【协和医学杂志】临床实践指南信息化平台发展现状

摘要：项目基金：国家自然科学基金（82374624）；中国中医科学院科技创新工程重大攻关项目（CI2021A05502）；北京市自然科学基金（7232306）；中国中医科学院课题（ZZ16-XRZ-107-SJ）；中国中医科学院中央级公益性科研院所基本科研业务费项目

· 临床实践指南 ·

作者：张雪芹1，赵芸1，刘杰2，葛龙3，邢颖1,4，任似梦2，王怡菲5，张文政2，张迪6，王世华6，孙瑶1，吴敏1，冯林7，文天才1,4单位：中国中医科学院1中医药数据中心2广安门医院肿瘤科4中医药信息研究所6中医临床基础医学研究所，3兰州大学公共卫生学院，5浙江中医药大学附属第一医院肾病科（浙江省中医院），7陕西中医药大学公共卫生学院

通信作者：文天才

项目基金：国家自然科学基金（82374624）；中国中医科学院科技创新工程重大攻关项目（CI2021A05502）；北京市自然科学基金（7232306）；中国中医科学院课题（ZZ16-XRZ-107-SJ）；中国中医科学院中央级公益性科研院所基本科研业务费项目（ZZ15-WT-05）

文章来源：协和医学杂志, 2025,16(2):462-471.

临床实践指南（CPG）是辅助临床决策的最佳依据，能够规范医疗服务、控制医疗成本，同时兼顾患者个体化特征，从而提高临床诊疗质量和效率[1-3]。传统CPG多以文档模式发布，其语义内容包含大量隐性知识[4-5]，不便于CPG的快速传播和临床应用。因此，亟需将其转化为计算机可理解的结构化、知识化表示形式[6]，即将CPG转换为知识模型，供计算机识别、理解和处理其语义内容和逻辑关系[7]，包括文档模型[8]、决策树/概率模型[9]和任务网络模型[10]等，CPG信息化平台是实现CPG结构化和知识化的有效途径。随着大数据[11]、云计算[12]、人工智能（AI）[13]等新一代信息技术的出现，CPG信息化平台也得到发展，基本可分为两大类[14]：一类是结构化处理CPG，即解构CPG格式、内容和逻辑关系，其针对CPG的制订、更新、注册、存储等，旨在提高CPG的制订/修订效率、便捷度和团队协作，如CPG注册平台、制订平台等；另一类是知识化处理CPG，即将静态文本形式的CPG转换为计算机可识别、理解和处理的知识模型，其支持临床决策，并促进CPG知识共享、传播与使用，如基于CPG构建临床决策支持系统、知识库等。本文主要介绍国际实践指南注册与透明化平台（PREPARE）[15]、Guideline Development Tool（GRADE pro GDT）[16]、Guidelines International Network（GIN）[17]、Guideline Central[18]、IBM Watson for Oncology（WFO）[19-20]等CPG信息化平台，其均具有CPG检索和个性化设计功能。平台多采用三层架构[21]（图1），优势是通过应用层与数据层的通信和交互，由应用层调用数据执行用户层请求，从而支持CPG信息化平台在网络环境中的运行工作。本文通过分析CPG信息化平台的发展现状，探讨其面临的挑战和发展趋势，以期为CPG信息化平台建设和研究提供背景支撑与方向引导，进而提高CPG的可及性和利用率。

图1 临床实践指南信息化平台系统三层架构

注：Internet代表网络端；Server代表服务端；Data代表数据端

CPG信息化平台类型

目前，国际上针对CPG的数字智能化研究存在两个关键问题，即将文本CPG转化为基于计算机语言的结构化CPG，以及使计算机高效理解并执行结构化CPG[22]。因此，CPG信息化平台以目的为导向，以实现CPG结构化和促进CPG知识获取、理解及实践为主要目标。

1.1

注册平台

注册平台是记录、管理和注册CPG的系统，旨在提高CPG开发的透明度和可追溯性，确保CPG质量和避免不必要的重复工作[23]。其主要作用为注册新指南、更新指南信息、查找和访问指南（表1）。注册平台要求CPG按照一定的标准和格式报告信息，支持多用户或机构协作、查询已注册指南和追踪指南的制订/修订动态。因此，CPG注册平台具有透明度高、可追溯性、协作性和标准化特点。现以PREPARE[24]为例进行介绍。

