机器学习在传染病临床决策支持系统中应用的研究进展

宋雪青，张学靓，马晓萌，许翠萍，2*

1.山东大学护理与康复学院，山东 250012；2.山东第一医科大学第一附属医院（山东省千佛山医院）

《2022年世界卫生统计报告》指出传染病（infectious disease，ID）仍是全球十大死亡原因之一，结核病、艾滋病、疟疾以及热带病和乙型病毒性肝炎等传染病使中低收入国家承受着沉重的负担[1]。2020 年暴发的新型冠状病毒感染（COVID-19）更是对全球公共卫生安全造成巨大的危机，如何加强对传染病的应对与管理已成为全球性的挑战。随着电子健康记录（EHR）的广泛使用，医疗保健数据的可用性显著增加，为人工智能（artificial intelligence，AI）在传染病管理的应用创造了条件。专家系统（expert system，ES）的开发是人工智能在医疗卫生领域的开始，专家系统基于从医学专家访谈中获取的规则进行翻译和编程，但受限于在临床决策中捕获专家知识时需要大量的规则且在处理意外情况时缺乏灵活性，专家系统并未得到良好的应用[2]。而运用专家系统设计原理和方法的临床决策支持系统（clinical decision support systems，CDSS）是医疗卫生和人工智能领域交叉融合的重要应用[3-4]，能够智能辅助医护人员作出最佳临床决策，提高医护人员工作效率与指南依从性，具有良好的应用效果[5]。机器学习（machine learning，ML）作为人工智能领域的核心，与CDSS 结合形成机器学习临床决策支持系统（machine learning-clinical decision support systems，ML-CDSS）更是在传染性疾病的管理中发挥了重要作用。基于此，现从应用基础、应用现状、面临挑战及未来发展趋势4 个方面对ML-CDSS 在传染病管理中的相关研究进行综述，旨在进一步增强对传染性疾病的智能管理、为智慧医疗的发展提供参考及借鉴。

1 ML-CDSS 在传染病管理中的应用基础

机器学习作为人工智能领域的核心，对于数据的汇集、分析、管理及再利用方面显示出良好的效能[6]。随着电子健康记录的广泛使用、医疗相关信息化平台的不断完善与发展，医疗保健记录被长期留存，产生了大量的可用性数据，为机器学习在医疗卫生领域的发展奠定了坚实基础[7]。常见的机器学习算法包括决策树、随机森林、支持向量机、k-最近邻算法和朴素贝叶斯算法等[8]，其运作是工程师以明确的计算机代码的形式提取知识，指导计算机准确地处理数据和做出决策，与传统方法相比，机器学习是从示例中学习而不是用规则编程，能够直接从大量的数据中学习规则，因此在没有明确指令的情况下也可以适应未知的情况，具有较高的灵活性，在临床使用中可以通过电子健康记录中的大量数据，基于学习策略和方法，自动创建规则，学习大量病人的健康轨迹模式，在医生个人实践经验的信息中获取信息，帮助医生预测未来事件[9]。机器学习突破了专家系统的约束，能够从数据中学习、挖掘信息，提取数据中的潜在规律和模式并预测、解释未知的情况[10]，克服了知识库型系统知识来源有限和缺乏临床特征综合评估的局限性[2]。而ML-CDSS 则是以结构化数据为基础，在既往数据的基础上结合病人实际情况通过学习策略和算法构建新的规则，获得对新数据的识别和预测能力，协助临床决策[11]。目前，随着传染病管理的进一步规范、感染管理系统和各信息平台的不断完善，产生了庞大的可用性数据，基于大数据的ML-CDSS 对传染病的管理已成为发展趋势[5,12]，有利于推动传染病的精细化智能管理。

2 ML-CDSS 在传染病管理中的应用现状

ML-CDSS 可高效、动态地整合病人的各种生理指标与病情变化信息，基于知识库和人工智能技术，为医生在疾病的诊断、治疗、风险预测、合理用药等方面提供决策支持[13]，在传染病的规范化管理中凸显出重要地位。

