機器學習臨床決策支持系統在ICU中應用的研究進展

Research progress on the application of machine learning clinical decision support system in ICU

YAN Huina¹， LIU Ruiyun^2*， LI Ying²， DAI Jinghua¹， WANG Jiaxun¹， ZHAO Min¹， LU Jiayun¹

1.Shanxi Medical University， Shanxi 030001 China；2.Shanxi Medical University Affiliated Children's Hospital

*Corresponding Author" LIU Ruiyun， E?mail： 348956089@qq.com

Abstract" This paper reviewed the relevant researches on the application of machine learning clinical decision support system in ICU from four aspects：overview，application status，challenges and future development trends，aiming to enhance the intelligent management of medical decision-making of ICU patients further and to provide reference for the development of smart medicine.

Keywords" intensive care unit; clinical decision support systems; machine learning; artificial intelligence; machine learning?clinical decision support systems; smart healthcare; review

摘要" 從概述、應用現狀、面臨挑戰及未來展望4個方面對機器學習臨床決策支持系統在重癥監護室（ICU）中應用的相關研究進行綜述，旨在進一步加強對ICU病人醫療決策的智能管理，為智慧醫療的發展提供參考及借鑒。

關鍵詞" 重癥監護室；臨床決策支持系統；機器學習；人工智能；機器學習臨床決策支持系統；綜述

doi：10.12102/j.issn.1009-6493.2025.07.023

重癥監護室（intensive care unit，ICU）病人病情危重，儀器設備復雜，臨床護理工作煩瑣。醫生需要快速確定病人的實際情況，對危重病人及時診療及后續護理。一旦醫療決策錯誤，病人將面臨以生命為代價的嚴重損失^[1]。在這種情況下，臨床決策支持系統（clinical decision support system，CDSS）的提出降低了醫生判斷病情的盲目性，為理性判斷病人實際情況提供了參考^[2]。臨床決策支持系統可以仿照醫生診斷、治療疾病的思維和過程，在疾病診斷、風險預測等方面為醫生提供決策支持^[3]。2023年7月，我國國家衛生健康委員會在發布的《醫療機構臨床決策支持系統應用管理規范（試行）》^[4]中提出，鼓勵有條件的醫療機構利用臨床決策支持系統作為提升醫療質量和安全的智能化工具，促進智慧醫院的建設發展，適應醫院信息化工作需要，規范醫療機構臨床決策支持系統應用管理，這也為臨床決策支持系統的發展和廣泛應用提供了便利。機器學習（machine learning，ML）作為人工智能領域的核心，與臨床決策支持系統結合形成機器學習臨床決策支持系統（machine learning?clinical decision support systems，ML?CDSS），并在重癥監護室中應用廣泛^[5]。現從機器學習臨床決策支持系統的概述、在重癥監護室中的應用現狀、面臨挑戰及未來展望4個方面對機器學習臨床決策支持系統在重癥監護室中應用的相關研究進行綜述，旨在進一步為重癥監護室中的機器學習臨床決策支持系統建設提供參考，為智慧醫療發展提供參考及借鑒。

1" 機器學習臨床決策支持系統的概述

機器學習也稱數據驅動方法，通過學習大量病人臨床數據，使用統計分析模型和計算技術，使計算機系統從病人臨床數據中學習并發現未知的臨床情況，做出預測，指導決策，并通過自身經驗自動改進^[6]。研究發現，將機器學習應用于醫療領域有助于醫護人員為病人提供更準確、更及時、更客觀的診斷和治療，其被廣泛應用于癌癥術后風險預測模型^[7]、跌倒安全管理^[8]、預測或指導危重病人的治療^[9?11]、評估危重癥病人預后等方面^[12]。與傳統數據分析方法相比，機器學習在臨床數據處理能力上具有高效率與高準確性的特點^[13]。

臨床決策支持系統是通過應用信息技術，綜合分析醫學知識和病人信息，為醫務人員的臨床診療活動提供多種形式幫助，支持臨床決策的一種計算機輔助信息系統。它將電子健康記錄中病人特定的健康數據與指南聯系起來，通過基于規則或算法的軟件生成特定病例的指導信息，最終達到提高醫護人員臨床決策的科學性和嚴謹性、改善病人臨床結局、減少醫護人員工作負擔等的目標^[14]，是人工智能應用于醫療系統的體現。臨床上廣泛用于癌癥評估^[15]、慢性病護理^[16?17]、心臟病診斷與監測^[18]、識別急危重癥病人臨床結局預測和預后評估^[19?20]。目前，護理領域的臨床決策支持系統應用主要包括護理評估、護理診斷、護理計劃制定、護理計劃實施、智能提醒與警告、健康教育及護理管理等方面^[21]。

