引用本文： 梁詩琪, 劉雨薇, 賀育華, 龔仁蓉, 李卡. 患者智能監測及風險預警的研究進展. 中國普外基礎與臨床雜志, 2021, 28(9): 1232-1236. doi: 10.7507/1007-9424.202011092 復制
患者住院期間可能出現嚴重的病情快速變化，如出血、感染、呼吸衰竭、心臟驟停等急危重并發癥，增加患者死亡風險[1]。盡早識別病情變化征兆，及時、準確地進行預警，指導醫護人員對高風險患者提前介入干預措施，對改善患者預后至關重要[2]。近年來，人工智能（artificial intelligence，AI）的快速發展為臨床患者智能監測與風險預警帶來了新的發展契機。歐盟科研與創新框架計劃（Horizon 2020）根據 AI 與臨床融合深度的不同，將患者智能監測與風險預警模式劃分為 6 級[3]，筆者根據該分級系統對相關領域研究進展進行綜述。
1 等級 0： 簡單閾值報警
等級 0 是一種不涉及 AI 的簡單閾值報警，即目前臨床普遍使用的心電監護儀等設備的報警邏輯。當患者被監測的生理指標發生變化并觸及醫護人員預先設置的閾值時（例如氧飽和度<90%）便會發出報警信號，提示醫護人員患者可能存在風險，需要及時關注與干預。閾值報警的主要優點在于報警靈敏度高、對生命體征變化的反饋迅速，但缺點在于只能根據單一生命體征參數報警，存在較高的誤報警率。研究[4-5]顯示，心電監護儀等臨床儀器的誤報警率可高達 48%～85%，增加了醫護工作量、降低了醫護人員對監護儀的信任，并且長期處于報警環境中的醫護人員易出現報警疲勞[6]，即對報警的敏感度下降[7]，對患者的生命安全構成了潛在威脅。美國急救醫學研究所（Emergency Care Research Institute，ECRI）將醫療設備和醫療信息技術系統發出“過多的報警、警告和通知”列為 2020 年“十大醫療技術危害”之一[8]，提示臨床工作者需要思考醫療設備閾值報警模式的合理性。
2 等級 1： 預警評分系統
基于對患者病情變化早期預警的重視，自 20 世紀 70 年代以來，國內外開發了百余種預警評分系統，如早期預警評分（early warning scoring，EWS）、改良早期預警評分（modified early warning scoring，MEWS）、英國國家早期預警評分（national early warning scoring，NEWS）等。這些評分系統由護士在患者床旁采集體溫、脈搏、呼吸、血壓、尿量、神志等指標，按一定的權重進行賦值后計算，當總分或單項得分達到不同場景下預先設置的閾值時便會觸發預警流程，提示醫護人員患者病情發生變化。EWS 系統已被廣泛應用于臨床實踐，其優點在于快速、簡便、易操作，并且集成了多種參數聯合報警，在一定程度上提高了預測的準確性。研究顯示：EWS 在預測患者病情惡化上的表現與內科醫生無顯著性差異[9]；NEWS 對預測重癥監護病房（intensive care unit，ICU）患者出 ICU 后 24 h 內的病情惡化也顯示出了較高的靈敏度和特異度，研究結果顯示當 NEWS>7 時預測早期臨床惡化的敏感度為 93.6%、特異度為 82.2%[10]。Bian 等[11]構建的 SUPER ［包括血氧飽和度（SpO2）、尿量（urine volume）、脈搏（pulse）、情緒狀態（emotional state）和呼吸頻率（respiratory rate）］ 評分系統可提前 2～6 h 預測高危患者發生急性心力衰竭事件；李紅等[12]的研究發現，患者心搏驟停前 24 h 其 NEWS 評分呈現持續升高的趨勢，提示 NEWS 能夠較好地預測患者心搏驟停的發生；Alam 等[13]報道，引入 EWS 系統后患者臨床結果呈現積極變化的趨勢，住院病死率降低 0.2%～8.0%，ICU 病死率降低 34% 且嚴重不良事件發生頻率減少，但未達到統計學意義。