2.1 传染病的诊断和预警

基于机器学习的CDSS 在传染病的诊断和预警方面发挥了重要作用。何海锋等[14]提出了基于机器学习的CDSS，利用知识库引擎鉴别诊断新型冠状病毒感染等的病例，设计监测预警方案并合理对接医院疾病防控与感染控制信息系统，提高了对新型冠状病毒感染的感知、预警及决策，并能够进行质控跟踪。Wu等[15]基于中国、意大利、比利时等多中心队列回顾性地开发了一项用于入院时新型冠状病毒感染病人严重程度风险预测和分诊的临床决策系统，并前瞻性地验证该系统的使用效能，以评估疾病的严重程度及其进展，结果显示，基于机器学习的临床决策系统有助于获取重症和危重症新型冠状病毒感染病人的发病情况诊断以及入院时的分诊情况，Chen 等[16]开发的模型也得出相似结论。一项研究提出了基于血液检查数据的ML-CDSS 预测新型冠状病毒感染死亡风险，该研究提供的决策支持系统有助于准确预测新型冠状病毒感染病人的死亡率，协助临床医生采取治疗方案预防病人早期死亡[17]，McRae 等[18]的研究也得出同样的结果。另有一项报告指出，ML-CDSS 能够改善艾滋病的监测，可以提高医院内外的艾滋病检测率，有助于及时发现艾滋病毒感染并加强诊断[19]。一项在越南中部进行的研究开发了基于3 种不同机器学习算法的包含结核、病毒性肝炎等在内的8 种传染病CDSS，在有限的条件下使用有限的数据开发的系统诊断准确率达到了85%，充分证实了基于机器学习的CDSS 在传染病的诊断中具有可行性[20]。综上，既往研究均显示ML-CDSS 在传染病的诊断、预警及预后预测等方面显示出良好的应用效能，并具有进一步推广使用的可能性。

2.2 传染病的合理用药

一项Meta 分析显示，用于药物管理的ML-CDSS对于病人结局和医生临床实践等方面具有积极影响[21]。当前基于传染病的ML-CDSS 在抗菌药物使用方面展现出良好的应用效能。卓烨烨等[11]综述了基于有广泛稳定数据来源的医院信息系统（HIS）构建的抗菌药物管理的ML-CDSS，研究结果显示ML-CDSS 的应用仍处于起步阶段，国内主要用于促进抗菌药物的合理使用，国外则倾向于协助优化抗菌药物的治疗方案，其灵敏度和准确率均较高。Shen 等[22]使用机器学习的方法，结合了传染病和抗生素处方领域的知识获取、本体构建、系统建模和决策支持，开发了抗生素使用决策支持系统（IDDAP），该系统从病人角度出发，充分考虑了病人个体特征，及时识别可能的传染病并在严重或可能致命的情况下发出警告，并在受控条件下确定适当的治疗方案。国外一项研究综述了机器学习在实体器官移植病人抗菌药物使用的临床决策支持，而基于机器学习的CDSS 对于实体器官移植这一特殊人群感染并发症的预测以及传染病的诊断和治疗均有帮助，同时可以在充分考虑到免疫抑制剂使用的影响下指导抗菌药物剂量的选择[23]。Lennert 等[24]于2022 年提出了耐药结核病人基于机器学习的混合治疗临床决策系统的开发，并进行了初步验证，次年开发了为利福平耐药的结核病病人提供最佳治疗方案的临床决策系统，该系统能够自动形成个性化治疗方案，从病人角度平衡有效性、耐受性，并从健康系统角度平衡可行性。研究结果显示新开发的临床决策系统有助于改善利福平耐药结核病病人的治疗结局[25]。由此可见，ML-CDSS 在传染病病人的合理用药方面表现出了良好的应用效能。