臨床決策支持系統有助于提高病人安全并改善臨床結果，機器學習在病人診斷、預后、醫療模式識別和成像分類方面具有極高的處理速度和分析方法的綜合性，因此，機器學習在醫療決策中通常作為臨床決策支持系統的技術背景，與臨床決策支持系統結合形成機器學習臨床決策支持系統^[22]。機器學習臨床決策支持系統以結構化數據為基礎，在既往經驗中學習規則，獲得對新數據的識別和預測能力，輔助臨床決策，克服了知識庫型系統知識來源有限以及缺乏結合病人臨床特征綜合評估的局限性^[23]。在國內外，機器學習臨床決策支持系統主要應用于傳染病管理^[24]、中醫藥信息化^[25]、新生兒護理^[26]、口腔正頜診療^[27]、壓力性損傷預防^[28]、青少年抑郁癥^[29]、重癥監護^[30]等領域。

2" 機器學習臨床決策支持系統在重癥監護室中的應用

2.1 臨床監測

重癥監護室病人的持續監測和治療將產生大量數據。機器學習臨床決策支持系統作為一種計算機系統，能夠利用大量重癥監護室病人數據，將臨床決策支持研究和應用程序可操作化。醫學和醫療技術的最新發現以及人工智能建模和計算能力的新進展促進了機器學習臨床決策支持系統在重癥監護室臨床監測中的應用，如生理指標、機械通氣、腦電圖等領域的監測。

2.1.1 生理指標監測

在重癥監護室，每例病人持續監測于一系列醫療設備中。這些設備從生物傳感器和其他裝置接收病人的生理測量數據，將輸入的電信號轉換為數字化波形和生命體征數值，跟蹤病人的生理狀態，并在其內置算法檢測到生理異常時發出警報。Zhang等^[31]收集病人實時數據并結合機器學習算法建立了一種有效的病人特定警報模型，此模型基于個性化生命體征數據，在床邊生成信息警報，并提高了警報準確性和及時性，以檢測不良臨床事件。Quinn等^[32]提供了從臨床數據推斷隱藏因素的通用模型，并成功應用于重癥監護室早產兒監測，此模型可以及時監測重癥監護室早產兒心率、溫度探測器、培養箱溫濕度并定時對早產兒進行動脈取樣，動態、實時地對重癥監護室早產兒生理指標進行監測反饋。預測危重病人的不良血流動力學一直是重癥監護領域的一個主要挑戰，使用各種機器學習算法對臨床數據庫進行數據挖掘，能使醫護人員早期識別警報并盡快做出反應，為病人提供更安全的護理，降低醫療成本^[33]。Eshelman等^[34]描述了一種基于規則學習技術的機器學習分類算法，利用由生理監測和臨床信息系統數據組成的數據庫中的病人記錄，創建并測試開發的預測算法系統，用于識別可能會發生血流動力學不穩定的重癥監護室病人，通過監測血尿素氮、血細胞比容、部分凝血活酶時間等生理指標判斷病人是否出現血流動力學不穩定的情況。

2.1.2 機械通氣監測

機械通氣作為危重病人常見的生命支持手段，在重癥監護室中使用率高達73%^[35]。長時間的機械通氣易導致呼吸機相關性肺炎（VAP）、急性呼吸窘迫綜合征（ARDS）、呼吸機依賴等潛在并發癥。當呼吸機配置與病人的呼吸需求不一致時，甚至還會出現病人?呼吸機不同步（PVA）的現象^[36]。這些問題可能會對病人產生不利影響，如住院時間延長、鎮靜需求增加、肺損傷，甚至死亡。因此，加強對機械通氣監測管理至關重要。Rehm等^[10]開發了基于機器學習數據驅動的診斷系統，用于實時監測重癥監護室中急性呼吸窘迫綜合征及病人?呼吸機不同步現象；其還設計了移動應用程序，使醫生能夠跟蹤病人的實時呼吸信息，并為急性呼吸窘迫綜合征疾病篩查和呼吸機異步提供警報。脫離機械通氣是接受有創機械通氣危重插管病人護理的基本程序，對重癥監護室醫生來說，準確評估重癥監護室病人脫機時機具有極大的挑戰性，脫機失敗后再插管可提高病人死亡率、呼吸機相關性肺炎發生率等。Liu等^[37]使用7種機器學習算法，納入重癥監護室病人的電子病歷進行建模，開發預測系統，以提醒重癥監護室臨床醫生病人脫機的最佳時機，協助醫生做出脫機拔管的決策時機。Ghazal等^[38]利用機械通氣兒童臨床數據庫中的大量數據，與機器學習預測模型結合形成可以預測危重患兒呼吸機支持調整后血氧飽和度（SpO₂）的機器學習臨床決策支持系統。醫護人員可以根據此機器學習臨床決策支持系統預測呼吸機設置變化對危重患兒血氧飽和度的影響，并進行及時進行調整。