表1 CPG注册平台结构化方法

截至2024年底，PREPARE平台累计注册CPG（西医指南、中医药指南、循证指南等）和专家共识3449部，通过用户登录，填写CPG注册信息，获得唯一注册号并完成注册。平台功能主要分为以下方面：

注册指南，采用双语注册方式，包括CPG基本信息（标题、版本、分类、领域、国家、制订单位等），CPG制订背景（制订目的、拟实施的目标人群、使用者），证据检索与评价（基于系统评价证据或证据分级方法）等；

检索指南，通过CPG基本信息限定条件检索；

指南培训；

1.2

制订平台

制订平台是制订、更新和维护CPG的综合性工具，旨在促进可信度高、实施性好的CPG高效生产[27]。CPG制订平台通过预定义制订模板、结构和流程，支持多学科团队协作进行证据评估并制订CPG，同时监测制订流程、更新状态和最新证据的纳入。该平台包含证据收集与整合、风险评估与效益分析、专家意见征集、CPG草案编写、反馈与修订、发布与更新等功能，以及证据评估工具、CPG编写工具等（表2）。

表2 CPG制订平台结构化方法

CPG制订平台具备流程标准化、内容模板化、易用性、可追溯性、持续更新和维护以及多学科合作支持等特点。现以GRADE pro GDT为例进行介绍。

GRADE pro GDTMAGICapp[28]旨在以证据推荐分级评估、制定和评价系统（GRADE）的证据分级（高、中、低、极低）为核心路径开展指南的制订、发布和更新，并实现推荐意见及证据的结构化发布。MAGICapp与GRADE pro GDT特点比较详见表3。表3 MAGICapp与GRADE pro GDT特点比较[16,28]

1.3

数据库

数据库作为CPG资源的载体，旨在促进CPG的传播、实施与应用[29]。CPG数据库的数据结构包括标题、摘要、作者、单位、出版日期、更新记录、适用人群等字段；在文献覆盖面、检索功能、纳入标准、编辑流程和个性化设计等功能方面均有成熟的方法学支持[30]。其界面设计简单易用，提供多语支持，可集成其他医学数据库和资源。因此，CPG数据库具有高度信息化、灵活性、可扩展性等特点。国际上具有代表性和影响力的CPG数据库为美国临床诊疗指南数据库[31]、GIN[17]、英国国家卫生与临床优化研究所[32]等，我国较成熟的CPG信息网站为医脉通指南网[33]、STAR数据库[34-35]等。现以GIN[17]为例进行介绍。

截至2024年底，GIN共存储CPG数据3504条，包括已发布、制订中指南和计划内指南，且尽可能保持指南信息为最新状态。GIN设有指南制订小组成员、适用范围、制订方法、证据评价、指南等级等标准。

同时，GIN可链接其他免费指南数据库，包括德国科学医学会协会指南登记册[36]、BIGG国际GRADE指南数据库[37]、GRADE EtD's数据库[38]、Dynamed[39]、Trip[40]等。

1.4

临床决策支持系统

基于CPG的临床决策支持系统（CDSS）是为医务人员在疾病诊断、治疗、风险预测、合理用药等方面提供决策支持的计算机系统[41]。CDSS通过算法和机器学习模型分析大量医疗数据，提供个性化临床建议，其主要功能为[42]

辅助诊断，通过模式识别和临床数据比对提出可能的诊断建议；

提供干预措施，基于最新CPG和患者数据提供治疗方案，或根据患者的体质量、年龄、肾功能等情况调整给药方式、药物剂量等；

未病预警，自动提供患者状况问题并实时报警，如药物相互作用、药物过敏反应、重要指标异常，预测疾病风险并提供预防建议。

因此，CDSS支持标准化治疗，具有提高临床质量和效率、减少决策时间和降低用药错误的特点。CPG衍生的CDSS有GLEE2[43]、ArdenSuite[44]、GLARE[45]和DeGel[46]等，现以Guideline Central[18]为例进行介绍。

Guideline Central是为医务人员提供最新、实用、多格式CPG的临床决策支持工具。其主要内容为指南摘要、快速指南、结构化指南等。截至2024年底，共存储CPG数据2335条。Guideline Central可分类检索CPG，按照相关性、最新、字母顺序排序或按照最新、精选、热门程度推荐CPG。