然而預警評分系統的缺點在于：① 只能間斷評估患者的狀態，2 次評分之間的時間間隔可能使評估者難以第一時間捕捉到患者病情惡化的信息；② 傳統的人工手動計算評分費時費力且不夠準確。Kolic 等[14]報道，臨床上存在將近 20% 的 NEWS 評分計算錯誤；盡管近年來研究者將 NEWS 評分編程后作為插件附載在目前的電子病歷系統中，系統自動計算出 NEWS 的分值和危險分層[15]，但其中仍然沒有 AI 參與，計算機只是單純地執行計算任務，仍然存在較高的錯誤報警率。
3 等級 2： 生命體征跟蹤系統
等級 2 是一種生命體征跟蹤系統，它通常需要借助有線或無線數據采集傳輸設備提供連續的生命體征數據，在跟蹤多個生命體征參數變化趨勢的同時，還會考慮各參數變化之間的關系，通過構建算法來實現病情變化的早期預警。有研究[16-17]指出，考慮生命體征變化趨勢的報警在捕獲患者臨床惡化跡象方面可顯示出更高的準確性。Dezman 等[18]研究顯示，院前生命體征趨勢分析能夠更好地預測急診創傷患者的輸血需求、ICU 住院時間以及患者的病死率，有助于提高急診醫療系統院前分診決策的有效性，降低患者病死率并促進醫療衛生資源的合理使用。連續生命體征監測系統彌補了預警評分系統只能間歇性評估的不足。Elvekjaer 等[19]在慢性阻塞性肺疾病急性加重期（acute exacerbation of chronic obstructive pulmonary disease，AECOPD）患者中采用呼吸循環系統窘迫無線評估（wireless assessment of respiratory and circulatory distress，WARD）項目傳感器網絡即一種可以持續監測患者生命體征的設備，與 EWS 相比，連續監測能夠檢測和量化 AECOPD 患者更多生理變量上的嚴重惡化情況。此外，Bleyer 等[20]研究報道，住院患者同時存在 3 個嚴重異常的生命體征時其病死率可達到 23.6%，提示多參數聯合報警優于單一生命體征閾值報警。
生命體征是醫護人員可以收集到的關于患者最簡單、最經濟并且可能是最重要的信息，有研究指出，生命體征的變化是患者臨床惡化最準確的預測因素[21]，生命體征變化趨勢是患者急危重癥發生的獨立預測因子[17]。但在目前的臨床工作中，生命體征尚未得到足夠的重視，臨床仍然以 Q6 h、Q4 h 等間斷式監測與記錄為主，難以早期捕捉病情變化征兆。因此，提高對生命體征監測的重視度，改進其監測設備和技術獲取連續的生命體征大數據，是建立基于生命體征趨勢的患者風險智能預警系統的基礎。
4 等級 3： 臨床決策支持系統
等級 3 的臨床決策支持系統（clinical decision support system，CDSS）是在不斷成熟的 AI 理論體系的指導下，以醫學知識庫和 AI 推理引擎為核心，采用基于本體的語義網絡、機器學習（machine learning，ML）和深度學習算法，對疾病相關的臨床指南、專家共識、權威文獻、歷史病例等數據進行分析與“學習”，通過不斷完善知識庫、規則庫以及決策引擎模型來實現以患者為中心的智能綜合分析與判斷，為醫護人員對患者的診療提供精準的解決方案。CDSS 的輸入數據不僅包含生命體征，還包括異常實驗室檢查結果以及結構化護理觀察信息，代表了目前國內外患者智能風險預測的主要發展趨勢。