2.1.3 腦電圖監測

腦電圖監測在重癥監護室病人腦功能檢測和腦部疾病診斷中起重要作用。Koolen等^[39]發現，重癥監護室早產兒腦電圖及其睡眠狀態特征隨著發育而變化，腦電圖特征變化可以對早產兒的睡眠狀態進行分類。基于此，Koolen團隊收集了24～45周齡嬰兒腦電圖記錄，形成數據集，進一步與機器學習結合形成一種分類器，以便根據重癥監護室早產兒睡眠狀態跟蹤其大腦警覺狀態波動，該分類器能夠可視化早產兒的睡眠狀態，有助于新生兒重癥監護室的臨床管理。Golmohammadi等^[40]將腦部監測與腦電圖自動分析聯合提出一種基于機器學習和大數據原理的高性能自動化腦電分析系統，該系統主要應用于神經內科重癥監護室，能對與癲癇、代謝性腦病、腦缺氧和缺血相關的腦電圖事件進行高性能分類，可以縮短診療時間，并協助臨床醫生進行實時監測。硬膜下血腫的檢測和嚴重程度評估是評估創傷性腦損傷的重要步驟。Farzaneh等^[41]開發出一種機器學習臨床決策支持系統檢測硬膜下血腫的嚴重程度，提醒放射科醫生和臨床醫生潛在的中度和重度損傷，并通過測量創傷性腦損傷病人潛在血腫總量評估其嚴重程度。

2.2 臨床事件的早期預測

臨床事件預測即使用電子健康記錄中的數據預測某些臨床事件的發生或給予治療的最佳時間，是重癥監護病房臨床決策支持系統最重要的方面之一。在重癥監護室收治早期，臨床醫生往往難以發現預測危重病人的臨床結局，即使在重癥監護室入院期間，預后也可能不明確，因此在重癥監護室收治期間盡早預測有效的病情惡化因素尤為重要。

2.2.1 急性腎損傷預測

急性腎損傷是重癥監護室病人1年內死亡率增加的危險因素，早期急性腎損傷可能是重癥監護室病人長期結局不佳的警告信號，急性腎損傷的早期預測對危重癥病人的長期生存和生活質量具有很高的價值^[42]。Sun等^[43]基于數據庫構建并應用了多個機器學習模型，對非結構化臨床記錄和結構化生理測量進行比較分析，以識別急性腎損傷的早期發作。研究結果顯示，此機器學習模型可以有效地幫助臨床醫生識別危重病人在入住重癥監護室時發生急性腎損傷的風險。Ugwuowo等^[44]納入了170 000例重癥監護室病人的數據集，采用機器學習電子健康記錄系統創建了一個急性腎損傷預測模型，該模型可直接預測病人短期急性腎損傷風險升高的幾種血清和尿液生物標志物。

2.2.2 感染預測

早期識別感染是許多重癥監護室病人生存的關鍵，由于重癥監護室病人病情極其復雜，且具有特殊性，臨床醫生很難在感染發生之前進行預測。Desautels等^[45]研發了一種名為“InSight”的機器學習分類系統，此機器學習分類系統使用現成的床邊數據進行計算，使用易于獲得的病人數據，如生命體征、外周毛細血管血氧飽和度、格拉斯哥昏迷評分和年齡進行計算。“InSight”可以在重癥監護室病人病情嚴重惡化或多器官衰竭之前識別發生膿毒癥的風險，在膿毒癥發作前4 h的預測性識別可為臨床干預提供寶貴的時間窗口，降低重癥監護室病人感染發病率和死亡率。新生兒膿毒癥在新生兒重癥監護室病人中發病率和死亡率較高。Mani等^[46]使用機器學習方法收集了1 826例入住新生兒重癥監護室的患兒信息，創建了新生兒膿毒癥預測模型系統，提高醫生使用抗生素時機與劑量的準確性，為早期診斷和改善新生兒重癥監護室患兒膿毒癥管理提供決策支持。