平台主要功能为：

通过疾病评分量表、问卷、风险评分等计算方式评估患者的当前情况；

链接药物信息，包括适应证及用途、剂量和给药方法、剂型和规格、禁忌证、不良反应和操作图示等；

未病预警，预测潜在的疾病风险。

目前，国内外基于CPG的CDSS研究较为丰富，其功能多以未病预警、辅助诊断、辅助治疗、合理用药为主。根据功能分类，笔者对不同CDSS的特点进行比较，详见表4。

表4 基于CPG的不同CDSS特点比较

1.5

知识库

知识库通过医学推理引擎连接有序化、结构化、易利用的CPG知识集群，提供疾病诊断、治疗、检查和预后等知识[55]。知识库概念起源于AI领域[56-57]，随着计算机科学和大数据技术的发展，逐渐在医学领域应用。构建CPG知识库包括数据采集和数据标准化、知识抽取、知识表示等。

因此，CPG知识库具有结构化存储、智能化、集成性和动态性等特点。现以WFO为例进行介绍。

WFO为具备有效性、一致性和结构化的医学知识智能体[19-20]，主要纳入美国和亚洲地区采用的肿瘤指南[69-70]（包括肺癌、乳腺癌、胃癌、结肠癌、直肠癌、宫颈癌和卵巢癌等）。

WFO的治疗建议分为4类：

绿色表示有强有力证据支持 “推荐”治疗；

橙色代表“供考虑”的治疗方法，医生可根据临床经验选择合适的治疗方案；

红色表示 “不推荐”，说明有特定禁忌证或强有力证据禁止治疗；

如果WFO分析的治疗方法无肿瘤委员会推荐显示，则该治疗方法将被归类为“不可用”。

CPG知识库采用可扩展标记语言[71]（XML）、决策树和本体等构建[72]。其知识来源途径为：一是搜集整理领域内CPG文献和信息，由计算机识别处理，如KnowWE[73]；二是基于黑箱理论[74]分析CPG数据，推理隐性知识、信息，并人工核查结果的可解释性和外推性。WFO结合二者，通过认知计算学习CPG知识和训练数据，提供最佳诊疗方案。

CPG信息化平台的挑战

随着自动化、智能化的CPG信息化平台逐步开发和应用，CPG的制订/修订流程得以优化，其传播方式和应用方法得到拓展。但CPG信息化平台也面临诸多挑战，不仅涉及平台功能设计和研发、CPG数据整合，而且包括平台应用和适应传统医学的问题。

2.1

平台功能设计

CPG信息化平台的研发与设计基于用户需求，由于临床医生与科研人员等用户的工作内容不同，对CPG信息化平台的需求也存在差异。临床医生更需要直观的干预手段、临床疗效等临床实践知识，辅助其自主开展临床活动；科研人员则更希望获得CPG全方位信息，包括临床关键问题、运用的工具、方法学等[75-76]CPG的制订应符合基本的方法学原则，而应用AI技术的CPG信息化平台，存在数据集偏倚以及难以检测和纠正的算法偏差[77-78]，需人工参与审查和更新以捕捉自动化系统偏差。目前CPG制订过程中的文献检索和筛选、数据提取和偏倚风险评估等流程多采用双人筛选，第3人参与讨论、商议的方式，暂未实现全自动化。无论是服务于CPG的注册和制订平台，还是依托于CPG的数据库、CDSS和知识库，虽支持线上协作方式，但仍需研究者重复劳动。因此，CPG信息化平台暂处于人机结合阶段，存在耗费时间长、人力成本负担重的问题。故CPG信息化平台的功能设计应先平衡不同用户的需求，随之研究相关信息技术，以进一步实现其自动化和智能化。

2.2

结构化处理

CPG文本资料的结构化处理是指基于自然语言对文本进行标记、解读、编码等[79]，将CPG加工为计算机可阅读的结构化文本；或通过有向图形式，使用节点之间的关联和方向以结构化呈现文本CPG[80]。GEM[81]、De Gel[82]等方法可将非结构化CPG转换为计算机可处理的结构化CPG，但也存在无法消除歧义、过度依赖工具等缺陷。目前，结构化CPG文本局限于依赖人工标注数据集，泛化能力较差的传统 NLP算法，难以形成有效的知识组织与标识结构。随着以ChatGPT、Gemini等[83]为代表的生成式预训练大语言模型在医学领域的应用，为CPG从非结构化文本自动转化为供计算机分析的结构化文本数据带来了机遇。

