重症监护室（intensivecareunit，ICU）病人病情危重，仪器设备复杂，临床护理工作烦琐。医生需要快速确定病人的实际情况，对危重病人及时诊疗及后续护理。一旦医疗决策错误，病人将面临以生命为代价的严重损失[1]。在这种情况下，临床决策支持系统（clinicaldecisionsupportsystem，CDSS）的提出降低了医生判断病情的盲目性，为理性判断病人实际情况提供了参考[2]。临床决策支持系统可以仿照医生诊断、治疗疾病的思维和过程，在疾病诊断、风险预测等方面为医生提供决策支持[3]。2023年7月，我国国家卫生健康委员会在发布的《医疗机构临床决策支持系统应用管理规范（试行）》[4]中提出，鼓励有条件的医疗机构利用临床决策支持系统作为提升医疗质量和安全的智能化工具，促进智慧医院的建设发展，适应医院信息化工作需要，规范医疗机构临床决策支持系统应用管理，这也为临床决策支持系统的发展和广泛应用提供了便利。机器学习（machinelearning，ML）作为人工智能领域的核心，与临床决策支持系统结合形成机器学习临床决策支持系统（machinelearning‐clinicaldecisionsupportsystems，ML‐CDSS），并在重症监护室中应用广泛[5]。现从机器学习临床决策支持系统的概述、在重症监护室中的应用现状、面临挑战及未来展望4个方面对机器学习临床决策支持系统在重症监护室中应用的相关研究进行综述，旨在进一步为重症监护室中的机器学习临床决策支持系统建设提供参考，为智慧医疗发展提供参考及借鉴。

1、机器学习临床决策支持系统的概述

机器学习也称数据驱动方法，通过学习大量病人临床数据，使用统计分析模型和计算技术，使计算机系统从病人临床数据中学习并发现未知的临床情况，做出预测，指导决策，并通过自身经验自动改进[6]。研究发现，将机器学习应用于医疗领域有助于医护人员为病人提供更准确、更及时、更客观的诊断和治疗，其被广泛应用于癌症术后风险预测模型[7]、跌倒安全管理[8]、预测或指导危重病人的治疗[9‐11]、评估危重症病人预后等方面[12]。与传统数据分析方法相比，机器学习在临床数据处理能力上具有高效率与高准确性的特点[13]。临床决策支持系统是通过应用信息技术，综合分析医学知识和病人信息，为医务人员的临床诊疗活动提供多种形式帮助，支持临床决策的一种计算机辅助信息系统。它将电子健康记录中病人特定的健康数据与指南联系起来，通过基于规则或算法的软件生成特定病例的指导信息，最终达到提高医护人员临床决策的科学性和严谨性、改善病人临床结局、减少医护人员工作负担等的目标[14]，是人工智能应用于医疗系统的体现。临床上广泛用于癌症评估[15]、慢性病护理[16‐17]、心脏病诊断与监测[18]、识别急危重症病人临床结局预测和预后评估[19‐20]。目前，护理领域的临床决策支持系统应用主要包括护理评估、护理诊断、护理计划制定、护理计划实施、智能提醒与警告、健康教育及护理管理等方面[21]。临床决策支持系统有助于提高病人安全并改善临床结果，机器学习在病人诊断、预后、医疗模式识别和成像分类方面具有极高的处理速度和分析方法的综合性，因此，机器学习在医疗决策中通常作为临床决策支持系统的技术背景，与临床决策支持系统结合形成机器学习临床决策支持系统[22]。机器学习临床决策支持系统以结构化数据为基础，在既往经验中学习规则，获得对新数据的识别和预测能力，辅助临床决策，克服了知识库型系统知识来源有限以及缺乏结合病人临床特征综合评估的局限性[23]。在国内外，机器学习临床决策支持系统主要应用于传染病管理[24]、中医药信息化[25]、新生儿护理[26]、口腔正颌诊疗[27]、压力性损伤预防[28]、青少年抑郁症[29]、重症监护[30]等领域。

2、机器学习临床决策支持系统在重症监护室中的应用

2.1临床监测

重症监护室病人的持续监测和治疗将产生大量数据。机器学习临床决策支持系统作为一种计算机系统，能够利用大量重症监护室病人数据，将临床决策支持研究和应用程序可操作化。医学和医疗技术的最新发现以及人工智能建模和计算能力的新进展促进了机器学习临床决策支持系统在重症监护室临床监测中的应用，如生理指标、机械通气、脑电图等领域的监测。

