CDSS（Clinical Decision Support System），即临床决策支持系统，一般指凡能对临床决策提供支持的计算机系统，这个系统充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式改善和提高决策效率。

有关CDSS的研究最早源于上世纪50年代末，由医学专家通过推理引擎，将专业知识和临床经验整理后存储于知识库中，利用逻辑推理和模式匹配的方式，帮助用户进行诊断推断，是一种专家系统。20世纪70年代中期，世界上第一个CDSS系统（MYCIN）由美国斯坦福大学研究诞生，此系统可以根据输入的检验信息，自动识别51种病菌，正确使用23种抗菌素，可协助医生诊断和治疗细菌感染性疾病，为患者提供最佳处方。自此之后，各种功能特色的CDSS系统相继出现，对CDSS的研究重点也开始由模拟专家思维转向如何通过各种计算机技术使系统能够更好地适应患者实际诊疗过程，协助临床医生做出诊断决策。

近几年，随着人工智能技术的发展及其在医疗领域应用的不断深入，基于人工智能的临床决策支持系统出现并逐步落地于各大医院与基层医疗机构，辅助医生进行临床决策，得到业界的广泛关注。本文将从CDSS的系统建设和工作逻辑、推动因素、应用和落地情况、面临的困难这四方面展开，以期对我国CDSS的发展现状进行一个系统梳理和全面呈现，并在此基础上，对我国CDSS未来的发展方向进行预测和展望。

一、知识库＋电子病历＋算法：CDSS的决策支持基础

传统的CDSS是基于临床指南、医学文献等客观数据资料构成的知识库，依据一些逻辑关联进行归纳、演绎、推理、匹配，从而实现诊断、治疗等方面的决策支持。近几年，CDSS的系统逐渐向基于知识库＋算法两者结合的方向发展：在传统知识库的基础上，利用机器学习、大数据挖掘等人工智能技术，从历史经验和不断更新的电子病历数据中自主获取知识，识别和学习某些模式，从而提供决策支持。

CDSS 的系统建设包括三个模块：第一个模块是数据库，包括医学知识库和患者数据两个部分。首先，需要通过获取海量的文献类证据和临床实践类证据构建一个医学知识库，且知识库必须随着医学的最新发展保持敏捷的更新和维护；其次，系统需要将患者所有的临床数据从医院的各个系统中解读出来；最后通过自然语言处理使机器了解这些数据的意义。没有医学知识库和患者数据，辅助诊疗就无从下手，因此数据资源是CDSS系统建设和运作的核心。第二个模块是医学知识图谱。通俗地讲，就是通过机器的深度学习让AI了解医学逻辑，像医生一样理解某种疾病从怀疑到诊断到治疗的全过程，以及在这个过程中如何依据已有数据和知识做出判断决策。第三个模块是预测和展示，也称人机交流接口，在掌握了患者的临床数据和疾病的诊疗逻辑后，把预测结果以合适的形式反馈给医生。

通过以上三方面的建设后，CDSS可驻留云服务器，以web方式嵌入医院EMR，在医生操作EMR时，可以提供医学知识库检索、治疗方案推荐、相似病历推荐、辅助诊断、医嘱质控、临床预警等多种功能，从诊前到诊中到诊后为医生提供连续的支持，提高医生诊疗效率和诊疗水平，减少误诊率。