——黄艳玲 唐欣芝 周如华 顾则娟 杨 磊 苏子雯

1 南京中医药大学护理学院 江苏 南京 210029 2 四川大学华西医院 四川 成都 332001 3 南京医科大学护理学院 江苏 南京 210029 4 南京医科大学第一附属医院 江苏 南京 210029

相关数据显示，2016年全球心力衰竭(以下简称“心衰”)患者已超过3 770万人，且呈不断增长趋势[1]。《中国心血管健康和疾病报告2019》[2]显示，我国心衰患病人数已达890万人。由于心衰治疗方案多样，加之患者常多病共存，增加了临床决策难度，导致医护人员较难在短时间内做出恰当决策[3]。临床决策支持系统(Clinical Decision Support System，CDSS)是一个模拟医学专家诊断和疾病治疗思维过程编制的计算机交互式程序[4-5]，可通过数据分析功能，将患者个人资料与知识库内容相匹配[6]，推荐个体化干预措施，辅助医护人员进行科学决策[7]。有研究指出，设计合理的CDSS能够有效降低医疗决策的不确定性[8-9]。国外心衰CDSS研究开展较早，有一定成熟经验。我国相关研究主要集中在基于循证指南的心衰CDSS知识库构建[10-11]，临床应用研究相对较少。本研究旨在通过归纳与总结国内外心衰CDSS临床应用现状，为我国心衰CDSS发展提供参考。

1 资料来源和方法

1.1 文献检索策略

检索PubMed、Embase、Cochrane Library、Web of Science、CINAHL、中国知网、万方、维普、中国生物医学文献等国内外数据库，检索时限为建库至2021年4月。采用主题词结合自由词形式检索，中文检索词包括“决策支持系统”“临床决策支持系统”“决策系统”“决策支持”“决策信息系统”“心力衰竭”“慢性心力衰竭”“心衰”等；英文检索词包括“Clinical Decision Support Systems”“Clinical Decision Support Tool”“Computerized Decision Support Systems”“Clinical Decision Making Tools”“Decision Support Systems”“Medical Decision Making”“Heart Failure”“Cardiac Failure”“Heart Decompensation”“Congestive Heart Failure”“Myocardial Failure”等。

1.2 文献纳入与排除标准

纳入标准:(1)研究类型。随机对照试验、非随机干预性研究、队列研究、预测研究、质性研究等。(2)研究主题。心衰CDSS临床应用，或虽未具体呈现系统应用过程，但对系统设计原理、功能以及临床应用价值进行了详细介绍。(3)研究对象。临床医护人员或成年心衰患者，患者年龄≥18岁，符合心衰临床诊断标准。

排除标准：(1)综述、系统评价等二次研究。(2)重复发表或数据不全。(3)无法获取全文。(4)CDSS仅用于信息储存，不具备决策功能。

为防止遗漏，同时采用滚雪球法查询符合纳入标准的参考文献。

1.3 文献筛选与数据提取

由两名研究生独立进行文献筛选，通过阅读标题、摘要排除不相关文献，再通过阅读全文确定最终纳入文献，若出现分歧，由第三人决定。提取纳入文献标题、第一作者、发表时间、研究设计、研究对象、系统功能和研究结果等内容。

1.4 文献质量评价

由两名研究生分别对纳入文献进行质量评价。其中，随机对照试验和非随机干预性研究分别采用Cochrane协作网制定的RoB 2.0和Robins-I偏倚风险评估工具评价，预测研究(预测模型研究)采用Probast评估工具评价，队列研究采用纽卡斯尔-渥太华量表评价，病例报告采用澳大利亚JBI(Joanna Briggs Institute)循证卫生保健中心(2016)系列病例论文质量评价工具评价，质性研究采用CASP(Critical Appraisal Skill Program)质性研究清单评价。根据“是”“否”“不清楚”或“低风险”“中风险”“高风险”，将文献质量分为高(A)、中(B)、低(C)三个等级，排除质量评价结果为低(C)级文献。

2 文献检索结果

初步筛选文献1 250篇，其中中文文献111篇，英文文献1 139篇。导入NoteExpress文献管理器，剔除重复文献后获得1 096篇。通过阅读标题、摘要、全文，剔除文献质量评价为低(C)级文献，最终纳入27篇文献。纳入文献时间分布为2010年以前3篇，2010年-2015年10篇，2016年-2021年4月14篇。纳入文献研究类型分布为随机对照试验4篇，非随机干预性研究8篇(前瞻性纵向研究2篇，回顾性纵向研究1篇，前后对照研究5篇)，前瞻性、回顾性队列研究各1篇，预测模型研究6篇，质性研究、病例报告各1篇，其余5篇对系统设计原理、功能和临床应用价值做出详细介绍，不属于上述分类。文献质量评价结果为高(A)级4篇，中(B)级18篇，5篇未分类研究未进行质量评价。