2.1.1生理指标监测

在重症监护室，每例病人持续监测于一系列医疗设备中。这些设备从生物传感器和其他装置接收病人的生理测量数据，将输入的电信号转换为数字化波形和生命体征数值，跟踪病人的生理状态，并在其内置算法检测到生理异常时发出警报。Zhang等[31]收集病人实时数据并结合机器学习算法建立了一种有效的病人特定警报模型，此模型基于个性化生命体征数据，在床边生成信息警报，并提高了警报准确性和及时性，以检测不良临床事件。Quinn等[32]提供了从临床数据推断隐藏因素的通用模型，并成功应用于重症监护室早产儿监测，此模型可以及时监测重症监护室早产儿心率、温度探测器、培养箱温湿度并定时对早产儿进行动脉取样，动态、实时地对重症监护室早产儿生理指标进行监测反馈。预测危重病人的不良血流动力学一直是重症监护领域的一个主要挑战，使用各种机器学习算法对临床数据库进行数据挖掘，能使医护人员早期识别警报并尽快做出反应，为病人提供更安全的护理，降低医疗成本[33]。Eshelman等[34]描述了一种基于规则学习技术的机器学习分类算法，利用由生理监测和临床信息系统数据组成的数据库中的病人记录，创建并测试开发的预测算法系统，用于识别可能会发生血流动力学不稳定的重症监护室病人，通过监测血尿素氮、血细胞比容、部分凝血活酶时间等生理指标判断病人是否出现血流动力学不稳定的情况。

2.1.2机械通气监测

机械通气作为危重病人常见的生命支持手段，在重症监护室中使用率高达73%[35]。长时间的机械通气易导致呼吸机相关性肺炎（VAP）、急性呼吸窘迫综合征（ARDS）、呼吸机依赖等潜在并发症。当呼吸机配置与病人的呼吸需求不一致时，甚至还会出现病人‐呼吸机不同步（PVA）的现象[36]。这些问题可能会对病人产生不利影响，如住院时间延长、镇静需求增加、肺损伤，甚至死亡。因此，加强对机械通气监测管理至关重要。Rehm等[10]开发了基于机器学习数据驱动的诊断系统，用于实时监测重症监护室中急性呼吸窘迫综合征及病人‐呼吸机不同步现象；其还设计了移动应用程序，使医生能够跟踪病人的实时呼吸信息，并为急性呼吸窘迫综合征疾病筛查和呼吸机异步提供警报。脱离机械通气是接受有创机械通气危重插管病人护理的基本程序，对重症监护室医生来说，准确评估重症监护室病人脱机时机具有极大的挑战性，脱机失败后再插管可提高病人死亡率、呼吸机相关性肺炎发生率等。Liu等[37]使用7种机器学习算法，纳入重症监护室病人的电子病历进行建模，开发预测系统，以提醒重症监护室临床医生病人脱机的最佳时机，协助医生做出脱机拔管的决策时机。Ghazal等[38]利用机械通气儿童临床数据库中的大量数据，与机器学习预测模型结合形成可以预测危重患儿呼吸机支持调整后血氧饱和度（SpO2）的机器学习临床决策支持系统。医护人员可以根据此机器学习临床决策支持系统预测呼吸机设置变化对危重患儿血氧饱和度的影响，并进行及时进行调整。

2.1.3脑电图监测

脑电图监测在重症监护室病人脑功能检测和脑部疾病诊断中起重要作用。Koolen等[39]发现，重症监护室早产儿脑电图及其睡眠状态特征随着发育而变化，脑电图特征变化可以对早产儿的睡眠状态进行分类。基于此，Koolen团队收集了24~45周龄婴儿脑电图记录，形成数据集，进一步与机器学习结合形成一种分类器，以便根据重症监护室早产儿睡眠状态跟踪其大脑警觉状态波动，该分类器能够可视化早产儿的睡眠状态，有助于新生儿重症监护室的临床管理。Golmohammadi等[40]将脑部监测与脑电图自动分析联合提出一种基于机器学习和大数据原理的高性能自动化脑电分析系统，该系统主要应用于神经内科重症监护室，能对与癫痫、代谢性脑病、脑缺氧和缺血相关的脑电图事件进行高性能分类，可以缩短诊疗时间，并协助临床医生进行实时监测。硬膜下血肿的检测和严重程度评估是评估创伤性脑损伤的重要步骤。Farzaneh等[41]开发出一种机器学习临床决策支持系统检测硬膜下血肿的严重程度，提醒放射科医生和临床医生潜在的中度和重度损伤，并通过测量创伤性脑损伤病人潜在血肿总量评估其严重程度。