2.2.3 呼吸系統疾病預測

重癥監護室的呼吸管理是重癥監護和治療的一個重要方面，呼吸危重癥的早期診斷對病人的預后有顯著影響。機器學習臨床決策支持系統可以預測病人急性呼吸系統疾病的發作，尤其是兒科病人。Sauthier等^[47]利用隨機森林回歸和Logistic回歸兩種機器學習方法建立預測模型，通過觀察患兒常見的低氧血癥標志物，可盡早預測重癥流感危重患兒急性低氧血癥型呼吸衰竭的時間。Sauthier等^[47]將危重兒科哮喘患兒的生命體征數據與電子醫療數據相結合，使用機器學習生成一種自動化、連續性的急性哮喘嚴重程度評分系統。此系統獨特之處在于其能夠通過計算分數持續監測患兒哮喘狀態的急性變化，最后達到縮短患兒住院時間、降低患兒再入院率以及減輕新生兒重癥監護室用藥負擔的目的。急性呼吸窘迫綜合征是重癥監護室一種死亡率和發病率高的嚴重呼吸系統疾病，開發臨床決策支持系統可協助臨床醫生在病人發生急性呼吸窘迫綜合征之前進行風險預測。Le等^[48]開發且驗證了一種機器學習臨床決策支持系統在急性呼吸窘迫綜合征早期識別和預測中的作用，結果顯示，此機器學習臨床決策支持系統敏感度和特異度較高，對急性呼吸窘迫綜合征病人發病前48 h預測準確度高，減少了醫生臨床判斷的主觀性。

2.3 臨床結局評估

醫療保健正在經歷一場革命。電子健康記錄和臨床醫療數據等醫療保健大數據的積累使研究人員能夠使用機器學習技術，并從這些數據中學習并構建臨床決策支持系統，這些技術變革有助于及時、準確地預測病人在死亡或生存的醫療風險，從而提高臨床干預的質量和效率。

2.3.1 死亡率評估

重癥監護室的死亡率是衡量醫院臨床質量的關鍵指標，院內死亡是重癥監護室中最重要的結局，早期預測重癥監護室病人的死亡率可以降低總體死亡率和并發癥治療費用，因此預測重癥監護室病人死亡率成為一項至關重要的任務。死亡率預測旨在識別高危人群，做出正確的決定，為有需要的病人節省重癥監護室床位^[49]。Zeng等^[50]基于機器學習算法建立了一個預測系統，可以在整個重癥監護室病人住院期間進行死亡率預測且實時更新電子健康記錄，動態及時地獲取病人的死亡風險。Chiu等^[51]使用基于5種機器學習學習分類算法構建的預測系統對重癥監護室病人死亡率進行預測，此機器學習臨床決策支持系統不僅整合了重癥監護室病人在住院期間的結構化數據（生命體征和實驗室檢查結果），還添加了病人的半結構化數據（診斷數據），增強了對重癥監護室病人不同時期死亡率預測的準確性，為臨床醫生做出臨床決策提供巨大幫助。新生兒死亡率仍然是全球一項重要的健康指標。在一項觀察性橫斷面研究中，Espinola?Sánchez等^[52]收集入住重癥監護室孕婦的醫療記錄和新生兒的健康狀況，利用機器學習模型，開發了新生兒死亡率的預測系統，此系統在臨床應用中表現出卓越的敏感度、特異度。Nateghi Haredasht等^[53]開發了基于機器學習的預測系統，用于預測急性腎損傷病人在重癥監護室住院期間的2個重要結果：急性腎損傷轉化為慢性腎臟病的風險以及急性腎損傷病人死亡率。

2.3.2 生存期評估

重癥監護室病人病情復雜，醫護人員不僅要考慮病人的生存機會，還要考慮其未來的生活質量。醫護人員也許能對死亡率做出良好的預測，但往往無法準確預測重癥監護室病人住院期間或出院后的生活質量及生存期。在一項前瞻性隊列研究中，Santos等^[54]應用6種機器學習算法建立預測系統，預測了777例重癥監護室病人30 d生存期及生活質量，使家屬和醫務人員了解病人入住重癥監護室后可能發生的情況，有助于醫護人員做出姑息治療和臨終關懷的決策。Hsieh等^[55]建立了一個名為“PFHRCNNs”的機器學習預測系統，在無須頻繁抽血的情況下就可對重癥監護室收治的危重癥病人生存率進行預測。預測系統的數據基礎源于重癥監護室病人入院前24 h的生理指標，預測系統平均準確率達到91%，且可省略不必要的實驗室檢查，提高資源利用率。

3" 機器學習臨床決策支持系統在重癥監護室中應用的挑戰

3.1 機器學習臨床決策支持系統缺乏倫理和法規的規范

隨著機器學習臨床決策支持系統應用范圍的不斷擴大，其中涉及的倫理問題越來越受到人們的關注，醫療領域的特殊環境賦予機器學習臨床決策支持系統更高的法律要求。雖然機器學習臨床決策支持系統可以參與部分醫療環節，但無法從法律、道德層面對其約束，參與醫療的責任范圍難以界定。且機器學習臨床決策支持系統只針對病人的病情做出科學的診斷，不考慮病人經濟情況、身體狀況等其他因素，無法做到“人性化”醫療決策。此外，機器學習臨床決策支持系統的構建是基于醫療大數據，醫療大數據不僅涉及重癥監護室病人的基本信息，還包含其疾病狀況和生物基因等敏感信息^[33]，存在病人隱私泄漏風險。隨著人工智能在醫療領域的不斷完善，也許會導致醫務人員對人工智能的過分依賴從而降低自身醫學水平，醫務人員主體性地位也會受到挑戰^[56]。

