人工智能临床辅助决策系统项目建设方案目录1项目概述 (4)1.1项目名称 (4)1.2建设背景 (4)1.3建设目标 (4)1.4建设思路 (5)2需求分析 (7)2.1现状分析 (7)2.1.1医疗资源不足 (7)2.1.2医疗成本高 (7)2.1.3医生培养周期长 (8)2.1.4误诊率偏高 (8)2.2存在问题 (8)2.2.1如何打破技术壁垒 (8)2.2.2如何构建人机互信 (9)2.2.3如何构建权威知识图谱 (10)2.2.4如何提升交互体验 (10)2.3业务需求 (11)3系统架构 (12)3.1总体系统架构 (12)3.2应用服务架构 (14)3.3知识体系架构 (15)4关键技术说明 (16)4.1构建医学知识体系的知识图谱技术 (16)4.2解决电子病历结构化的深度学习技术 (18)4.3构建临床经验知识库的大数据分析技术 (18)5系统部署架构 (19)5.1临床辅助决策系统服务 (19)5.2桌面端智能助手 (20)6主要功能介绍 (21)6.1医学知识查询 (21)6.2智能辅助诊疗 (22)6.3知识可视化浏览 (26)6.4医嘱决策分析 (26)6.5智能知识问询 (27)6.6病历文书质控 (28)6.7合理用药提醒 (29)6.8智能分诊导诊 (29)6.9院感智能监控 (29)6.10医学常用工具 (30)6.11更多诊疗过程提醒 (30)7应用场景示例 (31)7.1为患者提供智能分诊与导诊服务 (31)7.2智能预问诊及病历生成-患者端 (32)7.3智能预问诊及病历生成-医生端 (33)7.4智能辅助诊断-防止医生误诊 (34)7.5检验报告智能分析评测 (35)7.6低年资医生的学习途径 (36)7.7临床诊断中提供智能问诊辅助 (37)7.8提供可解释的诊断推荐结果 (38)7.9对智能诊断结果进行对比鉴别分析 (39)7.10针对诊断结果推荐治疗方案 (40)7.11对下达医嘱智能分析-防漏检 (42)7.12用药医嘱的合理提醒 (42)7.13疑难杂症的辅助判断分析 (43)7.14智能化分析病历质量 (44)8项目实施要求 (45)8.1服务器硬件需求 (45)8.2客户端PC机需求 (46)8.3实施周期参考 (46)9服务的病种范围 (46)9.1100个常见病 (46)9.2467个基层常见病 (47)1项目概述1.1 项目名称项目名称：人工智能临床辅助决策系统1.2 建设背景2015年起，国家陆续出台了推动医疗人工智能领域发展的一系列政策，对于人工智能在医疗领域的应用和开展起到了指导性作用。
特别是近两年国务院办公厅《关于推进医疗联合体建设和发展的指导意见》（国办发〔2017〕32号）、《关于促进“互联网+医疗健康”发展的意见（国办发[2018]26号）》等文件中明确提出，运用人工智能打造临床决策支持系统，形成智能化决策服务能力，是解决目前医疗资源不足和配置不合理、解决人民群众看病难问题的有效途径之一。
1.3 建设目标结合大数据与人工智能技术，应用知识+数据挖掘的方式为临床医生在诊疗过程中提供决策支撑能力(具体服务包括辅助诊断、辅助治疗、医嘱推荐、医嘱提醒、知识浏览、决策结果分析、病历质控、相似病例推荐、病历结构化服务、智能问询服务等等)。
以智能化技术应用为基础：随着人工智能应用的推动与发展，相应的技术也逐渐得到了有效推进，如：自然语言处理(提升对数据结构化与语义化的理解)、深度学习(采用机器学习技术提升特征提取与识别能力)、知识图谱技术(以知识驱动提升智能化的可信性)等。
