作者投稿
专家审稿
编辑办公
邮件订阅
RSS
-
摘要: 近年来，人工智能的快速发展和进步对医学领域的影响日益加深。科技部发布的人工智能指南明确提出要加大人工智能技术在医药卫生领域应用的支持力度。临床实践指南作为医疗实践的重要指导性文件，可以规范医务人员的诊疗行为，缩小最佳研究证据与当前实践之间的差距，具有重要意义和价值。如何利用人工智能技术加速指南的制订流程，提高其制订效率，创新其传播与实施模式，乃至改变指南的未来发展，已引起国内外学者的广泛关注。本文就人工智能在临床实践指南领域的应用现状和发展前景进行分析和讨论，并在此基础上提出促进人工智能与临床实践指南结合的思考与建议。Abstract: In the past decades, with the rapid development and progress of artificial intelligence (AI), its impact on the field of medicine is deepening. The AI guideline released by the Ministry of Science and Technology of the People's Republic of China also suggested increasing support for the application of AI in medicine. As an important guiding document in medical practice, clinical practice guidelines are of great significance and value in regulating the behavior of healthcare professionals and bridging the gap between the best evidence of research and current practice. How to use AI to accelerate the development process, improve efficiency, innovate the format of dissemination and implementation, and even lead the future of clinical practice guidelines has received more attention from researchers all over the world. This paper analyzed and discussed the current situation and prospects of AI in clinical practice guidelines. We also proposed ideas and suggestions on how to promote the integration of AI and guidelines.
-
Key words:
- clinical practice guideline /
- artificial intelligence /
- machine learning /
- big data
作者贡献: 陈耀龙、罗旭飞负责统计数据并撰写文章初稿；史乾灵、吕萌、周奇、王健健、杨楠、高东平、杨书、商洪才、杨克虎负责修改初稿；陈耀龙负责文章审校。利益冲突 无陈耀龙、罗旭飞对本文同等贡献 -
表 1 人工智能在临床实践指南领域应用的重要事件
年份 重要事件 应用环节 1996年 Ertle等[9]应用自动化计数算法，基于指南快速从EMR中筛选和提取相关数据，预测和评估哮喘严重程度 制订环节 1998年 哈佛大学、哥伦比亚大学及斯坦福大学的InterMed合作项目研究者开发了GLIF，将指南转化为机器可读格式的模型，实现机构及临床决策支持系统之间的指南共享。GLIF可在不同医疗机构和系统平台上应用，并与EMR系统进行整合。目前，GLIF3已建立了基于抑郁、流感等编码化指南本体和有效性工具的实例[10] 评价、传播与实施环节 1998年 Dubey等[11]的研究表明XML在指南实施方面的使用可能比HTML更具优势 实施环节 1999年 Mani等[12]提出了通过“两阶段”机器学习模型进行数据挖掘、制订指南，并应用于痴呆分期领域中 制订环节 2000年 Shiffman等[13]提出了GEM，该模型是一种采用XML的指南文档知识模型，可存储和组织临床实践中的异构信息。GEM定义了110个元素，用于表示指南的开发者、目的、目标人群等内容 评价、传播与实施环节 2001年 Metfessel等[14]开发了提高指南依从性的自动化工具，旨在通过大规模的自动化方法全面追踪指南的规范性，从而推动科学研究向临床实践转化 传播与实施环节 2004年 Shahar等[15]提出了基于网页、模块化的电子指南库，旨在优化指南的呈现方式和分类汇总形式 传播与实施环节 2007年 Kaiser等[16]提出了使用自动化提取及格式化指南的工具，并将此方法用于耳鼻咽喉领域的指南 评价、传播与实施环节 2008年 Terenziani等[17]总结了指南实施及呈现的AI方法，并对膀胱癌、反流性食管炎及心力衰竭等疾病进行测试 传播与实施环节 2013年 Oliveira等[2]从AI观点出发，介绍了相关工具，总结了指南的制订和实施 制订、传播与实施环节 2015年 Bui等[18]开发了帮助检索指南制订证据的机器学习系统 制订环节 2015年 国际系统评价自动化小组成立，并提出了系统评价自动化的维也纳原则[19] 制订环节 2019年 Bowles等[20]开发了使用自动化方法探测、解决指南中共病药物治疗冲突的框架 评价、传播与实施环节 EMR：电子病历；GLIF：指南交换格式；XML：可扩展标记语言；HTML：超文本标记语言；GEM：指南元素模型 