電子健康記錄（electronic health record，EHR）是 CDSS 重要的數據來源，它包括了患者從過去到現在的大量醫療及護理數據，其核心價值在于可跨越不同醫療機構實現醫療信息的共享，保證了醫療資源的高效利用[22]。Al-Jaghbeer 等[23]在研究中使用 CDSS 檢測患者急性腎損傷的發生，從 EHR 中獲取患者血清肌酐值的基線濃度、濃度變化、慢性腎病史以及其他特征數據，通過提早預警使存在急性腎損傷患者的院內病死率、住院時間和透析率有小幅度且持續的下降。Taylor 等[24]利用 4 所醫院 EHR 中 500 多個臨床變量構建 ML 模型預測急診科膿毒癥患者的院內病死率，研究結果表明該模型的預測效能優于現有和傳統的多個預測工具。Ong 等[25]利用 EHR 中包括心率變異性在內的一系列參數構建基于 ML 的急診科危重患者心搏驟停預警模型，研究結果表明，該 ML 預警模型比 MEWS 能更準確地預測患者 72 h 內心搏驟停事件的發生 ［受試者工作特征曲線下面積（AUC）為 0.781 比 0.680，95%CI 為（0.006，0.197），P=0.037］。Dziadzko 等[26]基于美國梅奧醫學中心等 4 家醫院的 EHR，納入患者年齡等基本信息及二氧化碳分壓（PaCO2）、氧分壓（PaO2）等實驗室指標構建基于 ML 的住院患者風險分層工具，其研究結果表明該工具可實時識別存在呼吸衰竭或死亡風險的高危患者。嚴律南等[27]基于四川大學華西醫院 5 008 例有完整隨訪資料的肝癌患者病例開發了“AI 肝癌臨床決策支持系統”，臨床醫生只需將患者臨床檢驗及影像學等數據輸入該系統，便可立即給出治療方案并輸出患者預后等預測報告，經驗證，該系統的臨床應用準確率達 90% 左右。臨床決策支持系統解決了數據共享、信息碎片化以及不斷產生新數據等醫療大數據使用過程中的常見問題，是衡量醫院信息化建設水平的重要參考指標[28]。理想的 CDSS 可輔助醫護人員預警、診斷與決策并減少患者的醫療費用、改善其臨床結果和預后[29]。但目前 CDSS 的發展不夠成熟，在國內開展的試點應用仍受到眾多限制[30]。需要注意的是，制約臨床決策支持系統發展除了 AI 技術的限制外，還包括數據的質量和信息安全問題。如何提高數據的可用性，保證數據的質量、標準化以及系統間的互聯互通水平是 CDSS 研究的重點；同時，醫療數據的共享勢必會導致患者信息的透明化，如何確保患者信息的安全性也是大數據時代研究者需要思考的問題。
5 等級 4： 全集成的臨床決策支持系統
等級 4 是一種全集成的臨床決策支持系統，通過搭建集成平臺實現醫院內各信息化子系統規范化的交互和穩定安全的運行，如電子病歷數據庫、實驗室檢查報告系統、影像系統等。系統所能處理的輸入數據將更加多元化，包括當前診斷、個人病史、結構化護理觀察、醫療病程記錄、患者主訴、連續生命體征數據、實驗室檢查結果等，并且融合圖像識別功能，自動分析影像報告，通過與規則庫匹配實時預測患者嚴重并發癥的風險，并在每次有新數據元素進入系統后及時更新預測。林深等[31]通過深度學習算法分析臉部圖片，實現了對冠心病的預測，提示融合圖像識別功能的決策系統可能進一步提高疾病預測效能；李芊等[32]基于 CT 影像組學特征構建的基于決策樹模型的直腸癌新輔助化療后病理完全緩解預測模型也代表了未來全集成臨床決策支持系統重點開發的方向。臨床數據的主要來源是電子病歷數據庫，目前我國大部分電子病歷系統建設仍處于從結構化病例向智能化病歷過渡的階段，臨床數據的標準化與規范化程度不足，在一定程度上制約了 AI 與大數據技術在臨床的應用，因此全集成臨床決策支持系統目前仍停留于概念階段。