临床决策支持系统（CDSS）是一种健康信息技术，旨在通过将患者特定数据与医学知识相结合，协助医疗保健提供者做出临床决策。它在护理点提供警报、提醒、诊断建议和治疗推荐。CDSS是许多电子健康记录（EHR）系统的核心组成部分，并日益通过人工智能技术得到增强。
该术语涵盖广泛的工具，从简单的药物-药物相互作用检查器到预测患者病情恶化的复杂机器学习模型。现代CDSS可分为基于知识的系统，其依赖显式规则和推理引擎，以及非基于知识的系统，其使用历史数据的模式识别。后者通常采用深度学习架构，如神经网络和变换器模型。
历史与发展
CDSS的起源可追溯至20世纪70年代的专家系统研究，早期原型包括MYCIN，一个用于识别细菌感染的基于规则的系统。这些系统在学术环境中开发，包括斯坦福人工智能实验室，并证明了计算机能够编码医学专业知识。然而，早期采用受到缺乏整合的临床数据和维护规则库困难的限制。
在20世纪90年代和2000年代，CDSS作为独立模块以及后来作为EHR的集成功能商业化。美国2009年的《健康信息技术促进经济和临床健康法案》（HITECH）激励了EHR的采用，这反过来加速了CDSS的部署。到2010年代，机器学习的兴起和大型临床数据集的可用性推动了向数据驱动的非基于知识系统的转变。
类型与功能
基于知识的CDSS将临床指南编码为条件规则。例如，系统可能在处方药物与患者现有状况或另一种药物冲突时提醒医生。这些系统透明且可解释，使其适合监管审批。它们广泛用于预防性护理提醒，如疫苗接种时间表和癌症筛查。
非基于知识的CDSS使用深度学习和神经网络来识别患者数据中的模式。这些模型可以预测脓毒症发作、再入院风险或药物不良事件。最近，大型语言模型已应用于临床文本摘要和鉴别诊断生成。一些系统结合了两种方法，使用规则进行安全警报，使用AI进行概率性推荐。
集成与部署
现代CDSS通常作为基于云的服务部署，利用来自亚马逊网络服务、谷歌云和微软Azure等提供商的 infrastructure。这使医疗机构能够扩展计算资源，并通过应用程序编程接口与现有EHR集成。像Commure这样的供应商提供AI驱动的临床工作流程，而直觉外科将决策支持集成到手术机器人中。
部署需要仔细关注互操作性标准，如HL7 FHIR，其支持系统之间的数据交换。CDSS可以实时运行，在临床接触期间生成警报，或以批处理模式用于人群健康管理。部署模型的选择，，本地、云或混合，，取决于数据隐私法规和机构IT政策。
挑战与局限
一个持续的问题是警报疲劳，即临床医生忽略或覆盖大量警报，从而降低系统有效性。研究表明，许多CDSS警报在临床上无关或冗余。数据质量是另一个关注点；基于有偏见或不完整数据训练的模型可能产生不公平的推荐。深度学习模型的不透明性也使临床医生信任和监管审查复杂化。
监管框架，如美国食品药品监督管理局（FDA）关于作为医疗设备的软件的指南，要求严格验证。2021年，FDA发布了针对AI/ML医疗设备的行动计划，强调透明度和真实世界性能监测。包括麻省理工学院计算机科学与人工智能实验室和卡内基梅隆大学在内的学术机构正在研究使AI模型更具可解释性和鲁棒性的方法。
未来方向
下一代CDSS预计将利用生成式AI和大型语言模型提供对话式、上下文感知的推荐。多伦多大学及其他中心的研究正在探索如何微调变换器模型以用于临床推理任务。这些系统最终可能集成可穿戴设备和远程监测，在传统临床环境之外提供持续决策支持。
另一个方向是使用数据增强和合成数据来解决隐私问题并提高模型泛化能力。随着CDSS变得更加自主，责任、问责和人类监督的问题将保持核心地位。目标不是取代临床医生，而是通过及时、基于证据的见解增强他们的专业知识。