3.2 機器學習臨床決策支持系統缺乏可解釋性及透明度

機器學習臨床決策支持系統是通過深度學習、機器學習算法和大量臨床數據最終做出醫療決策，盡管這種計算機系統具有較大的臨床應用潛力，但因其存在缺乏可解釋性及透明度等問題，實際臨床可操作性較差。許多智能化臨床決策支持系統的算法，尤其是機器學習算法模型，通常被認為是“黑盒模型”，醫護人員難以理解其決策過程，缺乏解釋性及透明度會導致醫務人員對機器學習臨床決策支持系統的工作原理、內部流程的自動化系統缺乏了解，或是使用過程中缺乏信心，從而降低機器學習臨床決策支持系統的可用性和接受度，甚至有引發醫療事故的風險^[57]。若醫護人員不了解機器學習臨床決策支持系統的運作基礎和診斷流程而對其完全信任，在醫療決策過程中缺乏批判性思維，忽略重癥監護室病人個體化特征，可能導致決策失誤，進一步增加病人生命安全隱患，對機器學習臨床決策支持系統的應用產生不良影響。

3.3 機器學習臨床決策支持系統在臨床應用中存在局限性

機器學習臨床決策支持系統數據收集方法大多采用回顧性收集法，且重癥監護室病人臨床數據復雜，這也許會導致重癥監護室臨床數據失去完整性和時效性。機器學習處理數據的前提是保證數據完整性和及時性，當臨床數據不完整或失去時效時，其性能將會顯著降低^[58]。與普通病房相比，重癥監護室病人疾病診斷、治療具有特殊性，針對重癥監護室開發的機器學習臨床決策支持系統推廣性較差，無法適用于普通病房。此外，機器學習臨床決策支持系統的引入需要大量投資，包括系統開發、技術人員培訓、系統維護和更新費用等，使用機器學習臨床決策支持系統的醫療機構表示面臨巨大的財務壓力^[59]，加之醫務人員系統使用培訓不充分、缺乏統一的系統操作規范、信息聯動機制不健全、警報疲勞，機器學習臨床決策支持系統自身兼容性較差等因素導致其對機器學習臨床決策支持系統使用意愿處于中等偏下水平^[60?61]。

4" 機器學習臨床決策支持系統在重癥監護室中應用的未來展望

4.1 遵守倫理法律原則，加強病人隱私保護

使用機器學習臨床決策支持系統過程需要遵守以下原則^[62]：1）以人為本原則，機器學習臨床決策支持系統要確保病人的自主權、人格尊嚴及知情同意權不受侵犯。2）共存共生原則，倫理問題不僅需要政府的相關政策制度和衛生資源系統支持，同時也受企業技術革新和安全合規的影響，應盡可能促進公共利益的實現。醫療機構應對隱私協議的內容和形式做進一步規范，提高機器學習臨床決策支持系統的質量標準，加強其制度監管，將倫理原則與法律規范深度融合到機器學習臨床決策支持系統研發、調整和應用的整個生產周期，形成以倫理原則、法律規范為驅動力的醫療人工智能理論框架。在機器學習臨床決策支持系統的開發和應用中應始終堅持“倫理先于技術”的原則，加強病人數據隱私的安全保護，避免隱私數據泄露^[63]。

4.2 提高機器學習臨床決策支持系統運作的可解釋性及透明性

將機器學習臨床決策支持系統應用于急危重癥病人的治療中，需要與醫療系統和設備進行良好的集成和協同工作，確保系統的透明性、可靠性和可操作性^[64]，這是一個具有挑戰性的任務，需要進一步改進機器學習臨床決策支持系統的算法和模型，以提高其可解釋性，開發更多可解釋模型的系統。這種“解釋”有助于提高機器學習臨床決策支持系統運作透明度及醫務人員對機器學習臨床決策支持系統使用的信心，增加醫生對系統的信任、接受度及治療決策的公平性，同時為醫療專家提供個體化醫療決策空間，最終提高醫療服務質量。

4.3 加強醫護人員對機器學習臨床決策支持系統的相關知識培訓，借助新興技術推動機器學習臨床決策支持系統的發展

隨著人工智能在醫療領域的快速發展，重癥監護室作為特殊病房，其機器學習臨床決策支持系統培訓計劃必須足夠專業嚴謹。醫療機構應加大重癥監護室醫護人員對機器學習臨床決策支持系統原理、工作流程、使用方法等方面的培訓，減少由于醫務人員主觀判斷錯誤引起的醫療事故。通過信息技術和重癥監護室醫療設備全方位數字化升級，不斷提高重癥監護室機器學習臨床決策支持系統診療模型的精準性，深入推動重癥監護室決策支持智慧化發展，創新其信息化應用。還可借助ChatGPT和深度迭代學習等新興技術提高數據分析和決策支持的準確率^[65]。

