智能化臨床支持決策系統用于急診分診的研究進展

郭美英，沈志瑩，肖濤，黃輝，段應龍，張小紅，喬莉，3

隨著現代社會的經濟發展、醫療衛生需求的不斷增長，大型綜合性醫院急診室過度擁擠已經成為普遍現象，隨之出現的問題是急診系統應對能力、患者滿意度的下降，醫療費用、臨床差錯、不良事件的增加，嚴重影響急診醫療護理的質量和醫院整體的服務品質[1-2]。預檢分診(Triage)是一種依照疾病或受傷的嚴重程度，將需治療的患者按照輕重緩急分等級順序處理的方式[3]。急診預檢分診是急診患者就診的第一道關口，是影響急診科擁堵現象最重要的因素，同時急診分診的工作效率與工作質量極大影響著急診工作正常運作。傳統分診工作無法解決目前急診就診存在的問題。利用大數據和網絡信息化，通過循證醫學和知識轉化，建立基于急診預檢分診知識庫的臨床決策系統，并將其與急診預檢分診信息化系統進行整合，以協助急診預檢分診，不僅可提高護士分診工作效率，還能客觀、快捷、準確地輔助識別病情，并實時共享急診就診數據、動態監測病情變化，從而提高護士的分診質量，保障患者安全。我國信息化急診預檢分診系統處于蓬勃發展階段，但臨床決策支持系統尚不完善，預檢分診標準不統一、缺乏完善的急診分診質量控制體系等，是急診分診信息化建立亟待解決的問題[4]。本文對國內外臨床決策支持系統的內涵、構建與設計、應用現狀進行綜述，旨在為構建適合我國國情的信息化急診分診決策支持系統提供借鑒。

1 臨床決策支持系統內涵

決策支持系統是基于計算機的專用信息系統，旨在決策過程中為決策者提供有效的知識和支持[5]。臨床決策支持系統指在沒有人工干預的情況下，輸入患者的信息，可以快速而成功地響應現有的臨床數據和知識體系，協助醫療專業人員進行決策[6]。臨床決策支持系統可為臨床醫生、護士和患者提供相關知識，滿足臨床需求，確保準確的診斷，及時篩查可預防的疾病[7-8]。在急診科，通過臨床決策支持系統對患者進行分診可節約成本，提高工作效率和保證醫療服務質量[9]。

2 臨床決策支持系統的構建和設計

臨床決策支持系統根據結構可分為基于知識庫和基于非知識庫兩部分[10]。無論是基于知識庫的臨床決策系統還是基于非知識庫的臨床決策支持系統，該系統都離不開臨床數據的支撐。根據疾病診斷標準、風險評分標準以及以往不同患者的搶救醫療數據，包括生理、生化、治療、檢查、護理等信息，臨床決策支持系統可將輸入的患者信息快速與數據庫中的信息和知識整合、分析，得出恰當的決策結果，以幫助分診護士提高分診準確性[11-12]。

2.1基于知識庫的臨床決策支持系統 該系統是根據電子健康記錄數據庫，建立包含靜態知識庫、模型庫和規則庫的臨床知識，以實現高效、快速地整合和查詢患者各項參數，為醫療決策和執行提供信息，輔助臨床進行高質量的診斷與治療。主要包括3個主要成分，即知識庫、推理機和人機交互接口，知識庫通常采用“IF-THEN”規則來存貯和管理知識，包括臨床診療、合理用藥、實驗室檢驗、臨床護理等專業知識，其基本原理是通過將科學、權威的醫學、藥學及相關學科知識進行信息標準化處理形成的專業醫學知識庫[13]。推理機則是利用大數據分析技術，對臨床數據進行分析，在符合臨床知識庫業務規則的前提下，將患者的信息與知識庫的知識整合、比較和分析；而人機交互接口則是將決策結果呈現給醫護人員，實現臨床決策支持應用。

2.2基于非知識庫的臨床決策支持系統 該系統是研究人員通過算法，利用現有臨床數據資料進行數據分析，開發可通過自動化、數據驅動和個性化的機制來預測急診就診患者的病情狀況和就診順序的一種預測模型[14]。在急診環境下，當面對患者復雜而未知的病情時，運用算法構建的臨床決策系統可預測急診患者病情嚴重程度，將決策結果呈現給醫護人員以供參考[15]。數據挖掘中采用的方法綜合了數據庫、人工智能、統計學、模式識別、機器學習、數據分析等領域的研究成果。