2.3 传染病的规范化管理

朱瑞芳等[26]开发了一项基于机器学习的临床决策支持系统，探究其对结核潜伏感染（LTBI）高危病人筛查和诊断的效果，研究结果显示基于机器学习的CDSS 有助于增强LTBI 的筛查精准性，有助于优化对LTBI 的规范管理。王梦莹等[27]的研究将基于机器学习及人工智能等的医生CDSS 嵌入医生工作站中，利用大数据和人工智能技术实现对疑似传染病的预警、确诊及动态追踪等，为传染病的防控、趋势分析等提供了科学依据。ML-CDSS 的开发为传染病的规范化管理提供新的方向。一项在12 所医院开发的基于机器学习的CDSS 被用作协助急诊科医生对疑似新型冠状病毒感染病人做出临床决策，该系统可以有效加强医护工作者对病人的护理，减少不恰当的决策，并优化资源的利用[28]。一项综述显示将预测分析技术与临床信息学相结合的ML-CDSS 为医疗者提供了实时干预的潜力，并可以改善艾滋病病人从诊断到病毒抑制的连续性护理结果，从而达到规范化管理的效果[29]。一项研究显示，基于简化的人工智能CDSS 有助于在有限的资源环境中协助临床决策，加强对医疗卫生落后地区传染病的管理[20]。另一项研究显示，在资源有限的国家，ML-CDSS 可以早期发现艾滋病病人的不配合和失访情况，及时采取措施降低其发生率，使该类病人重新参与到医疗护理过程中，从而提高护理质量[30]。在我国新型冠状病毒感染大流行期间，Liu 等[31]开发了一项基于机器学习的新型冠状病毒感染临床决策系统（DDC19），通过收集潜在病人的健康信息，为潜在病人提供动态评估，协助医务工作者管理病人并对病人做出进一步临床决策。另一项研究除了证实ML-CDSS 能够协助进行艾滋病病人的临床决策之外，同时保护了病人记录的隐私和临床医生决策的机密性，规范了艾滋病的管理[32]。

除此之外，机器学习还可用于根据临床文献自动选择可能符合随机对照试验条件的病人，或识别可能受益于研究中的早期或新疗法的高风险病人或亚群，可以辅助临床决策，使卫生系统能够对每种临床情况进行更严格的研究，降低成本和管理开销[9]，在传染病的信息化管理中具有巨大的潜力。

3 ML-CDSS 在传染病管理中的应用挑战和未来发展趋势

3.1 应用挑战

由于临床状态和决策过程的复杂性、数据缺失以及缺乏基于统计的简易分析工具，有效提取临床决策支持的能力有限，因此机器学习临床决策系统在临床使用中存在一定的挑战。

3.1.1 数据的可用性较差

与传染病相关的医疗保健相关数据规模庞大，非结构化数据众多，数据质量难以保证，数据缺失、不同物理系统间难以协调等问题仍然存在[29,33]，导致ML-CDSS 的可解释性和可溯性较差，另外开放共享的大型数据库尚未建立[23]，同时缺乏对于ML-CDSS使用和评估的规范标准，已开发的系统未得到验证，为ML-CDSS 的开发和应用带来了巨大的挑战[34]。电子系统的开发研究者多为大数据分析人员，较少有医护人员参加，部分工具的研发无法与临床工作相吻合，导致研究结果的准确性有待进一步证实[35]。除此之外，因弱势群体获得医疗保健机会少，ML-CDSS 在弱势群体中的可用性较低，削弱了ML-CDSS 对弱势群体做出充分预测的能力[2,36]，在使用过程中存在一定的偏倚。

