快速、准确的诊断对住院患者非常重要，可以提高患者的治疗效率和住院时间。人工智能(AI)技术在各种医疗和临床诊断系统中都很有用，包括病理诊断[ 1]、眼科疾病[ 2]、放射学[ 3.]，以及皮肤科[ 4］．医疗保健领域的人工智能系统也专注于从非标准化数据库中获取知识，例如文本[ 5， 6](使用自然语言处理)或大型结构化数据集[ 7(使用机器学习方法)。近年来，人工智能被应用于医学研究，改善了医疗健康的许多方面。常用的人工智能技术包括深度神经网络、模糊逻辑、决策树、贝叶斯分类器、遗传算法和混合系统[ 7- 11］．此外，AI的因果性和可解释性在医学界越来越受到关注[ 12， 13］．

许多临床决策支持系统(CDSS)来自人工智能和专家系统的早期工作，用于收集和表示可模拟用于人类推理和建议的知识[ 11］．CDSS作为卫生信息技术的一个组成部分，可以协助疾病的解释、诊断、治疗和预后。CDSS已使用超过50年[ 14];许多人评论了其对诊断质量和患者安全的积极影响[ 15- 18]以及促进最佳治疗的能力[ 19]及避免医疗差错[ 20.， 21］．然而，一些研究[ 22- 24]报道了CDSS缺乏益处，并强调了CDSS引入新错误的能力。实证上将CDSS分为知识驱动支持系统和数据驱动支持系统，随着各种数据的积累，基于人工智能的CDSS具有更广阔的应用前景。

对于任何医疗创新，CDSS在广泛应用于临床实践之前都必须经过严格的评估。因此，我们进行了一项现实世界的回顾性研究，以评估中国一家现代化综合医院自行开发的基于人工智能的CDSS的效果。基于人工智能的CDSS与英国医学杂志(BMJ)最佳实践相结合;人工智能工具帮助提取患者信息，并将其输入不同的机器学习模型和BMJ最佳实践。最初的目标是评估CDSS与BMJ最佳实践和住院医生之间关于患者诊断的一致程度。第二个目标是了解CDSS与BMJ最佳实践相结合是否提高了住院患者入院诊断的准确性，并探讨CDSS与BMJ最佳实践相结合对患者住院时间的益处。

大数据和数字化在临床环境中迅速扩展，但卫生保健提供者往往没有充分利用这些数据集。临床决策通常由卫生保健专业人员在直接接触患者、查房或多学科会议期间作出，这意味着根据卫生保健提供者的经验在几秒钟到几分钟内作出决定[ 29］．基于计算机的系统可以考虑所有可用的数据，包括EMRs、循证医学指南和当前的医学见解。CDSS包含大量的信息，可以帮助临床医生为个别患者做出适当的决定。

已知最早的CDSS与药物有关，可追溯到20世纪60年代[ 30.］．该系统支持药剂师进行药物过敏评估、剂量指导、药物-药物相互作用和重复治疗评估。这些分析是使用简单的“if-then-else”逻辑设计的，没有结合复杂的算法，如深度神经网络、模糊逻辑、贝叶斯分类器和混合系统。先进的CDSS设计用于帮助临床决策，使用个体患者特征和外部信息来生成与健康相关的建议。将CDSS应用于AI [ 11， 31)评估。

近期研究报道了CDSS联合AI在临床中的广泛应用[ 3.， 7， 9， 11， 18， 32］．一系列系统综述、荟萃分析或系统综述的综合总结了CDSS在化疗过程中的作用[ 33]、心血管危险因素[ 24]、药物过敏检查[ 34]、病人结果[ 15， 17]、急症护理管理[ 35]、初级预防护理[ 36]，以及慢性病管理[ 37］．在这些研究中，CDSS对临床诊断有积极作用，而有些研究则认为没有作用。也有研究报告CDSS不佳地呈现数据，并导致卫生保健提供者警觉疲劳[ 38］．因此，我们设计了一项回顾性、纵向观察性研究，以探索cdss辅助诊断的现实效果。CDSS是自主开发的，基于人工智能，集成了最佳的BMJ最佳实践。

BMJ最佳实践是一种在护理点工作的临床决策支持工具。它为所有卫生保健专业人员提供不断更新的、基于证据的和实用的内容[ 25］．BMJ最佳实践是全球卫生专业人员的最佳临床决策支持工具之一[ 39］．循证临床决策支持资源可以提供精心设计的临床路径和算法，为临床医生节省设计临床路径的时间和精力。BMJ最佳实践可以帮助医生和其他医疗保健专业人员对重要的临床问题找到即时、当前和基于证据的答案[ 40］．