全集成的臨床決策支持系統在患者監測與風險預警上的應用需要使用各集成平臺下的患者實時數據，并通過 ML 技術來為醫護人員提供患者臨床惡化的早期跡象，從而提供早期干預、改變患者結局，同時要求決策支持系統應達到兼具實時數據提取和觸發預警分數計算等技術要求。Nemati 等[33]通過提取生命體征時間序列和 EHR 數據構建了一種可用于預測 ICU 患者敗血癥的 ML 模型，該模型可每小時提取 1 次包含 65 個特征的數據，并利用 AI 算法進行運算，從而預測患者接下來 4～12 h 敗血癥的發作。但該研究未能全面集成相關數據庫，同時也尚不能根據患者實時數據觸發風險預警的計算。
未來構建全集成臨床決策支持系統有賴于建立高度結構化的智能化電子病歷數據庫，同時基于國家標準的醫院信息集成平臺（HIP），有效整合各現存系統和子數據庫，以提升數據質量、實現完整數據融合，打好智慧醫院建設的基礎工程[34-35]。
6 等級 5： 自學習系統
AI 技術的使用在構建智能化臨床決策支持系統中起著關鍵作用，但在這一過程中仍然存在大量的人工干預，包括特征提取、模型選擇等各個方面。等級 5 將在技術維度上進一步升級，利用自動機器學習（automatic ML，AutoML）技術實現 ML 步驟中從模型構建到應用的全過程自動化，無需經過人工干預就可以使機器做到對人類主觀判斷和分析的模仿[36]。自學習系統的建立一方面更能代表 AI 的建議，系統可自動根據患者數據預判最佳的診療方案，作為醫護人員的參考，使智能化臨床決策支持系統從訓練依賴型轉變為自主學習型；另一方面，自學習系統尋求可自動選擇、組合和參數化 ML 模型，以便在給定的任務和數據集上表現出最佳性能，自學習技術的應用使 ML 的操作變得更加容易，同時使用監測系統的臨床醫護人員也無需深入了解 ML 知識[37]。目前，已有國外學者將 AutoML 技術應用于醫療領域。Alaa 等發現利用 AutoML 技術構建的預后模型相較于傳統的風險因素評分系統，能夠提高對英國人群心血管疾病[38]及囊性纖維化[39]風險預測的準確性；Luo 開發了兩款軟件系統 MLBCD[40]和 PredicT-ML[41]，旨在將 AutoML 技術應用于臨床大數據以解決臨床大數據使用中的效率問題，但這兩款軟件目前均未應用于臨床實踐中。盡管 AutoML 技術已有在醫療領域的應用案例，但尚未在臨床實踐中被廣泛的采用，還需要大量的工作與研究證明其有效性與安全性。同時，AutoML 作為一種算法，其表現仍然受到結構化數據庫建設及臨床決策支持系統集成程度的制約。未來將 AutoML 技術應用在“患者監測與風險預警”的功能板塊中，可實現臨床決策支持系統不斷地自動更新算法與模型，以預測患者的病情和風險，提高預測的精準度。等級 4 與等級 5 將成為未來 AI 輔助診療的重要研究方向之一。
7 小結
筆者根據 AI 與臨床融合深度的不同，以 6 個等級為導向綜述了患者智能監測與風險預警的研究進展。目前國內外研究主要集中于等級 2 和等級 3 的預測模型建設，但這種模型的構建主要為基于 EHR 的回顧性研究，罕有基于臨床實時數據的預警模型，總體來看研究還處于早期階段，成熟且具備高市場占有率的產品不多。因此，接下來應進一步推動等級 2 和等級 3 中預測模型與臨床場景的深度融合，并以等級 4 和等級 5 為未來改進方向，利用數字化臨床醫學助力更加精準的醫療服務。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：劉雨薇和龔仁蓉提出研究思路；梁詩琪負責文獻檢索、閱讀與論文撰寫；賀育華協助文獻檢索及篩選；李卡負責審核并修改論文。
