AI临床决策支持系统的过去与未来

5月25日-26日，由中国人工智能学会主办，南京市麒麟科技创新园管理委员会与京东云共同承办的2019全球人工智能技术大会（2019 GAITC）在南京紫金山庄成功举行。

在第二天的智能时代新中医论坛上，中韩医疗机器人产业发展协会秘书长、COGPM 中国妇产科心身医学协作中心主任张敬发表了主题为《人工智能临床决策支持系统的过去与未来》的精彩演讲。

以下是张敬的演讲实录：

我国医疗卫生一个现状是优质医疗资源供不应求，人均职业医师人数，和美国、英国、俄罗斯存在一定差距。大医院人满为患，小医院没有人，基层医师水平有待提高。医生培养周期很长，医疗误诊率偏高，美国的整体误诊率包含用药错误在 15%，我国大概在 28% 以上。疾病谱变化快，治疗技术日新月异，医生自身的知识储备和学习速度逐步接近极限。

Gartner 新技术发展曲线中，CDSS、新药发现、虚拟助手智能化器械等这些分别处在不同产业发展节点，CDSS 人工智能决策系统有了极大的发展机会。

2018 年电子病历系统功能应用水平，分级评价方法和标准试行发布。临床决策支持已经成为电子病历系统要求核心部分，国家卫建委要求到 2019 年所有三级医院要达到电子病历系统应用三级以上，医院内不同部门间数据交换；到 2020 年，所有三级医院要达到电子病历系统应用的四级，即医院实现全信息共享，并且具备决策支持功能。

中国 CFDA 对医疗人工智能产品审批刚刚开始，截止目前没有一个深度学习的产品得到批准上市。CFDA 目前建立了两个样板库，一个是肺结节，一个是糖眼，但是临床决策支持系统还没有一个标准。国家食品药品监督管理总局药品审评中心即将公布《深度学习辅助决策医疗器械软件审评要点》，相信我们一定会向 FDA 评审人工智能标准靠拢。

FDA 目前对人工智能医疗系统也批准了一些产品，FDA 批准的人工智能倾向于疾病预测而不是诊断。海外目前基于人工智能的临床决策支持系统不同项目对比分析，有单病种的，有专家知识库的系统。

临床医生在整个患者，就诊完整流程中经历不同决策节点。从入院、诊疗、手术、门诊到术后康复，在每个阶段都需要做一些决策。人工智能临床决策支持系统最大的挑战就是高质量数据的获取，第一是电子病历结构化处理，我们主流医院信息化已经接近尾声，绝大多数医院都使用了 HIS，但是国内有近千家 HIS 供应商，数据信心并不能流通和共享，很多数据处于孤岛的状态。第二就是多元异构数据的挖掘和处理，标注的质量决定了数据库质量。

数据处理的流程，人工智能处理层主要包含两个层面，一个是自然语言处理；另外一个是神经网络算法。临床支持系统，就是临床决策的预测、非临床决策预测、临床决策洞见和优化。目前 CDSS 分成三种类型，第一种是知识库查询类型；第二种是基于知识规则结合部分数据做的推荐类型，典型的就是 IBM Waston。第三种是这两年兴起的真实世界数据驱动性。前两种类型在真实临床中实践有很大障碍，知识库型在知识方面偏碎片化，只能在医生决策系统中做一个支持补充查询，对提升医疗效率和质量效果微弱。第二种知识规

则推荐型，比如像 IBM waston 有很大争议。

更加贴近临床实际应用场景的基于海量真实世界病例数据的临床决策支持系统是未来的方向。CDSS 有一些不同应用类型，第一个就是单病种或者单疾病辅助诊疗系统，也有多病种医生工作站，相似病历和患者诊疗方案的推荐，如疾病图谱、临床科研、流行病学研究和疾病预测。

我和大家分享一个美国案例。这个项目目前已经收集了 5 500 万高质量患者电子病历，其中美国电子病历将近 3 500 万，欧洲、俄罗斯和亚洲大概接近 2 000 万，这里面相应是 2 亿次诊疗方案、10 年连续有效数据，同时它也能调用 2 700 万全球临床的文献。它有几个不同应用方向，第一个就是基于真实数据的诊疗方案推荐，它不做诊断，诊断永远是医生做，你输入诊断结果或者 ICD10 的代码，再输入患者基础特征（如他的年龄、病史），系统从5500 万患者中调取最接近的。例如，2 000 患者，采用 A 方案诊疗结果是什么？采用 B 方案结果是什么？ 第二个产品外科。外科手术参数推荐，它调用所有真实数据中最接近的患者，采用不同的手术参数所得到的诊疗结果进行对比，选择方案的还是医生。第三个产品，医院经营效率管理、患者风险分层管理。在美国 5% 的患者超过了美国40% 的医疗费用，怎样对小比率高风险患者进行识别和分层管理，进而提高医院效率降低管理成本。

这个项目过去两年在美国做的大样本临床实验，参与有两家医院，其中一家医院大概是 200 多名医生，另外一家医院大概400 多名医生。一家医院使用临床决策支持系统，一家不使用，结果是使用 AI+CDSS的医院和医生治疗周期降低 10%，病发率降低 15%，医院成本降低 7%。临床决策支持系统还存在一些挑战。挑战主要来自于高质量临床数据，这是最大的一个壁垒。缺乏大型医学知识库有效支持、可移植性差、医学伦理，以及法律问题和注册问题。人工智能人才非常稀缺。临床决策支持系统如何商业化；最终支付方能否出现。目前和未来相当长的一段时间，人工智能临床支持系统的临床应用定位是非常清晰的，它是医生的效率工具和助手。