3.1.2 缺乏统一的伦理准则

一项研究指出人工智能在医疗卫生领域发挥巨大价值的同时也为医患关系带来了巨大的伦理挑战，可能会导致病人权益难以保障、医务人员的主体责任和实践能力削弱，且对医务人员的主体地位亦是一项挑战[37]。现阶段，人工智能在医疗卫生领域管理和监督的法律体系尚未完善，仍缺乏道德标准则以及实践指南，由传染病病人的隐私性带来的潜在医患矛盾易被激化[29]，因此ML-CDSS 在临床的应用相对局限，且临床医务工作者是否需要为ML-CDSS 的决策承担法律后果仍存在不同意见[34,38]。除此之外，机器学习虽能模拟人脑进行数据的分析和再利用，但无法重现人脑的情感等高级思维活动，缺乏对传染病病人的人文关怀理念和能力，无法给予病人相应的心理支持。

3.1.3 盲目信任或缺乏信心可能导致临床决策失误

关于人工智能等应用方法的培训和教育在临床中开展不足[39-40]，导致医务工作者对于新兴智慧决策管理系统理解较差，对于ML-CDSS 的工作原理、内部流程的自动化系统缺乏了解，使用过程中缺乏信心，未能在决策过程中提供较好的循证支持。另一方面，对于ML-CDSS 完全信任亦是一种极度危险的状态，既往存在机器学习驱动的决策建议失误的情况，若在传染病病人的决策过程中缺乏对病人个体化的考量，对于机器学习驱动的临床决策建议完全接受，缺乏批判性思维，将可能导致决策失误造成医源性疾病，对ML-CDSS 的开发与应用产生不良影响[2]。除此之外，ML-CDSS 的可解释性、可追溯性与可持续性也是巨大的挑战。

3.2 未来发展趋势

机器学习等技术已经广泛应用于各个行业，在数据计算、多维数据拟合等方面表现出显著优势，在疾病诊断预测建模中得到良好的应用[41-43]，且在医疗卫生领域仍具有较大潜力和发展空间。ML-CDSS 目前已在结核病、艾滋病、新型冠状病毒感染等传染病的诊断治疗决策中发挥了重要作用，但在其他传染病疾病如病毒性肝炎、寄生虫病等的管理中少有研究，且在医院感染管理的应用案例较少，与其他物理信息系统的嵌合欠佳，与临床环境的结构化整合过程尚未完善，可解释性及持续性相对较差，这可能会成为未来研究重点关注的问题和方向。

ML-CDSS 是基于高质量数据库的新型决策系统，因此专注于开发大型临床数据库，获取高质量、全面、多样、共享的数据是今后能否快速发展的关键，尤其是在中低收入国家高质量、高可用性的临床数据库的开发，为ML-CDSS 的开发提供机会，同时增加弱势群体获取医疗保健的机会。此外，对尚未有实际应用的数据源以及其他非电子病历之外的数据可作为电子健康记录的补充，便于日后揭示其在临床实践中与疾病诊断决策的相关性[29]。除此之外，多学科协作也将成为传染病管理的发展方向，其已在众多疾病的诊治中发挥了重要作用[44-45]。智能化的ML-CDSS 与多学科协作管理模式相结合，可以从多角度、全方位地评估并针对某一群体病人整合医疗资源，为病人确定最佳治疗方法，通过整合医疗对病人进行综合性诊治和护理，为临床信息化发展创造无限空间。

4 小结

随着医疗卫生领域的信息化发展，机器学习在传染病管理的管理应用中凸显出重要地位，ML-CDSS已在传染病的诊断及预警、规范化管理、合理用药等方面发挥了重要作用，在医疗卫生领域中仍具有巨大潜力，但ML-CDSS 在开发和临床使用中仍存在数据可用性差、缺乏统一的伦理准则、使用过程中盲目信任或缺乏信心等情况，需进一步采用科学的方法弥补此类不足。未来可对未开发的领域进一步研究，并致力于在全球尤其是中低收入国家开发高质量、共享开放的大型数据库，并加强ML-CDSS 与其他物理系统的有机嵌合以增强其可塑性，并与多学科协作相结合，充分发挥人工智能在传染病管理中的作用和优势。