患者住院期間可能出現嚴重的病情快速變化，如出血、感染、呼吸衰竭、心臟驟停等急危重并發癥，增加患者死亡風險[1]。盡早識別病情變化征兆，及時、準確地進行預警，指導醫護人員對高風險患者提前介入干預措施，對改善患者預后至關重要[2]。近年來，人工智能（artificial intelligence，AI）的快速發展為臨床患者智能監測與風險預警帶來了新的發展契機。歐盟科研與創新框架計劃（Horizon 2020）根據 AI 與臨床融合深度的不同，將患者智能監測與風險預警模式劃分為 6 級[3]，筆者根據該分級系統對相關領域研究進展進行綜述。
1 等級 0： 簡單閾值報警
等級 0 是一種不涉及 AI 的簡單閾值報警，即目前臨床普遍使用的心電監護儀等設備的報警邏輯。當患者被監測的生理指標發生變化并觸及醫護人員預先設置的閾值時（例如氧飽和度<90%）便會發出報警信號，提示醫護人員患者可能存在風險，需要及時關注與干預。閾值報警的主要優點在于報警靈敏度高、對生命體征變化的反饋迅速，但缺點在于只能根據單一生命體征參數報警，存在較高的誤報警率。研究[4-5]顯示，心電監護儀等臨床儀器的誤報警率可高達 48%～85%，增加了醫護工作量、降低了醫護人員對監護儀的信任，并且長期處于報警環境中的醫護人員易出現報警疲勞[6]，即對報警的敏感度下降[7]，對患者的生命安全構成了潛在威脅。美國急救醫學研究所（Emergency Care Research Institute，ECRI）將醫療設備和醫療信息技術系統發出“過多的報警、警告和通知”列為 2020 年“十大醫療技術危害”之一[8]，提示臨床工作者需要思考醫療設備閾值報警模式的合理性。
2 等級 1： 預警評分系統
基于對患者病情變化早期預警的重視，自 20 世紀 70 年代以來，國內外開發了百余種預警評分系統，如早期預警評分（early warning scoring，EWS）、改良早期預警評分（modified early warning scoring，MEWS）、英國國家早期預警評分（national early warning scoring，NEWS）等。這些評分系統由護士在患者床旁采集體溫、脈搏、呼吸、血壓、尿量、神志等指標，按一定的權重進行賦值后計算，當總分或單項得分達到不同場景下預先設置的閾值時便會觸發預警流程，提示醫護人員患者病情發生變化。EWS 系統已被廣泛應用于臨床實踐，其優點在于快速、簡便、易操作，并且集成了多種參數聯合報警，在一定程度上提高了預測的準確性。研究顯示：EWS 在預測患者病情惡化上的表現與內科醫生無顯著性差異[9]；NEWS 對預測重癥監護病房（intensive care unit，ICU）患者出 ICU 后 24 h 內的病情惡化也顯示出了較高的靈敏度和特異度，研究結果顯示當 NEWS>7 時預測早期臨床惡化的敏感度為 93.6%、特異度為 82.2%[10]。Bian 等[11]構建的 SUPER ［包括血氧飽和度（SpO2）、尿量（urine volume）、脈搏（pulse）、情緒狀態（emotional state）和呼吸頻率（respiratory rate）］ 評分系統可提前 2～6 h 預測高危患者發生急性心力衰竭事件；李紅等[12]的研究發現，患者心搏驟停前 24 h 其 NEWS 評分呈現持續升高的趨勢，提示 NEWS 能夠較好地預測患者心搏驟停的發生；Alam 等[13]報道，引入 EWS 系統后患者臨床結果呈現積極變化的趨勢，住院病死率降低 0.2%～8.0%，ICU 病死率降低 34% 且嚴重不良事件發生頻率減少，但未達到統計學意義。