2.2临床事件的早期预测

临床事件预测即使用电子健康记录中的数据预测某些临床事件的发生或给予治疗的最佳时间，是重症监护病房临床决策支持系统最重要的方面之一。在重症监护室收治早期，临床医生往往难以发现预测危重病人的临床结局，即使在重症监护室入院期间，预后也可能不明确，因此在重症监护室收治期间尽早预测有效的病情恶化因素尤为重要。

2.2.1急性肾损伤预测

急性肾损伤是重症监护室病人1年内死亡率增加的危险因素，早期急性肾损伤可能是重症监护室病人长期结局不佳的警告信号，急性肾损伤的早期预测对危重症病人的长期生存和生活质量具有很高的价值[42]。Sun等[43]基于数据库构建并应用了多个机器学习模型，对非结构化临床记录和结构化生理测量进行比较分析，以识别急性肾损伤的早期发作。研究结果显示，此机器学习模型可以有效地帮助临床医生识别危重病人在入住重症监护室时发生急性肾损伤的风险。Ugwuowo等[44]纳入了170000例重症监护室病人的数据集，采用机器学习电子健康记录系统创建了一个急性肾损伤预测模型，该模型可直接预测病人短期急性肾损伤风险升高的几种血清和尿液生物标志物。2.2.2感染预测

早期识别感染是许多重症监护室病人生存的关键，由于重症监护室病人病情极其复杂，且具有特殊性，临床医生很难在感染发生之前进行预测。Desautels等[45]研发了一种名为“InSight”的机器学习分类系统，此机器学习分类系统使用现成的床边数据进行计算，使用易于获得的病人数据，如生命体征、外周毛细血管血氧饱和度、格拉斯哥昏迷评分和年龄进行计算。“InSight”可以在重症监护室病人病情严重恶化或多器官衰竭之前识别发生脓毒症的风险，在脓毒症发作前4h的预测性识别可为临床干预提供宝贵的时间窗口，降低重症监护室病人感染发病率和死亡率。新生儿脓毒症在新生儿重症监护室病人中发病率和死亡率较高。Mani等[46]使用机器学习方法收集了1826例入住新生儿重症监护室的患儿信息，创建了新生儿脓毒症预测模型系统，提高医生使用抗生素时机与剂量的准确性，为早期诊断和改善新生儿重症监护室患儿脓毒症管理提供决策支持。

2.2.3呼吸系统疾病预测

重症监护室的呼吸管理是重症监护和治疗的一个重要方面，呼吸危重症的早期诊断对病人的预后有显著影响。机器学习临床决策支持系统可以预测病人急性呼吸系统疾病的发作，尤其是儿科病人。Sauthier等[47]利用随机森林回归和Logistic回归两种机器学习方法建立预测模型，通过观察患儿常见的低氧血症标志物，可尽早预测重症流感危重患儿急性低氧血症型呼吸衰竭的时间。Sauthier等[47]将危重儿科哮喘患儿的生命体征数据与电子医疗数据相结合，使用机器学习生成一种自动化、连续性的急性哮喘严重程度评分系统。此系统独特之处在于其能够通过计算分数持续监测患儿哮喘状态的急性变化，最后达到缩短患儿住院时间、降低患儿再入院率以及减轻新生儿重症监护室用药负担的目的。急性呼吸窘迫综合征是重症监护室一种死亡率和发病率高的严重呼吸系统疾病，开发临床决策支持系统可协助临床医生在病人发生急性呼吸窘迫综合征之前进行风险预测。Le等[48]开发且验证了一种机器学习临床决策支持系统在急性呼吸窘迫综合征早期识别和预测中的作用，结果显示，此机器学习临床决策支持系统敏感度和特异度较高，对急性呼吸窘迫综合征病人发病前48h预测准确度高，减少了医生临床判断的主观性。

2.3临床结局评估

医疗保健正在经历一场革命。电子健康记录和临床医疗数据等医疗保健大数据的积累使研究人员能够使用机器学习技术，并从这些数据中学习并构建临床决策支持系统，这些技术变革有助于及时、准确地预测病人在死亡或生存的医疗风险，从而提高临床干预的质量和效率。

