综述：迈向由人工智能驱动的风湿病学临床决策支持工具

伊兰娜·M·乌西斯基恩（Ilana M. Usiskin）|玛丽亚·I·达尼拉（Maria I. Danila）|蔡天曦（Tianxi Cai）|廖凯瑟琳（Katherine P. Liao）

哈佛医学院布里格姆妇女医院（Brigham and Women’s Hospital）风湿病学、炎症与免疫科，美国马萨诸塞州波士顿

章节摘录

关键要点

• •
  数字化医疗数据的日益丰富非常适合用于临床决策支持系统（CDSS），这些系统能够整合和汇总多种数据来源。
• •
  风湿性疾病是多系统疾病，需要整合临床、实验室和影像数据，CDSS可以帮助在护理点做出高效决策。
• •
  CDSS主要分为两类：基于规则的系统和基于机器学习（ML）的系统。

方法

我们进行了文献综述，总结了与风湿病学领域相关的CDSS相关的研究。我们针对过去10年（2015年10月1日至2025年9月31日）发表的、包含CDSS或ML以及风湿性疾病相关关键词的文章进行了定向搜索。为了聚焦临床相关的研究，我们没有纳入尚未在临床环境中进行测试的基于ML的算法的研究。

风湿病学中的临床决策支持系统

最近关于风湿病学中CDSS的研究主要集中在三个任务上：辅助诊断、预测结果和指导管理决策（表1）。

其他领域的临床决策支持系统

其他医学领域中CDSS的应用经验突显了其潜力与局限性。也许最成功的CDSS是那些能够输入患者数据并向临床医生提供具体管理建议的风险计算工具。例如，世界卫生组织的骨折风险评估工具可以预测骨质减少患者的10年骨折概率，并提供关于何时开始骨密度治疗的建议。

风湿病学中临床决策支持系统的潜力与考虑因素

CDSS有潜力满足风湿病学中的特定需求。例如，可以帮助初级保健医生根据临床表现考虑不常见的风湿性疾病，尤其是在风湿病学服务不足的地区。随着新药物的选择、基于合并症的相对禁忌症以及药物相互作用的出现，许多风湿性疾病的治疗方案变得更加复杂。CDSS可以辅助护理点的决策。

利用人工智能的临床决策支持系统框架

与基于规则的系统相比，基于机器学习（AI）的系统在增强风湿病学临床决策方面具有几个关键优势。AI驱动的CDSS能够识别复杂的数据模式，这对于临床表现多样且难以用离散临床规则定义的风湿性疾病尤其有用。基于ML的系统还可以利用非结构化数据（如笔记、报告和图像）来获取更完整的数据输入。

基于人工智能的临床决策支持系统的陷阱

尽管基于AI的工具在推进风湿病学临床决策支持方面具有潜力，但也存在一些已知的问题。例如，“警报疲劳”是一个常见的问题，这并非AI方法所特有。频繁的警报和工作流程中断可能导致提供者对警报产生麻木感而忽略它们。一项在两家学术医院进行的研究发现，药物过敏警报的忽略率接近90%。

人工智能驱动的临床决策支持系统在风湿病学中的未来

由于基于AI的CDSS在风湿病学领域的发展和应用仍处于早期阶段，未来几年的重点应该是构建和测试低风险的工具，这些工具旨在增强而非取代临床医生的决策能力。这样的CDSS示例可以是一个整合电子健康记录（EHR）数据并以可用格式显示风湿病学特定信息的临床仪表板，使临床医生能够获取关键患者信息。

总结

无论是否结合AI，CDSS都有很大的潜力改善风湿性疾病患者的护理，通过提高诊断准确性、个性化治疗决策和预测可能的治疗结果来支持临床医生。将这些工具整合到常规实践中需要严格的AI模型开发、跨机构的仔细测试、深思熟虑的实施以及持续的维护以确保长期性能。

临床护理要点

• •
  CDSS有潜力通过辅助诊断、预后和与患者的共同决策来提升护理点的风湿病学实践。
• •
  •

  提供者应了解使用CDSS可能遇到的问题，包括警报疲劳、医生临床推理能力的下降以及潜在的偏见。

披露

作者没有利益冲突。