然而預警評分系統的缺點在于：① 只能間斷評估患者的狀態，2 次評分之間的時間間隔可能使評估者難以第一時間捕捉到患者病情惡化的信息；② 傳統的人工手動計算評分費時費力且不夠準確。Kolic 等[14]報道，臨床上存在將近 20% 的 NEWS 評分計算錯誤；盡管近年來研究者將 NEWS 評分編程后作為插件附載在目前的電子病歷系統中，系統自動計算出 NEWS 的分值和危險分層[15]，但其中仍然沒有 AI 參與，計算機只是單純地執行計算任務，仍然存在較高的錯誤報警率。
3 等級 2： 生命體征跟蹤系統
等級 2 是一種生命體征跟蹤系統，它通常需要借助有線或無線數據采集傳輸設備提供連續的生命體征數據，在跟蹤多個生命體征參數變化趨勢的同時，還會考慮各參數變化之間的關系，通過構建算法來實現病情變化的早期預警。有研究[16-17]指出，考慮生命體征變化趨勢的報警在捕獲患者臨床惡化跡象方面可顯示出更高的準確性。Dezman 等[18]研究顯示，院前生命體征趨勢分析能夠更好地預測急診創傷患者的輸血需求、ICU 住院時間以及患者的病死率，有助于提高急診醫療系統院前分診決策的有效性，降低患者病死率并促進醫療衛生資源的合理使用。連續生命體征監測系統彌補了預警評分系統只能間歇性評估的不足。Elvekjaer 等[19]在慢性阻塞性肺疾病急性加重期（acute exacerbation of chronic obstructive pulmonary disease，AECOPD）患者中采用呼吸循環系統窘迫無線評估（wireless assessment of respiratory and circulatory distress，WARD）項目傳感器網絡即一種可以持續監測患者生命體征的設備，與 EWS 相比，連續監測能夠檢測和量化 AECOPD 患者更多生理變量上的嚴重惡化情況。此外，Bleyer 等[20]研究報道，住院患者同時存在 3 個嚴重異常的生命體征時其病死率可達到 23.6%，提示多參數聯合報警優于單一生命體征閾值報警。
生命體征是醫護人員可以收集到的關于患者最簡單、最經濟并且可能是最重要的信息，有研究指出，生命體征的變化是患者臨床惡化最準確的預測因素[21]，生命體征變化趨勢是患者急危重癥發生的獨立預測因子[17]。但在目前的臨床工作中，生命體征尚未得到足夠的重視，臨床仍然以 Q6 h、Q4 h 等間斷式監測與記錄為主，難以早期捕捉病情變化征兆。因此，提高對生命體征監測的重視度，改進其監測設備和技術獲取連續的生命體征大數據，是建立基于生命體征趨勢的患者風險智能預警系統的基礎。
4 等級 3： 臨床決策支持系統
等級 3 的臨床決策支持系統（clinical decision support system，CDSS）是在不斷成熟的 AI 理論體系的指導下，以醫學知識庫和 AI 推理引擎為核心，采用基于本體的語義網絡、機器學習（machine learning，ML）和深度學習算法，對疾病相關的臨床指南、專家共識、權威文獻、歷史病例等數據進行分析與“學習”，通過不斷完善知識庫、規則庫以及決策引擎模型來實現以患者為中心的智能綜合分析與判斷，為醫護人員對患者的診療提供精準的解決方案。CDSS 的輸入數據不僅包含生命體征，還包括異常實驗室檢查結果以及結構化護理觀察信息，代表了目前國內外患者智能風險預測的主要發展趨勢。