2.3.1死亡率评估

重症监护室的死亡率是衡量医院临床质量的关键指标，院内死亡是重症监护室中最重要的结局，早期预测重症监护室病人的死亡率可以降低总体死亡率和并发症治疗费用，因此预测重症监护室病人死亡率成为一项至关重要的任务。死亡率预测旨在识别高危人群，做出正确的决定，为有需要的病人节省重症监护室床位[49]。Zeng等[50]基于机器学习算法建立了一个预测系统，可以在整个重症监护室病人住院期间进行死亡率预测且实时更新电子健康记录，动态及时地获取病人的死亡风险。Chiu等[51]使用基于5种机器学习学习分类算法构建的预测系统对重症监护室病人死亡率进行预测，此机器学习临床决策支持系统不仅整合了重症监护室病人在住院期间的结构化数据（生命体征和实验室检查结果），还添加了病人的半结构化数据（诊断数据），增强了对重症监护室病人不同时期死亡率预测的准确性，为临床医生做出临床决策提供巨大帮助。新生儿死亡率仍然是全球一项重要的健康指标。在一项观察性横断面研究中，Espinola‐Sánchez等[52]收集入住重症监护室孕妇的医疗记录和新生儿的健康状况，利用机器学习模型，开发了新生儿死亡率的预测系统，此系统在临床应用中表现出卓越的敏感度、特异度。NateghiHaredasht等[53]开发了基于机器学习的预测系统，用于预测急性肾损伤病人在重症监护室住院期间的2个重要结果：急性肾损伤转化为慢性肾脏病的风险以及急性肾损伤病人死亡率。

2.3.2生存期评估

重症监护室病人病情复杂，医护人员不仅要考虑病人的生存机会，还要考虑其未来的生活质量。医护人员也许能对死亡率做出良好的预测，但往往无法准确预测重症监护室病人住院期间或出院后的生活质量及生存期。在一项前瞻性队列研究中，Santos等[54]应用6种机器学习算法建立预测系统，预测了777例重症监护室病人30d生存期及生活质量，使家属和医务人员了解病人入住重症监护室后可能发生的情况，有助于医护人员做出姑息治疗和临终关怀的决策。Hsieh等[55]建立了一个名为“PFHRCNNs”的机器学习预测系统，在无须频繁抽血的情况下就可对重症监护室收治的危重症病人生存率进行预测。预测系统的数据基础源于重症监护室病人入院前24h的生理指标，预测系统平均准确率达到91%，且可省略不必要的实验室检查，提高资源利用率。

3、机器学习临床决策支持系统在重症监护室中应用的挑战

3.1机器学习临床决策支持系统缺乏伦理和法规的规范

随着机器学习临床决策支持系统应用范围的不断扩大，其中涉及的伦理问题越来越受到人们的关注，医疗领域的特殊环境赋予机器学习临床决策支持系统更高的法律要求。虽然机器学习临床决策支持系统可以参与部分医疗环节，但无法从法律、道德层面对其约束，参与医疗的责任范围难以界定。且机器学习临床决策支持系统只针对病人的病情做出科学的诊断，不考虑病人经济情况、身体状况等其他因素，无法做到“人性化”医疗决策。此外，机器学习临床决策支持系统的构建是基于医疗大数据，医疗大数据不仅涉及重症监护室病人的基本信息，还包含其疾病状况和生物基因等敏感信息[33]，存在病人隐私泄漏风险。随着人工智能在医疗领域的不断完善，也许会导致医务人员对人工智能的过分依赖从而降低自身医学水平，医务人员主体性地位也会受到挑战[56]。

3.2机器学习临床决策支持系统缺乏可解释性及透明度

机器学习临床决策支持系统是通过深度学习、机器学习算法和大量临床数据最终做出医疗决策，尽管这种计算机系统具有较大的临床应用潜力，但因其存在缺乏可解释性及透明度等问题，实际临床可操作性较差。许多智能化临床决策支持系统的算法，尤其是机器学习算法模型，通常被认为是“黑盒模型”，医护人员难以理解其决策过程，缺乏解释性及透明度会导致医务人员对机器学习临床决策支持系统的工作原理、内部流程的自动化系统缺乏了解，或是使用过程中缺乏信心，从而降低机器学习临床决策支持系统的可用性和接受度，甚至有引发医疗事故的风险[57]。若医护人员不了解机器学习临床决策支持系统的运作基础和诊断流程而对其完全信任，在医疗决策过程中缺乏批判性思维，忽略重症监护室病人个体化特征，可能导致决策失误，进一步增加病人生命安全隐患，对机器学习临床决策支持系统的应用产生不良影响。