3 臨床決策支持系統在急診預檢分診中的應用

3.1基于知識庫的臨床決策支持系統

3.1.1美國曼切斯特預檢分診標尺(Manchester Triage Scale，MTS) MTS是得到國際認可的分診方法，且具有可靠性和專業性[16]。MTS提供了基于國際最佳實踐標準的分診培訓軟件包，可提高分診準確度，提供決策支持[17]。針對不同患者的主訴有52個流程表相對應，每個流程表描述了“是否危及生命、意識、疼痛、出血、發病程度和體溫”6個關鍵鑒別指標，引導分診護士對患者提供的信息做出合理的選擇[18]。陸麗芬等[19]以MTS為基礎，設計急診分診信息系統，包括評估單、一覽表和數據庫。一覽表查看患者姓名、性別、年齡等基本信息；評估單包括6項必評指標(意識、呼吸、血氧飽和度、心率、血壓、體溫、疼痛評分)和15項選擇性評估模板(出血、腦卒中預警征象、抽搐或驚厥、創傷等)，每一模板對應患者的主訴、癥狀、體征，經格式化設計后只需勾選。分診信息系統以6項必評指標為依據，結合15項選擇性評估模板及主觀資料為調控指標，最終提出綜合分診類別的建議，將患者病情快速分為五類。該分診信息系統具有統一分診標準，可以提高護士工作效率、保障患者安全。

3.1.2加拿大電子分診和敏銳度量表(The Electronic Canadian Triage and Acuity Scale，eCTAS) eCTAS是一種實時電子決策支持工具，旨在通過規范國家分診指南的應用來提高患者的安全性和護理質量[20]。該量表是醫療機構緊急部門用來確定評估患者優先級的標準，以保證處于緊急狀態的危急患者盡快就醫，最大程度地保證患者安全[21]。該量表分為5級分診：1級，立即復蘇；2級，緊急；3級，較緊急；4級，不太緊急；5級，非緊急[22]。使用eCTAS的分診護士根據患者信息從170個標準化主訴列表中選擇一個預先出現的主訴，然后生成一個特定于主訴的分類模板，顯示所有可能出現的潛在問題，如生命體征、呼吸窘迫、血流動力學狀態、意識水平、疼痛評分、出血障礙和損傷機制等，根據輸入的信息和國家分診指南計算CTAS分數[23]。目前eCTAS已在加拿大80%的急診科應用，不僅節省分診時間，還能夠提高分診的準確性[23]。雖然該分診系統在加拿大已普遍應用且效果明顯，但是否適合我國急診患者的分診還有待進一步驗證。

3.1.3澳大利亞分診量表(The Australasian Triage Scale，ATS) ATS可用于確定患者醫學評估和治療的最大等待時間，以確保按急診順序治療急診患者，并分配到最合適的評估和治療區域。研究表明，ATS在急診科中具有相當可接受的可靠性水平，可將患者進行恰當的分類[24]。ATS分5個類別，從類別1(需要立即評估和治療的威脅生命的緊急狀況)到類別5(可以在2 h內進行評估和治療的慢性或輕度狀況)。類別2、類別3、類別4患者可等待時間分別為10 min、30 min、60 min。經過培訓和經驗豐富的分診護士可運用此量表，每次分診評估時間2～5 min即可完成描述臨床疾病的緊急性[25]。Chamberlain等[26]使用該量表用于幫助護士在急診分診中識別嚴重膿毒癥患者，具有一定的有效性和準確性?？梢姡珹TS針對特殊病例的分診效果顯著，對于急診科全部就診患者的分診，其分診準確率需要進一步完善。我國研究人員可以借鑒AST的設計方法和思路，整合、開發適合我國急診患者病情的分診系統。

3.1.4臺灣分診與敏銳度分級量表(Taiwan Triage And Acuity Scale，TTAS) TTAS是一種可靠的計算機化五級分診系統，可以準確地確定患者治療的優先順序，從而更有效地為患者分配合理的醫療資源[27-28]。該系統分為非創傷和創傷2個部分，非創傷分診流程與CTAS分診相似，創傷按解剖區域和環境損傷分類。根據患者最初的生命體征和主要癥狀將其分為急診和非急診。按病情嚴重程度對患者進行分類：1級，復蘇；2級，緊急情況；3級，緊急；4級，不太緊急，5級，非緊急[29]。陳秋菊等[30]基于TTAS將其五級分級標準改成四級急診分診標準，并構建急診分診信息系統。急診分診標準以生命體征為基礎，主訴為導向，結合患者生理狀況，針對每一個主訴分別通過6個評價指標(呼吸、循環、意識、體溫、疼痛)進行量化判斷來決定患者病情分級。將患者病情分為 Ⅰ 級(危殆)、Ⅱ 級(危重)、Ⅲ級(緊急)和Ⅳ級(不緊急)。此分診信息系統明顯提高分診準確率、縮短評估分診所需時間，實現了急診分診信息化和智能化，提高了急診分診工作的質量，保證了急診患者的生命安全。

3.1.5其他 李桃等[31]設計基于知識庫的臨床決策系統，該系統包括臨床子系統、臨床數據中心、服務和應用4個部分。該系統是結合醫療領域的專業知識，在現有信息系統和醫療數據的基礎上，建立數據庫，包括①關系型數據庫SQL Server，建立了臨床數據中心和知識庫2個數據庫，用以存儲臨床決策支持系統中靜態知識、規則、本體元、文檔列表等數據。②非關系型的數據庫Redis，主要用于建立高性能的內存數據庫。將患者臨床信息和規則先轉存入Redis數據庫中，當業務系統發起決策請求時直接從Redis數據庫查數據，實現在幾毫秒內獲取所有臨床數據并交予規則引擎推理，以臨床知識庫為基礎，通過接口調用方式，針對用戶的需求提供決策信息，實現臨床決策支持。

