中醫臨床決策支持系統研發的現狀與思考

白 宇 陳 理 易 嵐 胡榮魁 王 石 范群麗 李文友 趙 靜韓 捷 羅倩倩 陳曉虎

（1.南京中醫藥大學中醫學院·中西醫結合學院，江蘇南京 210023；2.南京中醫藥大學附屬醫院，江蘇南京 210029；3.南京大經中醫藥信息技術有限公司，江蘇南京 211800）

臨床 決策 支持 系統（clinical decision support system，CDSS）是通過數據、模型和算法等智能化的手段，以人機交互方式來輔助決策者的計算機應用系統[1]。它可以模擬醫學專家診斷、治療疾病的思維和過程，在疾病診斷、治療、護理、手術、合理用藥等方面為臨床醫生提供決策支持。近年來，運用CDSS提高醫療質量，輔助臨床教學，助力科學研究已成為主流趨勢。

隨著人口老齡化的加劇，慢病、疑難病的高速增長，使得我國對醫療人工智能需求巨大。但我國CDSS的研發明顯滯后于國際先進水平，尤其在中醫領域更是如此。針對這一現狀，國務院辦公廳于2018年發布《關于促進“互聯網+醫療健康”發展的意見》，提出“支持中醫辨證論治智能輔助系統應用，提升基層中醫診療服務能力”。但由于種種問題的存在，目前仍未設計出具備較為理想的臨床實用性的中醫CDSS。本文就目前中醫CDSS研發面臨的問題和解決方法進行相關闡述與討論。

1 中醫CDSS的研究現狀

1.1 中醫臨床思維難以用計算機進行模擬中醫學的思維源于中國古代哲學，其核心的思維模式是象思維，即以物象或意象為解析工具，把客觀事物自然整體顯現于外的現象作為依據，運用比喻、象征、類推等方法表達對象世界的抽象意義，以此把握對世界的普遍聯系乃至本原之象[2]。象思維具體表現為“整體觀念”和“辨證論治”[3]。“整體觀念”是中醫思維的核心，貫穿于中醫的各個方面，而“辨證論治”則是“整體觀念”在臨床診治過程的具體應用，是中醫實現動態、個性化診治的基礎。在兩者的指導下，不同醫家結合長期的臨床實踐，對疾病發生發展的規律出現了不同的理解，又逐步建立了“八綱”“臟腑”“病因”“六經”“衛氣營血”和“三焦”等不同的辨證方法。這些辨證方法本身就各有其自身的特點，再加上個人體質、環境氣候、飲食習慣等多種因素影響，又會出現難以計數的個體差異，使得中醫的辨證思維模式非常難以復刻。

中醫CDSS的技術架構需要通過數據層、知識層（知識圖譜層）、AI層、應用層來逐層實現，其中知識層和AI層是中醫CDSS的核心環節。知識層依托數據層通過對數據的進一步抽象和整理，形成知識圖譜，讓機器理解中醫的知識和思維。AI層則是通過自然語言處理和機器學習等算法，建設不同的模型以滿足個性化的智能需求，是對數據和知識的應用能力的體現。就目前而言，CDSS涉及的人工智能算法包括K近鄰算法（k-nearest neighbor，KNN）、回歸算法、決策樹、隨機森林、貝葉斯決策論[4]等。在算法之上又有機器學習和神經網絡技術綜合各類學科和算法，實現計算機對人類的學習行為和大腦思維模式的模擬，從而獲取新知識和技能，并重新優化已有的知識結構使之不斷改善自身[1]。雖然這些方法對中醫由知識和經驗轉化成數據提供了多層面的技術支持[5]，但即使如此，在面對中醫思維模式時，這些技術仍然顯得不夠成熟。除此以外，中醫思維模式常常被認為是“黑箱”理論的一種體現[6-7]，但是在CDSS的設計中“黑箱”理論的應用是存在爭議的[8]。在CDSS的設計理念中，CDSS做出的每個決策都必須保證能給出透明的推理演算過程，以便用戶能夠理解所有CDSS提供的建議的原理。這也在無形之中給中醫人工智能之路增加了不小的困難。

1.2 數據錄入缺乏統一的標準和其他領域一樣，中醫臨床數據同樣可分為結構化數據、非結構化數據以及半結構化數據。結構化數據是指具有一定邏輯結構和物理結構關系，可以存儲在數據庫中的數據，也被稱為定量數據，如年齡、性別及生化檢測指標等。非結構化數據是相對于結構化數據而言的，這類數據不存儲在數據庫中，而是以各種類型的文本形式存放，又稱為文本數據，如影像學中的各類圖像。半結構化數據是介于結構化數據和非結構化數據之間的數據，最主要的就是病歷資料。