3 心衰临床决策支持系统临床应用效果

3.1 协助临床诊断

有8篇文献报告了心衰CDSS对临床诊断的影响。

Chiarugi F等[12]开发的CDSS采用计算机图像处理算法，可对心电图信号和超声心动图图像结果进行分析并形成报告，为医护人员提供精确信息，以辅助诊断心衰类型。

Guidi G等[13]基于机器学习算法设计了心衰CDSS，并利用90名患者临床数据库来分别验证神经网络、支持向量机、模糊规则、分类与回归树算法在心衰严重程度评估和类型预测方面的性能。结果显示分类与回归树机器学习算法在严重程度评估中准确率达81.8%，在类型预测中准确率达87.6%。

Choi DJ等[14]采用专家驱动获取知识和机器学习驱动生成规则的混合方法，构建了心衰人工智能CDSS，选取97名门诊呼吸困难患者进行前瞻性临床预测试，结果显示，系统和专家心衰诊断符合率达98%。

Ali L等[15]开发的CDSS将高斯朴素贝叶斯分类器作为风险预测模型，通过297名受试者的临床数据评估系统性能，结果显示，心衰诊断准确率达93.3%。

Rahaman S等[16]设计了一种基于证据推理算法的CDSS，该系统可通过分析患者症状、体征和风险因素等协助医生诊断。

Mcrae MP等[17]利用579名患者人口统计学和新型生物标记物数据预测CDSS心衰诊断性能。结果显示，该系统对心衰诊断预测性能(AUC)为0.941 2，效果良好。

Abdel-Basset M等[18]基于物联网的决策模型设计了CDSS，该系统可通过无线区域网和移动应用程序掌握患者症状和身体活动情况，并采用多标准决策技术帮助医护人员识别患者是否存在心衰以及心衰严重程度。

Antbnio M等[19]开发的便携式心衰诊断CDSS可通过运行决策支持算法，基于心脏电信号和声音信号、环境条件、患者移动性、患者个人数据和病史等生成医学诊断。

3.2 协助识别早期风险

有6篇文献报告了心衰CDSS对早期识别心衰患病风险或病情变化风险的影响。欧盟“MyHeart”项目开发了一个用于充血性心衰预防和监测的CDSS。该系统通过可穿戴设备和非侵入性技术监测患者与心衰密切相关的生理参数(左心室射血分数、充血症状、血压、电解质水平等)，以期尽早发现患者健康变化[20]。

2016年，Evans RS等[21]研发了基于风险预测模型的CDSS。结果显示，提高了早期识别高风险心衰患者的效率和准确率。2017年，Evans RS等[22]研发了能够有效识别早期心衰患者的CDSS。该系统可有效识别左心室射血分数低于35%的心衰患者，从所链接的数据库中提取患者人口统计学信息、心电图数据和实验室检查结果等，并以邮件形式提醒医生，可提高早期心衰患者识别率和转诊效率。

Jiang W等[23]研发的CDSS可基于每日收集的电子健康记录数据预测心衰患者30 d再入院率，并呈现随时间变化的风险轨迹。

Radhachandran A等[24]应用机器学习技术，开发了预测急性心衰患者7 d死亡率的CDSS，通过对急诊科1 881名急性心衰患者数据进行测试，结果显示，特异性为74.9，系统性能较好。

部分患者射血分数(Ejection Fraction，EF)较低，但可能无症状，这些患者心衰患病风险高于其他群体，通过提高低射血分数识别率，可以尽早发现这类高风险人群。Yao X等[25]通过随机对照试验,评估了基于心电图和人工智能驱动技术设计的CDSS在早期识别低射血分数(EF≤40%)患者中的作用，结果显示，CDSS对低EF识别率为19.5%，高于对照组(14.5%)。

3.3 协助调整用药方案

有3篇文献报告了心衰CDSS对调整用药方案的影响。Lugtenberg M等[26]基于心衰指南研发了CDSS，并将之整合于电子健康病历系统中。该CDSS可自动分析系统内患者体征数据、检验检查结果，若发现当前用药方案与监测结果所反映的患者实际用药需求不符，则予以警示，并基于证据提供用药建议。

Kropf M等[27]基于欧洲心脏病学会心衰治疗指南构建了CDSS，借助远程监护技术，协助医生根据远程监护采集的患者数据(血压、心率和体重等)调整用药剂量。

Smith MW等[28]基于认知任务分析法，对访谈数据进行分析，建立了CDSS。该系统可从电子健康记录的自由文本中读取患者EF值，识别低EF患者，并为存在β受体阻滞剂治疗不足风险的心衰患者推荐最佳目标剂量。