这也正是智慧医院信息化发展的趋势。
应用这些技术能够更加有效的实现医疗信息化的管理、分析和应用。
以大数据价值挖掘为支撑：医院大数据中心的建设以及部分数据应用的实施，使得对于数据价值的认知越来越深刻，这些数据都是经验的沉淀，本产品从多个维度，各个方面来挖掘这些数据的价值如：患者画像、病例画像、临床表现画像等等，为各类智能化应用提供分析支撑。
以应用的实用及有效性为目标：临床辅助决策系统一定是以解决实际问题为基础，进一步的要能够提升临床诊疗效率，减少漏诊、误诊率。
为医生和患者带来切实有效的便利。
1.4 建设思路目前而言，临床医生、专家在临床诊疗过程中依然是不可替代的，他们是广大人民群众健康的守护者。
从一名普通人员到成为一名临床医生、主治医生、甚至专家的历程是艰辛、漫长的。
他们需要不断的学习与历练才能获得一定的成就。
在这个过程中，他们需要不断学习专业的理论教材包括阅读相关书本、文献、指南、临床路径、学术成果等等，在学习过程中会将这一系列的信息抽取，形成逻辑关系，并不断的在脑海中融合，最终形成对于医学知识的认知；在从事工作以后随着大量的门诊、住院诊断经验，同时研究学习了大量的历史病例，再结合理论知识不断的形成了一些经验性的成果，并将理论知识与经验成果灵活运用到实际的临床诊疗过程中。
一名优秀的临床医生，特别是全科医生对于知识的广度与深度都要求甚高，尤其是对于基层医生，受限于知识的获取途径、资源的缺乏、经验的不足等等。
也正因如此，可辅助性的，基于人工智能技术的智能化诊疗体系应用与支撑显得尤为重要。
随着技术与硬件资源的不断更迭发展，机器似乎也可以做到、加快、甚至在某些方面超越临床医生对于医学的认知和理解。
自然语言处理技术可以让机器能够读懂人类的语言，在临床应用中也自然就可以理解患者的诉求，再结合现在深度学习技术的应用，可大大提升机器对语言的理解效率和能力；知识图谱技术可以将医学的理论知识进行抽象，采用本体技术构建形成语义化的知识网络，正如每一位临床医生在学习过程中对于知识体系的建立过程；而推理技术的应用，也正类似于医生对于患者的诊疗分析过程，利用询证医学方式不断的获取并作证推理结果；基于大数据技术的应用，可最大限度的挖掘与分析医院的临床数据价值，就类似于将医生的诊疗经验进行集聚，以赋能于机器，从理论与经验结合的角度提升诊疗推理的准确度；通过软件工程技术实现与医院业务系统进行深度对接，了解医生的操作行为和业务节点，在适当的时候，需要的时候给与相应的辅助决策支持，以实现提升诊疗效率、提高诊疗质量、降低误诊、漏诊情况，实现居民健康的可靠性保障等一系列问题。
2需求分析2.1 现状分析2.1.1医疗资源不足中国每千人执业医生数仅为2.2，医生密度低造成医院无法满足患者持高不减的需求，引发就医难，看病贵等社会问题。
而欧洲、美国发达国家每千人执业医生数为4，我国与国外发达国家相比存在一定的差距。
此外，我国医疗资源地域分布不均衡，医疗资源与经济发展水平高度相关。
在东部沿海省份，医生密度高；在内地尤其是西北等地区，医疗设备不足、医生密度偏小。
值得注意的是，医疗较先进的地区也存在优质医生资源短缺的情况。
如果引入人工智能技术，则可以减少不必要的人工时间消耗，弥补医疗行业医生空缺，提高医院治疗效率。
2.1.2医疗成本高近年来随着国民经济的发展，我国居民可支配收入水平持续上升，公众的健康意识也不断在增强，使得我国居民对医疗服务的需求也不断上升。
2017年我国卫生总费用增速达13%，远远超过GDP的同期增速。