電子健康記錄（electronic health record，EHR）是 CDSS 重要的數據來源，它包括了患者從過去到現在的大量醫療及護理數據，其核心價值在于可跨越不同醫療機構實現醫療信息的共享，保證了醫療資源的高效利用[22]。Al-Jaghbeer 等[23]在研究中使用 CDSS 檢測患者急性腎損傷的發生，從 EHR 中獲取患者血清肌酐值的基線濃度、濃度變化、慢性腎病史以及其他特征數據，通過提早預警使存在急性腎損傷患者的院內病死率、住院時間和透析率有小幅度且持續的下降。Taylor 等[24]利用 4 所醫院 EHR 中 500 多個臨床變量構建 ML 模型預測急診科膿毒癥患者的院內病死率，研究結果表明該模型的預測效能優于現有和傳統的多個預測工具。Ong 等[25]利用 EHR 中包括心率變異性在內的一系列參數構建基于 ML 的急診科危重患者心搏驟停預警模型，研究結果表明，該 ML 預警模型比 MEWS 能更準確地預測患者 72 h 內心搏驟停事件的發生 ［受試者工作特征曲線下面積（AUC）為 0.781 比 0.680，95%CI 為（0.006，0.197），P=0.037］。Dziadzko 等[26]基于美國梅奧醫學中心等 4 家醫院的 EHR，納入患者年齡等基本信息及二氧化碳分壓（PaCO2）、氧分壓（PaO2）等實驗室指標構建基于 ML 的住院患者風險分層工具，其研究結果表明該工具可實時識別存在呼吸衰竭或死亡風險的高危患者。嚴律南等[27]基于四川大學華西醫院 5 008 例有完整隨訪資料的肝癌患者病例開發了“AI 肝癌臨床決策支持系統”，臨床醫生只需將患者臨床檢驗及影像學等數據輸入該系統，便可立即給出治療方案并輸出患者預后等預測報告，經驗證，該系統的臨床應用準確率達 90% 左右。臨床決策支持系統解決了數據共享、信息碎片化以及不斷產生新數據等醫療大數據使用過程中的常見問題，是衡量醫院信息化建設水平的重要參考指標[28]。理想的 CDSS 可輔助醫護人員預警、診斷與決策并減少患者的醫療費用、改善其臨床結果和預后[29]。但目前 CDSS 的發展不夠成熟，在國內開展的試點應用仍受到眾多限制[30]。需要注意的是，制約臨床決策支持系統發展除了 AI 技術的限制外，還包括數據的質量和信息安全問題。如何提高數據的可用性，保證數據的質量、標準化以及系統間的互聯互通水平是 CDSS 研究的重點；同時，醫療數據的共享勢必會導致患者信息的透明化，如何確保患者信息的安全性也是大數據時代研究者需要思考的問題。
5 等級 4： 全集成的臨床決策支持系統
等級 4 是一種全集成的臨床決策支持系統，通過搭建集成平臺實現醫院內各信息化子系統規范化的交互和穩定安全的運行，如電子病歷數據庫、實驗室檢查報告系統、影像系統等。系統所能處理的輸入數據將更加多元化，包括當前診斷、個人病史、結構化護理觀察、醫療病程記錄、患者主訴、連續生命體征數據、實驗室檢查結果等，并且融合圖像識別功能，自動分析影像報告，通過與規則庫匹配實時預測患者嚴重并發癥的風險，并在每次有新數據元素進入系統后及時更新預測。林深等[31]通過深度學習算法分析臉部圖片，實現了對冠心病的預測，提示融合圖像識別功能的決策系統可能進一步提高疾病預測效能；李芊等[32]基于 CT 影像組學特征構建的基于決策樹模型的直腸癌新輔助化療后病理完全緩解預測模型也代表了未來全集成臨床決策支持系統重點開發的方向。臨床數據的主要來源是電子病歷數據庫，目前我國大部分電子病歷系統建設仍處于從結構化病例向智能化病歷過渡的階段，臨床數據的標準化與規范化程度不足，在一定程度上制約了 AI 與大數據技術在臨床的應用，因此全集成臨床決策支持系統目前仍停留于概念階段。