5" 小結

機器學習臨床決策支持系統為重癥監護室病人的疾病診斷、風險預測提供了新模式，并展現出優于傳統評估模式的多方面特點。然而，我國重癥監護室病人信息化發展尚處于初級探索階段，仍存在一定的不足。未來醫療機構可與計算機專家開展多學科協作，進行學科交叉，將臨床實際問題與計算機技術結合，提高機器學習臨床決策支持系統在臨床的實用性，真正實現智能化技術落地，促使未來醫學朝著更個體化、智能化的方向發展。

參考文獻：

[1]" 徐佳卿，高瑩瑩，張文婷，等.臨床決策支持系統在重癥護理中的應用現狀[J].護理研究，2022，36（20）：3650-3654.

[2]" LU Q，ZHAO W，LI Z P，et al.The design of critical care information system supporting clinical decision based on deep learning recognition method[J].International Transactions on Electrical Energy Systems，2022，2022：6761444.

[3]" 白宇，陳理，易嵐，等.中醫臨床決策支持系統研發的現狀與思考[J].江蘇中醫藥，2022，54（12）：66-69.

[4]" 國家衛生健康委辦公廳.醫療機構臨床決策支持系統應用管理規范（試行）的通知[EB/OL].（2023-07-17）[2024-05-17].http：//www.nhc.gov.cn/.

[5]" MOAZEMI S，VAHDATI S，LI J，et al.Artificial intelligence for clinical decision support for monitoring patients in cardiovascular ICUs：a systematic review[J].Frontiers in Medicine，2023，10：1109411.

[6]" GREENER J G，KANDATHIL S M，MOFFAT L，et al.A guide to machine learning for biologists[J].Nature Reviews Molecular Cell Biology，2022，23（1）：40-55.

[7]" 陸宇，江會.基于3種機器學習算法構建宮頸癌術后尿潴留風險預測模型[J].護理研究，2024，38（1）：24-30.

[8]" WERTHEN-BRABANTS L，BHAVANASI G，COUCKUYT I，et al.Split BiRNN for real-time activity recognition using radar and deep learning[J].Scientific Reports，2022，12（1）：7436.

[9]" MAHADEVKAR S V，KHEMANI B，PATIL S，et al.A review on machine learning styles in computer vision--techniques and future directions[J].IEEE Access，2022，10：107293-107329.

[10]" REHM G B，WOO S H，CHEN X L，et al.Leveraging IoTs and machine learning for patient diagnosis and ventilation management in the intensive care unit[J].IEEE Pervasive Computing，2020，19（3）：68-78.

[11]" LEVIN S，TOERPER M，HAMROCK E，et al.Machine-learning-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the Emergency Severity Index[J].Annals of Emergency Medicine，2018，71（5）：565-574.

[12]" 路朋宇，黃偉.機器學習在膿毒癥及危重癥患者預后評估中的應用[J].中國呼吸與危重監護雜志，2023，22（9）：660-665.

[13]" 胡歡婷，洪思思，賈盈盈，等.機器學習在患者出院準備服務中的應用進展[J].中華護理雜志，2024，59（3）：378-384.

[14]" 沐婷玉，許日祥，朱倩寅，等.正常高值血壓人群生活方式決策支持系統的構建及應用[J].中華護理雜志，2024，59（6）：654-661.

[15]" NAFEES A，KHAN M，CHOW R，et al.Evaluation of clinical decision support systems in oncology：an updated systematic review[J].Critical Reviews in Oncology/Hematology，2023，192：104143.

[16]" SANTOS GARCES T，DE ARAúJO A L，SOUSA G J B，et al.Clinical decision support systems for diabetic foot ulcers：a scoping review[J].Revista Da Escola De Enfermagem Da USP，2023，57：e20230218.

[17]" 沐婷玉，徐佳怡，董蝶，等.臨床決策支持系統在高血壓人群管理中應用的范圍綜述[J].軍事護理，2022，39（10）：69-71;75.

[18]" ULLAH I，INAYAT T，ULLAH N，et al.Clinical decision support system（CDSS） for heart disease diagnosis and prediction by machine learning algorithms：a systematic literature review[J].Journal of Mechanics in Medicine and Biology，2023，23（10）：2330001.

[19]" HONG N，LIU C，GAO J W，et al.State of the art of machine learning-enabled clinical decision support in intensive care units：literature review[J].JMIR Medical Informatics，2022，10（3）：e28781.