但是我国医疗资源配置不合理、利用效率低、医疗成本高，这些问题给政府带来了沉重负担。
人工智能技术的引入能够帮助医生制定更加合理有效的医疗方案，减少不合理的支出。
2.1.3医生培养周期长我国独立上岗医生培训周期长达8年，在极大的人力物力支出的限制下，医生数量难以满足极具增长的医疗需求。
不仅如此，每年都有大量的医学论文发表，医生学习时间和学习速度优先，很难在短时间内消化并吸收所有相关的新医疗技术。
在这方面人工智能的训练时间远小于医生培养周期，最新数据表明，IBM Watson可以在17秒内阅读3469本医学专注、248000篇论文、106000份临床报告、61540次试验数据和69中治疗方案。
因此，引入人工智能技术可以在短时间内学习新的医疗方法并在实践中应用，一定程度上能弥补由于培养周期长而造成的医生短缺。
2.1.4误诊率偏高受知识、情绪、偏见、诊疗手段等主客观因素的影响，人工诊断存在相当高的误诊率。
全美首诊误诊率超过30%，中国基层医疗的误诊率至少在50%以上。
引入人工智能技术，人工智能可以查询并记忆海量的医疗数据文献，辅助医生诊断治疗，提高准确率。
2.2 存在问题2.2.1如何打破技术壁垒很多人认为人工智能已经到了一个非常成熟的阶段，经常会拿AlphaGo或AlphaZero的故事来讲，认为人工智能技术已经非常成熟，不管是辅诊还是语音识别、图片识别、人脸识别都是一个成熟的随时可以拿来用的组件。
其实其中还有非常多的技术问题没有解决，还是有相当高的门槛。
首先是核心技术层面。
目前来看，业界还没有一个深度学习的模型能够真正做到像合格的全科医生一样自己学习，并能做基于循证的推理，包括IBM的沃森都没有达到那样的理想状态，现在可行的是通过一些条件的限定，还有产品层面的改进，尽可能减少对核心技术的诉求。
2.2.2如何构建人机互信人工智能技术发展，尤其是以深度学习为代表的技术发展，在某些特定领域特定场景的应用下机器智能已经达到甚至超越了人类智能。
然而随着对智能技术发展需求不断提升，关于人机互信的问题也变的逐渐突出。
深度学习是以神经网络的构建和训练为主，最终形成的结果是以概率的形式展现，是一个典型的端到端的智能化服务方式。
该方法无法提供智能分析过程，即缺少可解释性的能力，而可解释性也正是构建人机互信的基础。
因此对于人工智能技术的应用，尤其是智能医疗方面，不仅仅需要诊断准确率高，还需要能够基于诊断结果给出合理的分析过程，提供为人所信的解释信息。
那么目前知识图谱技术正是可以满足该需求。
通过构建医学知识图谱，并结合知识的推理技术，将临床诊断思维、医生诊断经验进行整合，形成临床辅助诊断推荐结果，该推荐结果能够有效的基于知识推理路径给出合理的分析与解释过程。
基于该分析解释过程，不管是医务人员还是患者在享受服务的同时，能够知其然也知其所以然。
2.2.3如何构建权威知识图谱基于知识图谱技术的应用来构建医学知识图谱，解决人机互信的基础，同时也基于知识驱动来提升诊疗准确率，和效率。
但是由于医学领域本身的复杂性，构建医学知识图谱，尤其是构建大规模的、权威的、专业的医学知识图谱是一项困难而又庞大的工程。
需要解决的问题包括：明确权威知识的来源，权威的医学知识库支撑体系是保障人工智能辅助诊断符合率的基础，知识库的资料来源包括但不限于以下内容：一是权威行业协会、学会在国家卫生健康委员会领导和组织下发布的指南、标准和路径等；二是国家卫生健康委员会、原国家卫计委“十二五”、“十三五”医药卫生规划教材和权威医药卫生专著；三是诊疗规范；四是海量医学文献；五是药物说明书。