2.3

知识化表达

知识化表达使计算机高效地理解并处理结构化CPG，进行知识表示和知识推理。目前主要有基于规则、基于逻辑和本体等表示形式，RDF、JSON、XML等表示语言，以及二者结合的混合表示方式。但语法系统编码复杂，并行使用不兼容的术语等问题不利于研究者独立完成CPG知识化任务，且CPG汇集包括随机对照试验、临床医案、专家经验等不同来源的数据，其格式不一，缺乏标准化，给数据整合带来一定的困难。CPG知识具有个性化诊疗特点，其显著特征为与时间和事件紧密相关。CPG知识表示和知识推理暂未处理动态的时间变化。模糊认知图（FCM）[84]结合模糊逻辑和神经网络，未来或可为CPG的时间序列知识构建时间与知识间的动态关系。

2.4

平台应用

首先，在实际应用中，不同用户的共同需求是快速获取最新CPG或共识推荐意见，以支持临床实践和学术研究等活动，故应关注信息化平台的后期维护，及时更新最新CPG，确保系统正常运行以及CPG信息的实时性和可靠性。

其次，不同CPG信息化平台的知识内容、应用场景、智能化工具操作等学习曲线曲折，使用者可能需花费较多时间熟练应用。因此，为缩短用户达到熟练应用的学习时间，应考虑平台的易操作性，并录制培训视频置于网站首页，开展信息化平台的科普及培训活动，促进其推广和CPG的实施。

最后，因培训缺乏、资源限制、路径依赖或地域差异等因素影响，可能导致临床医生难以实际应用CPG信息化平台。如基层医疗卫生资源匮乏，导致医生对CPG知识和信息化平台知之甚少；中医药领域医生比较依赖个人经验、口传心授或书籍，对CPG信息化平台这类智能诊疗路径缺乏信任；信息化平台收录的CPG存在覆盖面较小（或仅针对部分疾病）等情况，阻碍了CPG的推广、贯彻、实施。因此，信息化平台应具有普适性，并开展宣传普及和培训教育等工作，提高其可及性和可信度。

小结与展望

CPG信息化平台利用新兴信息化技术进行CPG结构化处理和知识化表达，可分为注册平台、制订平台、数据库和基于CPG的CDSS、知识库，可直接或间接避免CPG的重复制订，缩短制修订周期，促进CPG的集中发布和临床实践。

目前，关于CPG信息化平台，已有较多研究和成果应用，但在实际应用中仍存在诸多困难。在全球数字化高速发展的大趋势下，大数据、大语言模型、软计算方法等新兴技术逐步与医学交叉融合[85-86]，推动CPG的共享、流通和复用。一方面CPG信息化平台将不再局限于提供全知知识，基于黑箱理论[74]推理未知知识是必然趋势；另一方面CPG信息化平台将更大程度向自动化、智能化方向发展，支持CPG更高效地制订/修订，推动循证证据和推荐意见的实时更新和快速临床决策。

我国CPG信息化平台需体现中医药诊疗特色，以临床实用、适用为目标转化中医药临床证据，在实现其本土化的同时，与国际接轨，推动其在中医药领域的应用。笔者认为CPG信息化平台可为智能化诊疗研究奠定基础，随着AI与医学的深度融合，将促进真实世界研究进一步实现智慧医学理念。

参考文献

［1］Sullivan J M, Mann R J. Clinical practice guidelines: implications for use［J］. Dermatol Nurs, 1994, 6(6): 413-416.

［2］Sessa C, Colombo N, Creutzberg C L, et al. Implementing clinical practice guidelines: time to assess it［J］. ESMO Open, 2020, 5(6): e001130.

［3］史乾灵, 刘辉, 王子君, 等. 正确理解和应用低质量证据形成指南推荐意见［J］. 协和医学杂志, 2024, 15(3): 676-685.

［4］Schlegel D R, Gordon K, Gaudioso C, et al. Clinical tractor: a framework for automatic natural language understanding of clinical practice guidelines［J］. AMIA Annu Symp Proc, 2020, 2019: 784-793.

［5］Taboada M, Meizoso M, Martínez D, et al. Combining open-source natural language processing tools to parse clinical practice guidelines［J］. Expert Syst, 2013, 30(1): 3-11.

［6］琚沅红. 诊疗规范知识可计算化模式研究［D］. 长春: 吉林大学, 2023.

［7］Lyng K M. From clinical practice guidelines, to clinical guidance in practice-impacts for computerization［J］. Int J Med Inform, 2013, 82(12): e358-e363.

［8］Georg G, Séroussi B, Bouaud J. Extending the GEM model to support knowledge extraction from textual guidelines［J］. Int J Med Inform, 2005, 74(2/4): 79-87.