全集成的臨床決策支持系統在患者監測與風險預警上的應用需要使用各集成平臺下的患者實時數據，并通過 ML 技術來為醫護人員提供患者臨床惡化的早期跡象，從而提供早期干預、改變患者結局，同時要求決策支持系統應達到兼具實時數據提取和觸發預警分數計算等技術要求。Nemati 等[33]通過提取生命體征時間序列和 EHR 數據構建了一種可用于預測 ICU 患者敗血癥的 ML 模型，該模型可每小時提取 1 次包含 65 個特征的數據，并利用 AI 算法進行運算，從而預測患者接下來 4～12 h 敗血癥的發作。但該研究未能全面集成相關數據庫，同時也尚不能根據患者實時數據觸發風險預警的計算。
未來構建全集成臨床決策支持系統有賴于建立高度結構化的智能化電子病歷數據庫，同時基于國家標準的醫院信息集成平臺（HIP），有效整合各現存系統和子數據庫，以提升數據質量、實現完整數據融合，打好智慧醫院建設的基礎工程[34-35]。
6 等級 5： 自學習系統
AI 技術的使用在構建智能化臨床決策支持系統中起著關鍵作用，但在這一過程中仍然存在大量的人工干預，包括特征提取、模型選擇等各個方面。等級 5 將在技術維度上進一步升級，利用自動機器學習（automatic ML，AutoML）技術實現 ML 步驟中從模型構建到應用的全過程自動化，無需經過人工干預就可以使機器做到對人類主觀判斷和分析的模仿[36]。自學習系統的建立一方面更能代表 AI 的建議，系統可自動根據患者數據預判最佳的診療方案，作為醫護人員的參考，使智能化臨床決策支持系統從訓練依賴型轉變為自主學習型；另一方面，自學習系統尋求可自動選擇、組合和參數化 ML 模型，以便在給定的任務和數據集上表現出最佳性能，自學習技術的應用使 ML 的操作變得更加容易，同時使用監測系統的臨床醫護人員也無需深入了解 ML 知識[37]。目前，已有國外學者將 AutoML 技術應用于醫療領域。Alaa 等發現利用 AutoML 技術構建的預后模型相較于傳統的風險因素評分系統，能夠提高對英國人群心血管疾病[38]及囊性纖維化[39]風險預測的準確性；Luo 開發了兩款軟件系統 MLBCD[40]和 PredicT-ML[41]，旨在將 AutoML 技術應用于臨床大數據以解決臨床大數據使用中的效率問題，但這兩款軟件目前均未應用于臨床實踐中。盡管 AutoML 技術已有在醫療領域的應用案例，但尚未在臨床實踐中被廣泛的采用，還需要大量的工作與研究證明其有效性與安全性。同時，AutoML 作為一種算法，其表現仍然受到結構化數據庫建設及臨床決策支持系統集成程度的制約。未來將 AutoML 技術應用在“患者監測與風險預警”的功能板塊中，可實現臨床決策支持系統不斷地自動更新算法與模型，以預測患者的病情和風險，提高預測的精準度。等級 4 與等級 5 將成為未來 AI 輔助診療的重要研究方向之一。
7 小結
筆者根據 AI 與臨床融合深度的不同，以 6 個等級為導向綜述了患者智能監測與風險預警的研究進展。目前國內外研究主要集中于等級 2 和等級 3 的預測模型建設，但這種模型的構建主要為基于 EHR 的回顧性研究，罕有基于臨床實時數據的預警模型，總體來看研究還處于早期階段，成熟且具備高市場占有率的產品不多。因此，接下來應進一步推動等級 2 和等級 3 中預測模型與臨床場景的深度融合，并以等級 4 和等級 5 為未來改進方向，利用數字化臨床醫學助力更加精準的醫療服務。
重要聲明
利益沖突聲明：本文全體作者閱讀并理解了《中國普外基礎與臨床雜志》的政策聲明，我們沒有相互競爭的利益。
作者貢獻聲明：劉雨薇和龔仁蓉提出研究思路；梁詩琪負責文獻檢索、閱讀與論文撰寫；賀育華協助文獻檢索及篩選；李卡負責審核并修改論文。