3.4 提高患者自我管理能力

有4篇文献报告了心衰CDSS对提高患者自我管理能力的影响。Baert A等[29]设计了心衰自我管理CDSS，通过无线传感设备监测患者生理、心理和行为数据，为患者提供有关运动和营养的个性化指导建议；同时，跟踪患者每周服药情况，以提高患者饮食、运动、用药等自我管理能力。

Lee S等[30]为心衰患者设计了推荐健康生活方式的CDSS，其可将医疗评分系统对患者健康状况的评分转化成健康指数，让患者直观了解自身健康状况，并根据每位患者饮食、运动偏好和疾病状况推荐更舒适且易于接受的健康生活方式，以协助患者进行健康管理。

Lutrek M等[31]开发的慢性心衰患者健康管理决策系统能够通过传感设备和人工智能解决患者身心健康问题。随机对照试验显示，该系统的应用显著改善了慢性心衰患者自我照护行为，降低了患者焦虑、抑郁发生率。

De Vries AE等[32]设计的CDSS将院内疾病管理系统与远程监测相结合，借助居家环境中专用健康监测仪，对居家患者心血管危险因素(血压、心率、体重等)进行远程监测和风险示警，并可基于指南向患者提供健康指导，以提高患者自我管理能力。

3.5 提高医护患对指南的依从性

有4篇文献报告了心衰CDSS对医护患指南依从性的影响。

Riggio JM等[33]开发的具有提示功能的CDSS，显著提高了护理人员对指南推荐的心衰护理措施的依从性(由37.2%提升至93.0%)。

McKie PM等[34]搭建了心衰门诊咨询CDSS，并应用于604名射血分数降低型心衰患者，干预6个月后，结果显示，提高了患者对指南推荐治疗的依从性。

Caraballo PJ等[35]测试了CDSS在提高心衰住院患者对指南推荐的用药方案依从性方面的长期效果，干预3年后，结果显示，依从性从91.0%提升至96.4%。

Fonarow GC等[36]基于临床实践指南设计了具有质量评价、结果反馈、提醒及教育功能的CDSS，通过对34 810名心衰患者进行前瞻性队列研究发现，该系统提高了患者对指南推荐疗法的依从性。

3.6 提高临床决策效率

有两篇文献报告了心衰CDSS对临床决策效率和正确率的影响。Zhu W等[37]将CDSS与Web表单生成器相结合，实现了临床评分自动计算和药物名称自动填写，支持患者用药情况监控、跟踪和分析，并以表格形式记录患者用药名称、剂量和频次，以图表形式记录特定患者症状变化趋势。应用结果显示，提高了医护人员临床决策效率和工作质量。

任寅姿等[38]以心衰电子化临床指南为基础设计了CDSS，采用多目标优化的决策模型识别心衰患者特异性检查指标，以精准化评估心衰患者状况，进而提供差异化用药方案。通过对75例临床病例进行测试，结果显示，系统推荐方案中单一用药平均正确率达91%。

4 讨论

通过分析国内外心衰CDSS应用情况，可以发现CDSS在心衰临床应用中还存在以下不足：第一，大多数心衰CDSS聚焦于医疗功能开发，缺乏心衰护理CDSS；第二，心衰CDSS应用集中于医院，在社区卫生服务中心应用较少；第三，现有CDSS功能主要针对心衰患者某个疾病阶段，未能实现全病程管理；第四，多数心衰CDSS针对医护人员决策需求研发，一定程度上忽视了患者作为健康管理决策主体对系统功能的需求；第五，缺乏规范、可操作性较强的CDSS质量评价工具。

据此，提出如下建议：(1)开发心衰CDSS护理功能。首先，应加大对护理信息化建设的投资力度，推动护理信息化向高层次、高水平发展；其次，应加大对护理信息化人才的培养力度，打造核心团队，助力护理CDSS研发；最后，应借鉴护理CDSS在其他慢病如糖尿病、高血压等领域的研发经验。(2)拓宽系统适用对象和服务范围。在适用对象上，应将心衰CDSS扩展至患者及其家属，强化医患双方在心衰管理过程中的互动关系。在服务范围上，应由医院扩展至社区和家庭，结合线上线下管理方式，搭建协同管理网络，突破时空限制，建立“医院-社区-家庭三元联动”信息通路，形成规范、连续、动态的心衰管理体系。(3)系统内容应兼顾健康管理知识。现有系统内容主要包含疾病管理相关知识。美国心脏协会建议，应为所有出院心衰患者提供自我健康管理方案，这对降低再入院率具有重要意义[39]。CDSS可通过提供健康指导增强和激励患者进行自我管理。因此，系统内容设计上应兼顾健康管理相关内容，为心衰患者提供全方位健康服务。(4)开发评价工具。通过阅读文献可知，大部分系统在开发后并未进行评价，主要原因在于缺乏一套标准的、适用性较强的评价体系。今后研究中，可加大对系统评价工具的研发力度，可考虑从系统建设、运行维护或用户角度构建评价体系，以期为系统改善提供依据。