中醫學涉及的大量病案、古籍及四診信息大都屬于半結構化數據或非結構化數據[9]。半結構化數據或非結構化數據不能直接被電子病歷系統（electronic medical record，EMR）直接利用，必須經過一定的轉換使其能夠被計算機識別。盡管現在自然語言處理（natural language processing，NLP）可以協助完成知識提煉和知識提取，最終形成知識本體或者知識網絡[10-11]，但前提是必須建立一套完善的中醫術語庫。這套中醫病案癥狀術語庫必須滿足兩個條件：一是能準確且真實地表達中醫思想，否則會誘導人工智能產生偏差；二是必須形成一定的應用規模，否則將無法實現數據整合，形成一片片“信息孤島”[12]。中醫醫案的記錄主觀因素過多、隨意性強且結構復雜，各類癥狀的內涵和外延模糊[13]，各位醫家對同樣的癥狀會產生完全不同的理解和描述，因此尚未建立被廣泛接受并使用的中醫術語庫。

除了癥狀以外，如何對中醫治療進行療效評價也是一個亟待解決的問題。因為如果沒有明確的中醫療效評價標準，機器學習就無法對既有的算法和模型進行反饋，從而無法自行進一步學習優化。目前中醫療效評價方法主要有兩種：一是利用證候積分量表，二是通過觀察治療前與治療后病機的變化判斷療效[14]。無論哪種都依靠醫生的經驗與主觀感受，依賴患者癥狀與體征的變化進行療效評價，會帶來重復性差、主觀性強并且觀察時間有限等問題[15]。但如果中醫療效的評價方法和指標只是單純照搬生物醫學的模式，又很難反映出中醫的自身規律與特點，反而會對中醫藥的持續發展產生不利的影響。

1.3 缺乏高質量臨床數據大數據需要人工智能，人工智能也需要大數據。戰勝李世石和柯潔的阿爾法狗（AlphaGo）學習了超過三千萬盤棋局，而作為一個中醫CDSS系統保守估計至少需要上千份有質量的病歷資料來進行機器學習。雖然目前已有微醫集團的“懸壺臺”、朱文鋒教授的“WF文鋒-Ⅲ中醫（輔助）診療系統”等多種中醫CDSS問世，但由于缺乏一套完備可靠的中醫臨床數據來源，無法真實模擬中醫診療疾病思維的過程，大大限制其輔助診療的正確性和臨床實用性，無法提供高質量且合理的管理建議，無法達到理想的用戶滿意度和實用性。當前大部分醫療數據，特別是中醫數據都是準確度低且缺乏完整性的非結構化無效數據，因為在臨床病例采集中，即使對于同一患者，不同采集者所采集的數據都難以做到一致。而中醫更是具有非常個性化的特點，致使中醫數據的產生具備了高度的不可預測性，這也嚴重影響中醫大數據的利用。

2 方法與對策

2.1 加速中醫藥規范化進程，符合信息化需求目前我國已投入大量人力物力進行中醫規范化術語研究，且已經取得了一些成果，建立了一些具有一定規模的術語庫，如中醫藥學語言系統（TCMLS）、中醫臨床術語系統、中醫古籍語言系統等許多大型的術語系統[16]。但是，這些標準仍未完全符合國際標準化組織技術規范，僅可實現簡單的檢索功能，難以進行深度數據挖掘與分析[17]。2019年中國中醫藥信息學會發布了57項團體標準（T/CIATCM 001～057—2019），是我國中醫藥信息行業的首批團體標準。這57項標準涵蓋中醫藥信息的基礎標準、數據標準、技術標準和管理標準等101項中醫藥信息標準研究項目。其中《中醫臨床基本癥狀信息分類與代碼》中包含了881個中醫基本癥狀信息的分類代碼表，基本能夠滿足中醫臨床病歷的需求。雖然這個團體標準與臨床應用之間還有一定的距離，但是相信通過不斷的臨床應用和反饋，最終必然會形成一套完善的可以應用于大數據研究的中醫藥規范化術語庫。

2.2 利用名老中醫病案和中醫古籍，提高數據質量中醫藥大數據研發缺乏可靠的臨床數據，這是短時間內無法解決的難題。相較于大量質量參差不齊的中醫臨床數據，名老中醫的臨床病案和中醫古籍中記載的經典方藥，在質量上更適合直接被人工智能采用。