［9］Aguirre-Junco A R, Colombet I, Zunino S, et al. Computerization of guidelines: a knowledge specification method to convert text to detailed decision tree for electronic implementation［J］. Stud Health Technol Inform, 2004, 107(Pt 1): 115-119.

［10］Hu D Q, Zhang H Y, Li S L, et al. Automatic extraction of lung cancer staging information from computed tomography reports: deep learning approach［J］. JMIR Med Inform, 2021, 9(7): e27955.

［11］Chew S Y, Koh M S, Loo C M, et al. Making clinical practice guidelines pragmatic: how big data and real world evidence can close the gap［J］. Ann Acad Med Singapore, 2018, 47(12): 523-527.

［12］Leu M G, Weinberg S T, Monsen C, et al. Web services and cloud computing in pediatric care［J］. Pediatrics, 2021, 148(1): e2021052048.

［13］Oliveira T, Novais P, Neves J. Development and implementation of clinical guidelines: an artificial intelligence perspective［J］. Artif Intell Rev, 2014, 42(4): 999-1027.

［14］Shoja M M, Van De Ridder J M M, Rajput V. The emerging role of generative artificial intelligence in medical education, research, and practice［J］. Cureus, 2023, 15(6): e40883.

［15］世界卫生组织指南实施与知识转化合作中心. Prepare［EB/OL］. ［2024-01-08］. http://www.guidelines-registry.org.

［16］McMaster University, Evidence Prime Inc. GRADE pro GDT［EB/OL］.［2024-01-08］. http://gradepro.org.

［17］Guidelines International Network. GIN［EB/OL］. ［2024-01-08］. https://g-i-n.net.

［18］Guideline Central. Guidelines［EB/OL］. ［2024-01-08］. https://www.guidelinecentral.com/guidelines/.

［19］Park T, Gu P, Kim C H, et al. Artificial intelligence in urologic oncology: the actual clinical practice results of IBM Watson for Oncology in South Korea［J］. Prostate Int, 2023, 11(4): 218-221.

［20］Liu Y B, Huo X F, Li Q, et al. Watson for oncology decision system for treatment consistency study in breast cancer［J］. Clin Exp Med, 2023, 23(5): 1649-1657.

［21］Kazemi A, Boyd M, Choi F, et al. Architecture and development framework for a web-based risk assessment and management platform developed on WordPress to address opioid overdose［J］. JMIR Form Res, 2024, 8: e49759.

［22］王永博, 刘郝弦, 高旷, 等. 临床实践指南实施性促进研究之六: 临床实践指南知识图谱构建中关于基本信息、背景和方法的建模表征研究［J］. 医学新知, 2022, 32(6): 401-416.

［23］Chen Y L, Guyatt G H, Munn Z, et al. Clinical practice guidelines registry: toward reducing duplication, improving collaboration, and increasing transparency［J］. Ann Intern Med, 2021, 174(5): 705-707.

［24］Liu H, Yang N, Estill J, et al. Enhancing the transparency of clinical practice guidelines by prospective registration: the PREPARE platform［J］. BMJ Evid Based Med, 2025, 30(1): 68-70.

［25］Anon. Improving patient care through evidence-based guidelines［Z/OL］. ［2024-01-08］.https://www.sign.ac.uk/.

［26］中华中医药学会. 标准化［EB/OL］. ［2024-01-08］. http://www.cacm.org.cn/category/zyzn/bzh/.

［27］Burgers J S, Van Everdingen J J. Evidence-based guideline development in the Netherlands: the EBRO platform［J］. Ned Tijdschr Geneeskd, 2004, 148(42): 2057-2059.

［28］MAGICapp［EB/OL］. ［2024-01-08］. https://www.magicevidence.org/magicapp/.

［29］龙囿霖, 张永刚, 李幼平, 等. 全球临床指南数据库运行机制的比较研究［J］. 中国循证医学杂志, 2018, 18(10): 1045-1052.

［30］张雪芹, 邓宏勇. 循证医学数据库: 现状与趋势［J］. 中国循证医学杂志, 2021, 21(6): 621-627.

［31］Agency for Healthcare Research and Quality. NGC and NQMC inclusion criteria［EB/OL］. ［2024-01-08］. https://www.ahrq.gov/gam/summaries/inclusion-criteria/index.html.

