技术的不断发展，海量医学数据库在质和量方面的不断提高，数据挖掘将会持续推动CDSS的创新，更加复杂的问题，如敏感信息安全问题，科学文献信息挖掘，临床决策支持内容的探测，甚至是有学习功能的CDSS也会逐渐随之引入。

最后，医疗决策支持是一门非常复杂的科学，需要大量的资源以及多方合作。因此，基于CDSS系统的标准化以及知识、经验、方法的共享工作就格外重要。

（1）为了实现不同机构在CDSS实施过程中，在系统设计、沟通以及管理等方面的经验共享，需要构建一套识别、描述、评价、综合、分类以及共享实施经验的方法。促进成功案例推广和借鉴。

（2）建立一套标准化的支持CDSS模块即插即用功能的系统体系，提供CDSS挂载或远程调用的标准接口，实现不同EHR系统通过标准接口使用规范的决策支持程序。它可以推动决策支持系统和电子病历系统的应用，并可以加速决策支持研究成果的转化工作。

（3）实现知识管理流程和业务流程的规范化，有助于在规范的CDSS中提供基于因特网的临床决策知识库的共享、更新。

12.5.9　CDSS的使用伦理与法律问题

任何CDSS都是对临床决策的辅助性工具，使用者是真正的决策制定者，也是主要责任人。Miller博士指出，计算机从根本上，至少在可见的未来，无法取替决策制定者。这一观点代表了人们对新兴技术相对保守、谨慎的态度。如何正确使用CDSS涉及卫生保健的标准，职业道德等方面。

从卫生保健的标准来讲，医疗工作者应尊重患者，不应以经济方面的原因而对待患者做出不同的论断，更不能以各种方式，包括使用CDSS欺骗患者。

使用CDSS有可能引发伦理、法律方面的问题，与卫生部门的法令法规密切相关。有兴趣的读者可以追踪医学伦理学的最新进展。

跟所有的新技术一样，在临床上使用CDSS，会引发一系列新的问题。这些问题涉及到:①如果CDSS对临床工作有效用，那么与其相关的新责任、新问题该如何处理？②如果CDSS干扰了目前的工作流程，那么临床工作者为什么要使用这一系统呢？

假设一个有缺陷的CDSS系统使病人受到了不应有的伤害。如果使用者是一名合格的医生，那么在这种情况下，该医生有没有及时干预或阻止CDSS导致的错误呢？该医生是否正确使用了CDSS？在这方面的标准还有待进一步研究与讨论。

在临床实施CDSS的基准是:正确使用，不增加患者的风险。专家预期，随着计算机技术的进一步发展，临床诊疗标准也会相应改变。

12.5.10　CDSS的评估

如何评估与选择CDSS是当前医学信息领域研究的热点专题之一。用户满意度调查与随机对照临床试验是目前两种主要的研究方法。目前的研究表明CDSS在改善诊疗质量与费用控制方面取得了一定的成果。事实上，临床信息工作涉及患者数据采集、患者信息共享、诊疗决策制定、诊疗建档、卫生工作者之间的交流、患者教育等诸多方面。从技术上讲，CDSS有能力在其中任何一个方面产生积极的效果。

评估CDSS对医生诊疗过程的影响，还是对患者诊疗结果的影响是医学信息学界研究的两个关键领域。然而，众多的研究结果表明，过程与结果之间的关系不明确。例如，CDSS可以提高病案的完整程度，但这完整程度对诊疗过程的影响并不清楚。

12.5.11　结论

医学人工智能领域的发展史充满了令人赞叹的创新，同时也有不断的挫折和失败。但是澎湃发展的电子病历系统和电子医嘱录入系统为新一代的CDSS的发展提供了更为广阔的空间。当然，困难仍存在，对临床推理过程理解的不全面，对医学理论知识探索的不足仍将会成为成功路上的绊脚石。但是我们能看到的是医学知识表达、推理机制、知识提取方面的成果已被广泛运用并做出了极大的贡献，而本体知识工程的发展，临床术语学的设计与实施目前都已经成为了医学信息学中主要的理论研究领域，为下一代更为复杂智能的决策支持系统打下良好的基础。

国家政策的决定者认为信息技术是改善医疗水平、提高患者安全的关键桥梁，但在实际应用中，由于不少系统对医疗原有的流程、成本等问题考虑不足，导致临床工作人员具有不同程度的抵触心理。不过，新一代的临床信息系统已经在这个方面做出了改善。

有一件事情可以肯定，如果CDSS希望最终能够解决所有的问题并使系统得到广泛的应用，它必须在提供决策知识的同时不能破坏医疗过程中两个最基础的社会原则，一是不能破坏医生和患者之间的关系，二是不要改变甚至抛弃那些已经久经磨砺且令人满意的东西。