3.2基于非知識庫的臨床決策支持系統

3.2.1急診嚴重指數(the Emergency Severity Index，ESI) ESI是一種標準化、可靠且經過驗證的5級分類評分工具，可根據患者主訴、相關病史和生命體征，確定患者疾病的嚴重程度以及評估和治療患者所需的資源[32]。Hunter-Zinck等[33]運用ESI分析波士頓醫療系統內1個急診室和2個緊急護理中心在56個月內的急診就診情況，利用多標簽機器學習技術，開發了病情的預測模型，以預測急診患者的就診順序。數據來源于電子健康記錄中存儲的數據，包括患者年齡、性別、生命體征、主訴、視力、上一次的就診記錄、診斷列表、就診時間、事件發生地等，并且除了患者主訴外，其余均以結構化文本的形式儲存。系統可將患者主訴通過自然語言自動處理，尋找出非標準化主訴對應的標準化概念，形成可用的就診特征，然后根據特征將患者分配入匹配的就診順序子集中。應用多標簽機器學習算法，可利用急診可用的數據預測急診就診中的就診行為，將節省訪問時間，保障患者安全。

3.2.2協同過濾算法 協同過濾算法是一種基于內容的算法執行方式，可以從歷史實踐數據中自動生成臨床決策，并以訂單推薦的形式出現。Chen等[34]運用協同過濾推薦算法，從電子病歷中挖掘臨床決策支持數據，創建臨床決策支持系統。電子病歷數據從既往住院記錄中提取，包括臨床醫囑、實驗室結果和診斷代碼等，以預測實際的實踐模式和臨床結果。根據不同的評估指標該系統可預測患者可能發生的醫療事件，以及提供具有價值的分診指導。

3.2.3貪婪等價搜索算法(Greedy Equivalence Search Algorithm，GES) GES是一種通過數據歸納出最佳貝葉斯網絡的常用數據分析方法。Klann等[35]利用GES，聚合醫療記錄系統中的數百萬個治療事件，從現有醫療數據和當地最佳經驗數據中收集部分有用的臨床信息，通過信息之間的關聯規則構建臨床決策支持系統，在系統中生成針對具體情況的、按等級排序的就診名單。此種數據分析方法利用現有的醫療數據資源，從中歸納了適合當地的統一標準的臨床知識體系，以提供臨床決策支持。

3.2.4臨床GPS算法(Clinical GPS，cGPS) cGPS算法基于概率圖形模型或圖形分析，確定一系列參數中相似數據點的程度來理解大型數據集的技術[36]。cGPS工具聚集并分析這些數據，然后從一個圖形結構數據庫中構建一個可能診斷的列表。cGPS數據庫中的數據來源于醫療記錄數據和醫生自身醫療經驗。由cGPS算法構建的模型可根據患者的人口統計學特征、體征、癥狀、生命體征、實驗室數據、既往病史和藥物治療情況等信息，對患者疾病嚴重程度進行評分分類。目前，該工具還未在臨床正式使用，仍需要進一步驗證其可靠性和準確性。

3.2.5其他 其他算法包括邏輯回歸、關聯規則、聚類算法、神經網絡、遺傳算法等[37]。Heldeweg等[38]使用數據庫中的急救數據，使用單變量分析確定候選變量，通過多變量邏輯回歸分析方法為急診胸痛患者建立了性能優于心肌梗死溶栓治療危險評分的心血管危險評分分層模型，該模型包括生命體征、心率變異性參數以及人口統計學和心電圖變量，可用于急診科評估患者病情，為急診胸痛患者分診提供了參考。

由此可見，研究者利用各種算法設計分診預測模型，但未廣泛應用于臨床，數據來源也僅限于部分醫療數據，未來仍需要大量醫療數據的完善和臨床應用。

4 小結

智能化臨床支持決策系統不僅可實現臨床信息共享，提高急診分診準確率，縮短分診時間，還可降低危重患者過檢率、漏檢率，提高患者對病情分級、等待分診時間、等待看診時間、急診分診的滿意率，有利于改善急診醫療服務質量，進而保障患者安全及預防不良事件的發生。臨床決策支持系統減輕了急診分診工作的壓力，在有限的時間內提高分診護士的工作效率，保證了醫療服務的質量和患者安全，同時也提高了患者滿意度。臨床決策支持系統通過數據挖掘技術，充分發揮了電子病歷大數據的作用，是未來急診分診的必然趨勢。由于患者患病過程是復雜、動態的，臨床決策支持系統結構是固定僵化的，這可能導致護士分診和系統分診結果的不一致性。未來期望建立一個國家臨床數據中心，實現數據共享，建立具有統一、標準、普適的臨床決策支持系統。