本研究共涉及6个临床科室的34113份住院病例。其中，27,250条(79.9%)记录是在CDSS实施之前，并在其中进行了诊断准确性的模拟。基于人工智能的CDSS推荐诊断的总准确率在一级诊断为75.46%，在前二级诊断为83.94%，在前三级诊断为87.53%。错误率为6.38%。准确率很高，与其他研究一致，这些研究也表明，基于人工智能的工具在辅助诊断方面是准确的。汉农等[ 9]使用深度神经网络在动态心电图中检测和分类心脏病学家级别的心律失常。他们的结果显示了良好的分类精度(曲线下面积=0.97)。阿提亚等[ 7]测试了AI应用于心电图的准确性，观察到准确率为85.7%。Wildman-Tobriner等[ 3.]表明，与美国放射学会的TI-RADS相比，人工智能优化的甲状腺成像报告和数据系统(TI-RADS)可以适度提高特异性并保持敏感性。基于不同AI算法的类似诊断工具在检测乳腺癌女性淋巴结转移时具有良好的准确性[ 1]，皮肤科医生级别的皮肤癌分类[ 4]、糖尿病性视网膜病变及糖尿病性黄斑水肿[ 41]，以及多类别阿尔茨海默病诊断[ 42］．这些结果表明，基于人工智能的诊断系统具有良好的诊断准确性，但其临床应用还有待验证。

除了模拟研究外，我们还设计了一个前后比较，以探索CDSS实施后入院诊断的准确性，并以入院和出院诊断的一致性来衡量结果。在CDSS实施之前，入院诊断只能基于患者信息(如门诊检查)和医生的经验。实施CDSS后，患者的入院诊断由CDSS建议辅助。我们的结果表明，在所有分析中实施CDSS后，一致性显著提高(从70.37%提高到72.64%， P<.001)和亚组分析(从66.59%到72.64%， P<.001)，尽管增幅并不大。多变量logistic回归和间断时间序列分析结果相似，说明CDSS的应用可以提高入院和出院诊断的一致性。多姆布雷斯等[ 43]的研究结果表明，一种用于早期妊娠超声诊断的智能扫描辅助系统可将诊断正确率提高到20%。一项前瞻性多中心研究评估了CDSS对预测主观认知衰退和轻度认知缺陷患者进展的影响[ 44]并发现当应用CDSS时，13%的患者的进展预测发生了变化。当使用CDSS时，临床医生对他们预测的信心也增加了[ 44］．

实施CDSS后，确诊时间和住院时间明显缩短(所有数据分别减少0.98天和2.02天)。我们通过亚组和多变量分析观察到类似的趋势。在间断时间序列分析中，实施CDSS后，7天及以下的一致性率和住院时间分别提高了6.72%和7.84%。尽管meta分析显示CDSS的应用在心血管风险管理中没有明确的临床益处[ 24]，其他研究也提出CDSS的积极作用[ 14， 43， 45］．我们同样从辅助诊断的角度证实了实施CDSS对提高诊断准确性、缩短确诊次数和住院时间的临床益处。本研究将基于人工智能的CDSS嵌入到EMRs中，并评估了CDSS对六个临床科室的诊断效果。这些结果反映了CDSS在我院的实际应用效果。然而，由于只评估了CDSS辅助诊断的好处，未来的研究应该评估CDSS在现实世界中辅助治疗决策的作用。

这项研究有几个局限性。首先，CDSS的多变量分析没有考虑医生的个人信息，如教育程度、技术岗位、工作经验的影响。第二，多变量分析没有考虑个体患者疾病严重程度的影响。然而，由于持续纳入的样本量很大，疾病严重程度的平衡是可以预期的。第三，本研究没有考虑时间因素的影响以及2016 - 2019年国家基本卫生政策的调整。为了消除时间因素的影响，我们对2018年和2019年的数据进行了亚组分析，我们认为时间因素和卫生政策变化在相对较短的时间内(不到2年)影响不大。第四，本研究应用CDSS后的数据量较小，仅占总数据集的20.1%。最后，CDSS在中国的应用不仅要接受全球证据的训练，还要接受包括中医在内的区域证据的训练。此外，该研究的结论受到队列研究的回顾性性质的限制;需要严格的随机对照试验来探讨CDSS辅助诊断的准确性。

CDSS有很多种，从简单的逻辑判断到复杂的AI算法，从药物不良反应到数据驱动的辅助诊断和治疗。由此，各种形式的CDSS正在出现。利用目前CDSS的发展和应用，没有统一的标准来限制使用;因此，在CDSS工具应用于临床实践之前，还需要进一步的评估和培训。还应公布CDSS分类和资格规范的标准指南，以确保可重复性。在未来，更复杂的基于人工智能的CDSS可以实现到EMR中。我们相信，这一应用可以为科学研究创造新的视野，提高健康和保健质量。