[20]" 薛瑾，王清，蔣玲，等.ICU患者譫妄管理臨床決策支持系統的構建與應用研究[J].中華護理雜志，2023，58（9）：1037-1042.

[21]" 趙永信，顧鶯，張曉波，等.臨床決策支持系統在護理領域中的應用研究進展[J].中國實用護理雜志，2019，35（11）：877-882.

[22]" CHOI A，CHOI S Y，CHUNG K，et al.Development of a machine learning-based clinical decision support system to predict clinical deterioration in patients visiting the emergency department[J].Scientific Reports，2023，13（1）：8561.

[23]" 卓燁燁，莊旭心，蔡德.基于HIS的機器學習臨床決策支持系統在抗菌藥物管理中的應用[J].中國數字醫學，2021，16（9）：84-89.

[24]" 宋雪青，張學靚，馬曉萌，等.機器學習在傳染病臨床決策支持系統中應用的研究進展[J].護理研究，2024，38（3）：459-463.

[25]" 姜又琳，張紅，劉堃靖，等.中醫臨床決策支持系統的發展綜述[J].中國數字醫學，2024，19（5）：1-7.

[26]" JEONG H，KAMALESWARAN R.Pivotal challenges in artificial intelligence and machine learning applications for neonatal care[J].Seminars in Fetal and Neonatal Medicine，2022，27（5）：101393.

[27]" 吳志娜，胡敏，宮洵，等.機器學習在口腔正畸診療中的應用進展[J].中華口腔醫學雜志，2021，56（12）：1277-1281.

[28]" KIM M S，RYU J M，CHOI B K.Development and effectiveness of a clinical decision support system for pressure ulcer prevention care using machine learning[J].Computers，Informatics，Nursing，2023，41（4）：236-245.

[29]" GUNLICKS-STOESSEL M，LIU Y，PARKHILL C，et al.Adolescent，parent，and provider attitudes toward a machine learning based clinical decision support system for selecting treatment for youth depression[J].BMC Medical Informatics and Decision Making，2024，24（1）：4.

[30]" MONTOMOLI J，HILTY M P，INCE C.Artificial intelligence in intensive care：moving towards clinical decision support systems[J].Minerva Anestesiologica，2022，88（12）：1066-1072.

[31]" ZHANG Y，SZOLOVITS P.Patient-specific learning in real time for adaptive monitoring in critical care[J].Journal of Biomedical Informatics，2008，41（3）：452-460.

[32]" QUINN J A，WILLIAMS C K I，MCINTOSH N.Factorial switching linear dynamical systems applied to physiological condition monitoring[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（9）：1537-1551.

[33]" YOON J H，PINSKY M R.Predicting adverse hemodynamic events in critically ill patients[J].Current Opinion in Critical Care，2018，24（3）：196-203.

[34]" ESHELMAN L J，LEE K P，FRASSICA J J，et al.Development and evaluation of predictive alerts for hemodynamic instability in ICU patients[J].AMIA Annual Symposium Proceedings AMIA Symposium，2008，2008：379-383.

[35]" SALLNOW L，SMITH R，AHMEDZAI S H，et al.Report of the lancet commission on the value of death：bringing death back into life[J].Lancet，2022，399（10327）：837-884.

[36]" SLUTSKY A S，MARCO RANIERI V.Ventilator-induced lung injury[J].New England Journal of Medicine，2013，369（22）：2126-2136.

[37]" LIU C F，HUNG C M，KO S C，et al.An artificial intelligence system to predict the optimal timing for mechanical ventilation weaning for intensive care unit patients：a two-stage prediction approach[J].Frontiers in Medicine，2022，9：935366.

[38]" GHAZAL S，SAUTHIER M，BROSSIER D，et al.Using machine learning models to predict oxygen saturation following ventilator support adjustment in critically ill children：a single center pilot study[J].PLoS One，2019，14（2）：e0198921.

[39]" KOOLEN N，OBERDORFER L，RONA Z，et al.Automated classification of neonatal sleep states using EEG[J].Clinical Neurophysiology，2017，128（6）：1100-1108.

[40]" GOLMOHAMMADI M，HARATI NEJAD TORBATI A H，LOPEZ DE DIEGO S，et al.Automatic analysis of EEGs using big data and hybrid deep learning architectures[J].Frontiers in Human Neuroscience，2019，13：76.

[41]" FARZANEH N，WILLIAMSON C A，JIANG C，et al.Automated segmentation and severity analysis of subdural hematoma for patients with traumatic brain injuries[J].Diagnostics（Basel，Switzerland），2020，10（10）：773.

[42]" SOLIMAN I W，FRENCKEN J F，PEELEN L M，et al.The predictive value of early acute kidney injury for long-term survival and quality of life of critically ill patients[J].Critical Care，2016，20（1）：242.