［32］National Institute for Health and Care Excellence. Develop-ing NICE guidelines: the manual［EB/OL］. (2014-10-31)［ 2024-01-08］. https://www.nice.org.uk/Media/Default/About/what-we-do/our-programmes/developing-NICE-guidelines-the-manual.pdf.

［33］医脉通指南［Z/OL］. ［2024-01-08］. http://guide.med-live.cn/.

［34］STAR［EB/OL］. ［2024-01-08］. https://www.star-guidelines.cn/.

［35］杨楠, 赵巍, 潘旸, 等. 针对临床实践指南科学性、透明性和适用性的评级工具研发［J］. 中华医学杂志, 2022, 102(30): 2329-2337.

［36］Association of the Scientific Medical Societies in Germany (AWMF). Guidelines register［Z/OL］. ［2024-01-08］. https://www.awmf.org/.

［37］Anon. BIGG International database of GRADE guidelines［Z/OL］. ［2024-01-08］. https://sites.bvsalud.org/bigg/en/biblio/.

［38］GRADEpro. Database of GRADE EtD's and guidelines ［EB/OL］. ［2024-01-08］. https://guidelines.gradepro.org/search.

［39］DynaMed［Z/OL］. ［2024-01-08］. https://www.dynamed.com/about/whatwe-publish/.

［40］Trip［Z/OL］. ［2024-01-08］. https://www.tripdatabase.com/about.

［41］Tu S W, Podchiyska T, Oshiro C, et al. Structural patterns in chronic disease clinical practice guidelines formalized for clinical decision support［J］. AMIA Annu Symp Proc, 2023, 2022: 1081-1090.

［42］García-García J A, Carrero M, Escalona M J, et al. Evaluation of clinical practice guideline-derived clinical decision support systems using a novel quality model［J］. J Biomed Inform, 2024, 149: 104573.

［43］Wang D W, Shortliffe E H. GLEE--a model-driven execution system for computer-based implementation of clinical practice guidelines［J］. Proc AMIA Symp, 2002: 855-859.

［44］Spineth M, Rappelsberger A, Adlassnig K P. Implementing CDS hooks communication in an Arden-Syntax-based clinical decision support platform［J］. Stud Health Technol Inform, 2018, 255: 165-169.

［45］Terenziani P, Montani S, Bottrighi A, et al. Applying artificial intelligence to clinical guidelines: the GLARE approach［J］. Stud Health Technol Inform, 2008, 139: 273-282.

［46］Hatsek A, Young O, Shalom E, et al. DeGeL: a clinical-guidelines library and automated guideline-support tools［J］. Stud Health Technol Inform, 2008, 139: 203-212.

［47］Titi M A, Alotair H A, Fayed A, et al. Effects of computerised clinical decision support on adherence to VTE prophylaxis clinical practice guidelines among hospitalised patients［J］. Int J Qual Health Care, 2021, 33(1): mzab034.

［48］Mortier P, Amigo F, Bhargav M, et al. Developing a clinical decision support system software prototype that assists in the management of patients with self-harm in the emergency department: protocol of the PERMANENS project［J］. BMC Psychiatry, 2024, 24(1): 220.

［49］Parra-Calderón C L, Román-Villarán E, Alvarez-Romero C, et al. A prospective observational concordance study to evaluate computational model-driven clinical practice guidelines for Type 2 diabetes mellitus［J］. Int J Med Inform, 2023, 178: 105208.

［50］Ebben K C W J, Hendriks M P, Markus L, et al. Using guideline-based clinical decision support in oncological multidisciplinary team meetings: a prospective, multicenter concordance study［J］. Int J Qual Health Care, 2022, 34(1): mzac007.

［51］Zhao Y X, Hu J, Gu Y, et al. Development and implementation of a pediatric nursing-clinical decision support system for hyperthermia: a pre- and post-test［J］. Comput Inform Nurs, 2021, 40(2): 131-137.

［52］Yu H W, Hussain M, Afzal M, et al. Use of mind maps and iterative decision trees to develop a guideline-based clinical decision support system for routine surgical practice: case study in thyroid nodules［J］. J Am Med Inform Assoc, 2019, 26(6): 524-536.

［53］Román-Villarán E, Alvarez-Romero C, Martínez-García A, et al. A personalized ontology-based decision support system for complex chronic patients: retrospective observational study［J］. JMIR Form Res, 2022, 6(8): e27990.

［54］Séroussi B, Ouarrirh H, Elalamy I, et al. Development and assessment of RecosDoc-MTeV to improve the quality of direct oral anticoagulant prescription for venous thromboembolic disease［J］. Stud Health Technol Inform, 2019, 264: 793-797.