3.3机器学习临床决策支持系统在临床应用中存在局限性

机器学习临床决策支持系统数据收集方法大多采用回顾性收集法，且重症监护室病人临床数据复杂，这也许会导致重症监护室临床数据失去完整性和时效性。机器学习处理数据的前提是保证数据完整性和及时性，当临床数据不完整或失去时效时，其性能将会显著降低[58]。与普通病房相比，重症监护室病人疾病诊断、治疗具有特殊性，针对重症监护室开发的机器学习临床决策支持系统推广性较差，无法适用于普通病房。此外，机器学习临床决策支持系统的引入需要大量投资，包括系统开发、技术人员培训、系统维护和更新费用等，使用机器学习临床决策支持系统的医疗机构表示面临巨大的财务压力[59]，加之医务人员系统使用培训不充分、缺乏统一的系统操作规范、信息联动机制不健全、警报疲劳，机器学习临床决策支持系统自身兼容性较差等因素导致其对机器学习临床决策支持系统使用意愿处于中等偏下水平[60‐61]。

4、机器学习临床决策支持系统在重症监护室中应用的未来展望

4.1遵守伦理法律原则，加强病人隐私保护

使用机器学习临床决策支持系统过程需要遵守以下原则[62]：1）以人为本原则，机器学习临床决策支持系统要确保病人的自主权、人格尊严及知情同意权不受侵犯。2）共存共生原则，伦理问题不仅需要政府的相关政策制度和卫生资源系统支持，同时也受企业技术革新和安全合规的影响，应尽可能促进公共利益的实现。医疗机构应对隐私协议的内容和形式做进一步规范，提高机器学习临床决策支持系统的质量标准，加强其制度监管，将伦理原则与法律规范深度融合到机器学习临床决策支持系统研发、调整和应用的整个生产周期，形成以伦理原则、法律规范为驱动力的医疗人工智能理论框架。在机器学习临床决策支持系统的开发和应用中应始终坚持“伦理先于技术”的原则，加强病人数据隐私的安全保护，避免隐私数据泄露[63]。

4.2提高机器学习临床决策支持系统运作的可解释性及透明性

将机器学习临床决策支持系统应用于急危重症病人的治疗中，需要与医疗系统和设备进行良好的集成和协同工作，确保系统的透明性、可靠性和可操作性[64]，这是一个具有挑战性的任务，需要进一步改进机器学习临床决策支持系统的算法和模型，以提高其可解释性，开发更多可解释模型的系统。这种“解释”有助于提高机器学习临床决策支持系统运作透明度及医务人员对机器学习临床决策支持系统使用的信心，增加医生对系统的信任、接受度及治疗决策的公平性，同时为医疗专家提供个体化医疗决策空间，最终提高医疗服务质量。

4.3加强医护人员对机器学习临床决策支持系统的相关知识培训，借助新兴技术推动机器学习临床决策支持系统的发展

随着人工智能在医疗领域的快速发展，重症监护室作为特殊病房，其机器学习临床决策支持系统培训计划必须足够专业严谨。医疗机构应加大重症监护室医护人员对机器学习临床决策支持系统原理、工作流程、使用方法等方面的培训，减少由于医务人员主观判断错误引起的医疗事故。通过信息技术和重症监护室医疗设备全方位数字化升级，不断提高重症监护室机器学习临床决策支持系统诊疗模型的精准性，深入推动重症监护室决策支持智慧化发展，创新其信息化应用。还可借助ChatGPT和深度迭代学习等新兴技术提高数据分析和决策支持的准确率[65]。

5、小结

机器学习临床决策支持系统为重症监护室病人的疾病诊断、风险预测提供了新模式，并展现出优于传统评估模式的多方面特点。然而，我国重症监护室病人信息化发展尚处于初级探索阶段，仍存在一定的不足。未来医疗机构可与计算机专家开展多学科协作，进行学科交叉，将临床实际问题与计算机技术结合，提高机器学习临床决策支持系统在临床的实用性，真正实现智能化技术落地，促使未来医学朝着更个体化、智能化的方向发展。

参考文献:

[1]徐佳卿,高莹莹,张文婷,等.临床决策支持系统在重症护理中的应用现状[J].护理研究,2022,36(20):3650-3654.

[3]白宇,陈理,易岚,等.中医临床决策支持系统研发的现状与思考[J].江苏中医药,2022,54(12):66-69.

基金资助:2023年度山西省高等学校科技创新计划,编号:2023L098;

文章来源:严慧娜,刘瑞云,李颖,等.机器学习临床决策支持系统在ICU中应用的研究进展[J].护理研究,2025,39(07):1199-1205.