名老中醫的診療經驗傳承是中醫藥理論創新發展的思想源泉，也是發掘我國中醫藥寶藏的重要學術支撐。截至目前，國家已開展了六批3600余人次的全國老中醫藥專家學術經驗繼承工作、1200余個名老中醫傳承工作室建設工作，已擁有200多位名醫的醫案4萬份、典型醫案6000余份、有效方藥300多首等數據資源。這些珍貴的特色病案與有效方藥不僅是中醫最寶貴的財富，也是可靠的中醫臨床數據來源。盡管傳承成果豐碩，但由于名老中醫診療經驗的傳承模式目前仍以師帶徒為主，效率低下且周期過長，缺乏現代科技的支撐。因此如何將名老中醫臨床病案進行數據處理，挖掘其中隱含的診療知識并進行總結研究，進而模擬名老中醫的診療思維，研發基于名老中醫診療經驗的CDSS已成為新的研究熱點。這種結合模式不僅能解決中醫CDSS研發缺乏臨床大數據支持的問題，同時也能解決名老中醫傳承科技水平低下、缺乏成果轉化的問題。

與名老中醫經驗相似，中醫古籍中記載的經典方是中醫理論和診療實踐傳承的載體，蘊含著巨大的信息量。據2007年上海辭書出版社出版的《中醫古籍總目》記載，全國131個圖書館中館藏中醫書目有1.3萬種，涉及范圍包括臨床診療經驗、中藥采集、藥性辨別、醫案解釋和偏方驗方匯集等。屠呦呦正是通過古籍文獻帶來的靈感發現了青蒿素，于2015年10月獲得諾貝爾生理學或醫學獎，這說明古籍中蘊含著極為有價值的信息。目前對中醫古籍的數據挖掘大多比較粗淺，主要是一些用藥頻次研究或簡單的關聯分析[18]，但也曾有學者將人工神經網絡、決策樹等人工智能手段融入到古籍數據挖掘中[19]。雖然這些研究成果的臨床實用性還有待驗證，但是足以說明對中醫古籍進行數據挖掘，從而為中醫CDSS提供基礎數據和機器學習的素材是一條潛在的可行之路。

2.3 從單病種開始，逐漸完成融合以目前的技術和前期研究成果，想要一步到位研發出面向各個?？频闹嗅tCDSS幾乎是不可能的事。但是我們可以先從單病種開始，研發出針對某一?？频腃DSS系統，最終融合形成全面的面向中醫各個學科的CDSS系統?；仡機DSS在國外的發展趨勢，我們發現即使在CDSS研發起步較早的美國，目前仍然是以?？艭DSS研發為主[20]。例如用于精神病學心理健康管理決策支持的CEMS（clinical evaluation and monitoring system）系統，用于傳染病診斷決策支持的全球傳染病和流行病學網 絡（global infectious diseases and epidemiology network，GIDEON）系統[21]，用于婦產科臨床決策支持的IPROB系統及用于艾滋病病毒（HIV）感染患者藥物療法決策支持的RetroGram系統[22，20]，等等。雖然也有例如DXplain和伊莎貝爾（Isabel）系統在內的運用范圍較廣的CDSS出現，但應用場景僅包括案例分析、教學輔助、定點照護及醫療咨詢[23]，距離理想中的CDSS系統還相去甚遠。

中醫CDSS的研發難度遠高于西醫，因此我們也不必急于研發面向各個?？频闹嗅tCDSS，可以先著手研發針對單個中醫專科的CDSS，等時機成熟了以后再將其融合，形成完整的中醫CDSS。這樣可以暫時降低研發的難度，為后期的研發提供寶貴的經驗，反而有可能加快CDSS的研發速度，減少走彎路的過程，不失為一種較為有效的探索方式。

3 結語

自1950年邏輯健康處理評價（health evaluation through logical processing，HELP）系 統 問 世 以 來，CDSS的研發已經走過了70多年的歷程。我國自主研發的CDSS也如雨后春筍般涌現，并逐步投入臨床應用，騰訊和阿里等互聯網公司均涉足其中。但限于數據、算法等制約因素，基于人工智能的中醫輔助診療系統發展非常滯后，目前依然沒有人工智能在中醫藥領域應用的成功案例。雖然困難重重，但是市場對中醫CDSS的需求卻一直非常強大。僅從慢性病防治這一應用層面來說，中醫CDSS就具有協助廣大青年醫生完成臨床決策，提高廣大基層醫務工作者慢病防治水平，提升醫療質量，控制醫療費用支出，提高社會資源利用率的作用。

中醫的發展需要傳承與創新。基于時代高速發展的人工智能技術為中醫的傳承和創新提供了非常好的途徑和路徑，使得中醫的創新形式更加多樣化和標準化，與現代醫學的結合也更強。盡管中醫CDSS在多種方面存在很多問題與挑戰，但憑借著廣闊的發展空間和應用前景，相信在未來中醫人工智能的幫助下可以解決中醫發展過程中面臨的更多實際問題，為人類健康作出更多貢獻。