［55］王叔应. 基于SDA*的医疗决策辅助系统研究与实现［D］. 南京: 东南大学, 2016.

Wang S Y. Research and implementation of clinical decision support system based on SDA* model［D］. Nanjing: Southeast University, 2016.

［56］Kaplan R S. AI/consult: a prototype directed history system based upon the AI/rheum knowledge base［J］. Proc Annu Symp Comput Appl Med Care, 1991: 639-643.

［57］O'Leary D E. Using AI in knowledge management: know-ledge bases and ontologies［J］. IEEE Intelligent Systems and their Applications, 1998, 13(3): 34-39.

［58］Györödi C A, Dumşe-Burescu D V, Györödi R Ş, et al. Performance impact of optimization methods on MySQL document-based and relational databases［J］. Appl Sci, 2021, 11(15): 6794.

［59］Xiang L G, Huang J T, Shao X T, et al. A MongoDB-based management of planar spatial data with a flattened R-tree［J］. ISPRS Int J Geoinf, 2016, 5(7): 119.

［60］Lukovic＇ V, C＇ukovic＇ S, Miloševic＇ D, et al. An ontology-based module of the information system ScolioMedIS for 3D digital diagnosis of adolescent scoliosis［J］. Comput Methods Programs Biomed, 2019, 178: 247-263.

［61］Lee J S H, Darcy K M, Hu H, et al. From discovery to practice and survivorship: building a national real-world data learning healthcare framework for military and veteran cancer patients［J］. Clin Pharmacol Ther, 2019, 106(1): 52-57.

［62］ Chu S Y, Min D G. A study on the development of an automated algorithm using natural language toolkit (NLTK) and artificial intelligence (AI) chatbot for primary English vocabulary assessment［J］. The Korea Association of Primary English Education，2020，26(2):55-80.

［63］Eyre H, Chapman A B, Peterson K S, et al. Launching into clinical space with medspaCy: a new clinical text processing toolkit in Python［J］. AMIA Annu Symp Proc, 2021, 2021: 438-447.

［64］Wi C I, Sohn S, Ali M, et al. Natural language processing for asthma ascertainment in different practice settings［J］. J Allergy Clin Immunol Pract, 2018, 6(1): 126-131.

［65］Hellrich J, Matthies F, Faessler E, et al. Sharing models and tools for processing German clinical texts［J］. Stud Health Technol Inform, 2015, 210: 734-738.

［66］Tuck D. A cancer graph: a lung cancer property graph database in Neo4j［J］. BMC Res Notes, 2022, 15(1): 45.

［67］Messaoudi C, Fissoune R, Badir H. A performance evaluation of NoSQL databases to manage proteomics data［J］. Int J Data Min Bioinform, 2018, 21(1): 70-89.

［68］Zhang C, Lu J H. Holistic evaluation in multi-model databases benchmarking［J］. Distrib Parallel Databases, 2021, 39(1): 1-33.

［69］National Comprehensive Cancer Network［EB/OL］. ［2024-01-08］. https://www.nccn.org/.

［70］中华临床肿瘤学会［EB/OL］. ［2024-01-08］. http://www.csco.org.cn/cn/index.aspx.

［71］Zhong R Y. RFID-enabled real-time advanced production planning and scheduling using data mining［D］. Hong Kong: The University of Hong Kong, 2013.

［72］Banihashem S Y, Shishehchi S. Ontology-based decision tree model for prediction of fatty liver diseases［J］. Comput Methods Biomech Biomed Engin, 2023, 26(6): 639-649.

［73］Tshering D, Tejativaddhana P, Siripornpibul T, et al. Motivational factors influencing retention of village health workers in rural communities of Bhutan［J］. Asia Pac J Public Health, 2019, 31(5): 433-442.

［74］Audet C, Caporossi G, Jacquet S. Binary, unrelaxable and constraints in blackbox optimization［J］. Oper Res Lett, 2020, 48(4): 467-471.

［75］吴梦佳, 张士靖, 周志超, 等. 我国临床实践指南利用和需求调查［J］. 中华医学图书情报杂志, 2016, 25(1): 37-42.

［76］Hu J, Wang J J, Liu L, et al. Analysis of the results of international demand survey on guideline for clinical practice of acupuncture-moxibustion: migraine［J］. Chin Acupunct Moxibustion, 2021, 41(7): 799-804.