[43]" SUN M X，BARON J，DIGHE A，et al.Early prediction of acute kidney injury in critical care setting using clinical notes and structured multivariate physiological measurements[J].Studies in Health Technology and Informatics，2019，264：368-372.

[44]" UGWUOWO U，YAMAMOTO Y，ARORA T，et al.Real-time prediction of acute kidney injury in hospitalized adults：implementation and proof of concept[J].American Journal of Kidney Diseases，2020，76（6）：806-814.

[45]" DESAUTELS T，CALVERT J，HOFFMAN J，et al.Prediction of sepsis in the intensive care unit with minimal electronic health record data：a machine learning approach[J].JMIR Medical Informatics，2016，4（3）：e28.

[46]" MANI S，OZDAS A，ALIFERIS C，et al.Medical decision support using machine learning for early detection of late-onset neonatal sepsis[J].Journal of the American Medical Informatics Association，2014，21（2）：326-336.

[47]" SAUTHIER M S，JOUVET P A，NEWHAMS M M，et al.Machine learning predicts prolonged acute hypoxemic respiratory failure in pediatric severe influenza[J].Critical Care Explorations，2020，2（8）：e0175.

[48]" LE S，PELLEGRINI E，GREEN-SAXENA A，et al.Supervised machine learning for the early prediction of acute respiratory distress syndrome（ARDS）[J].Journal of Critical Care，2020，60：96-102.

[49]" KEUNING B E，KAUFMANN T，WIERSEMA R，et al.Mortality prediction models in the adult critically ill：a scoping review[J].Acta Anaesthesiologica Scandinavica，2020，64（4）：424-442.

[50]" ZENG G J，ZHUANG J H，HUANG H F，et al.Use of deep learning for continuous prediction of mortality for all admissions in intensive care units[J].Tsinghua Science and Technology，2023，28（4）：639-648.

[51]" CHIU C C，WU C M，CHIEN T N，et al.Predicting the mortality of ICU patients by topic model with machine-learning techniques[J].Healthcare（Basel，Switzerland），2022，10（6）：1087.

[52]" ESPINOLA-SáNCHEZ M，SANCA-VALERIANO S，CAMPA?A-ACU?A A，et al.Prediction of neonatal death in pregnant women in an intensive care unit：application of machine learning models[J].Heliyon，2023，9（10）：e20693.

[53]" NATEGHI HAREDASHT F，VIAENE L，POTTEL H，et al.Predicting outcomes of acute kidney injury in critically ill patients using machine learning[J].Scientific Reports，2023，13（1）：9864.

[54]" SANTOS H G D，ZAMPIERI F G，NORMILIO-SILVA K，et al.Machine learning to predict 30-day quality-adjusted survival in critically ill patients with cancer[J].Journal of Critical Care，2020，55：73-78.

[55]" HSIEH Y Z，SU M C，WANG C H，et al.Prediction of survival of ICU patients using computational intelligence[J].Computers in Biology and Medicine，2014，47：13-19.

[56]" 梅春英，王菡，李曉軍，等.智慧醫療的倫理和法律問題及其應對策略[J].中國醫院管理，2023，43（3）：70-74.

[57]" ADAMS R，HENRY K E，SRIDHARAN A，et al.Prospective，multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis[J].Nature Medicine，2022，28（7）：1455-1460.

[58]" PINSKY M R，BEDOYA A，BIHORAC A，et al.Use of artificial intelligence in critical care：opportunities and obstacles[J].Critical Care，2024，28（1）：113.

[59]" 鄭銳，季夢婷，馮雨萱，等.診斷類智能化臨床決策支持系統應用現狀與思考[J].上海醫藥，2024，45（9）：3-9;18.

[60]" 翟越，張玉俠，虞正紅.護士視角下的護理臨床決策支持系統實施障礙因素分析[J].中國護理管理，2023，23（1）：46-51.

[61]" 徐帆，李紅霞，舒婷.臨床決策支持系統應用情況調查分析[J].中國衛生信息管理雜志，2022，19（6）：939-943.

[62]" 李幸哲，任素娟.責任倫理視角下臨床決策支持系統的倫理責任考量[J].醫學與哲學，2023，44（22）：11-14;19.

[63]" 雷芳，杜亮，董敏，等.基于人工智能的臨床決策支持系統早期臨床評估的透明化報告[J].中國全科醫學，2024，27（10）：1267-1270.

[64]" 楊茗，龍大堅，池浩，等.基于人工智能的臨床決策支持系統在產科中的研究進展[J].臨床醫學研究與實踐，2023，8（34）：190-193.

[65]" 潘晨浩，周明.ChatGPT在中醫藥領域中的應用前景[J].醫學信息，2023，36（18）：15-20.

（收稿日期：2024-07-02；修回日期：2025-03-10）

（本文編輯 曹妍）