［77］Kumar A, Aelgani V, Vohra R, et al. Artificial intelligence bias in medical system designs: a systematic review［J］. Multimed Tools Appl, 2024, 83(6): 18005-18057.

［78］DeCamp M, Lindvall C. Latent bias and the implementation of artificial intelligence in medicine［J］. J Am Med Inform Assoc, 2020, 27(12): 2020-2023.

［79］Weng C H, Payne P R O, Velez M, et al. Towards symbiosis in knowledge representation and natural language processing for structuring clinical practice guidelines［J］. Stud Health Technol Inform, 2014, 201: 461-469.

［80］Hauser R G, Bhargava A, Brandt C A, et al. Graphical analysis of guideline adherence to detect systemwide anomalies in HIV diagnostic testing［J］. PLoS One, 2022, 17(7): e0270394.

［81］Hajizadeh N, Kashyap N, Michel G, et al. GEM at 10: a decade's experience with the Guideline Elements Model［J］. AMIA Annu Symp Proc, 2011, 2011: 520-528.

［82］Hatsek A, Shahar Y, Taieb-Maimon M, et al. A scalable architecture for incremental specification and maintenance of procedural and declarative clinical decision-support knowledge［J］. Open Med Inform J, 2010, 4: 255-277.

［83］Wiwanitkit S, Wiwanitkit V. Re: Large language models (LLMs) in evaluation of emergency radiology reports: performance of ChatGPT-4, Perplexity and Bard［J］. Clin Radiol, 2024, 79(4): e636.

［84］Li Z F, Liu X Q, Zhang Y J, et al. Learning high-order fuzzy cognitive maps via multimodal artificial bee colony algorithm and nearest-better clustering: applications on multivariate time series prediction［J］. Knowl Based Syst, 2024, 295: 111771.

［85］Segundo U, Aldámiz-Echevarría L, López-Cuadrado J, et al. Improvement of newborn screening using a fuzzy inference system［J］. Expert Syst Appl, 2017, 78: 301-318.

［86］Fink N, Yacoub B, Schoepf U J, et al. Artificial intelligence provides accurate quantification of thoracic aortic enlargement and dissection in chest CT［J］. Diagnostics (Basel), 2024, 14(9): 866.

作者贡献

张雪芹、文天才负责论文设计与构思，资料搜集、整理及分析，撰写论文初稿；邢颖、张迪负责设计表格、论文初稿修订；赵芸、刘杰、葛龙、任似梦、王怡菲、张文政、王世华、孙瑶、吴敏、冯林负责资料搜集和论文初稿修订；文天才负责论文选题、团队组建、质量控制及审校。

第一作者

中医药数据中心

张雪芹

中国中医科学院中医药数据中心，博士研究生。研究方向：智慧医学与真实世界研究。

通讯作者

中医药数据中心

中国中医科学院中医药数据中心高级工程师，教授，博士生导师，博士后合作导师。澳大利亚维多利亚大学科学与工程学院计算机系访问学者，深圳市“三名工程”项目引进人才，中国中医药信息学会中医药产业创新发展分会秘书长，北京整合医学会康复信息学分会副会长，世界中医药学会联合会中医临床疗效评价专业委员会副秘书长，中国中医药信息学会健康大数据分会常委。主持国家级课题3项，北京市课题2项，中医科学院创新工程等项目5项，参与国家级课题10余项，获得专利授权26项，发明专利18项，省部级奖励12项，出版专著1部，发表论文100余篇，SCI/EI 19篇，参与制定国家和行业标准4部。

审校丨李娜李玉乐

监制丨彭斌

2010年创刊，国家卫生健康委主管、中国医学科学院北京协和医院主办的综合性医学期刊，已被评为“中国科技核心期刊”“中国科学引文数据库(CSCD)来源期刊”和“中文核心期刊要目总览（北大中文核心）期刊”，被 Scopus 和 DOAJ 数据库收录，入选“中国科技期刊卓越行动计划”项目。

《协和医学杂志》倡导尊重和保护知识产权，欢迎转载、引用，但需取得本平台授权。如您对文章内容及版权存疑，请发送邮件至medj@pumch.cn，我们会与您及时沟通处理。图文内容仅供交流、学习使用，不以盈利为目的；科普内容仅用于大众健康知识普及，读者切勿作为个体诊疗根据，自行处置，以免延误治疗。治病就医相关需求请于北京协和医院APP线上或线下就诊。