下载: 导出CSV
序号 系统评价的制作步骤 工具 描述或评论 1 制订检索策略 (1)SRA-Word Frequency Analyser
(https://sr-accelerator.com/#/help/wordfreq)
(2)The Search Refiner
(https://ielab-sysrev2.uqcloud.net/account/login)(1)系统检索时，一般使用高频词汇，SRA-Word Frequency Analyser通过统计某个词或词组在文章中出现的次数，确定检索策略中应该使用的检索词, 如对痛风领域的文献进行分析，发现高频词为“gout”和“hyperuricemia”，检索痛风相关文献时，则需包含上述2个词
(2)The Search Refiner通过检查字符串中每个检索词，查找相关研究的数量及不相关研究的数量，快速确定需要删除的检索词，从而加速检索策略的制订2 实施检索 (1)SRA-Polyglot Search Translator
(https://sr-accelerator.com/#/polyglot)(1)通过将PubMed或Ovid Medline搜索转换为其他不同数据库的检索语句以加速检索 (2)RobotSearch
(https://robotsearch.vortext.systems)
(3)Cochrane Register of Studies
(https://community.cochrane.org/help/tools-and-software/crs-cochrane-register-studies)
(4)RCT tagger
(http://arrowsmith.psych.uic.edu/cgi-bin/arrowsmith_
uic/RCT_Tagger.cgi)
(5)Thalia(http://nactem-copious.man.ac.uk/Thalia/)
①经过验证的机器学习过滤器可用于识别RCT，并可以全自动使用
②传统的特定主题关键词搜索策略仍需采用
③目前无广泛使用的非RCT设计工具
(2)允许在PubMed中搜索相关概念(如化学品、疾病、药物、基因、代谢物、蛋白质、物种和解剖实体)3 去除重复 SRA-De-duplicator
(https://sr-accelerator.com/#/help/dedupe)从一组上传的记录中识别、删除相同的研究，自动完成大部分重复数据的删除过程；因数据库之间标引存在差异，仍有重复记录存在，此时需手动删除 4 筛选摘要 (1)RobotSearch(https://robotsearch.vortext.systems)
(2)SRA Helper(https://sr-accelerator.com/#/sra-helper)
(3)Endnote(https://endnote.com/)
(4)Abstrackr(http://abstrackr.cebm.brown.edu/account/login)
(5)EPPI reviewer(https://eppi.ioe.ac.uk/cms/er4)
(6)RobotAnalyst(http://www.nactem.ac.uk/robotanalyst/)
(7)SWIFT-Review(https://www.sciome.com/swift-review/)
(8)Colandr(https://www.colandrapp.com/signin)
(9)Rayyan(https://rayyan.qcri.org)(1)从一组检索结果中识别出明显的非RCT研究，自动移除这些研究，留下潜在的RCT库进行筛选
(2)使用快捷键加速筛选和全文获取，快捷键还可用于搜索预先指定的位置列表，以尝试查找全文
(3)多任务管理，协助管理参考文献，有助于存储搜索结果，查找全文，在筛选过程中进行分组排序，并将参考文献插入文稿中
①筛选系统按相关性自动对搜索进行排序
②RobotAnalyst和SWIFT-Review还可进行主题建模，与类似主题相关的摘要会自动分组，便于用户检索5 获取全文 (1)SRA Helper(https://sr-accelerator.com/#/sra-helper)
(2)SARA(https://sr-accelerator.com/#/)(1)SRA helper中快捷键可加速筛选和全文获取，快捷键还可用于搜索预先指定的位置列表，以尝试查找全文
(2)采用SARA可自动向图书馆索取全文，只需申请一次即可获取所需全文；通常这些申请需要一次处理并发送；工具可在SRA内使用6 提取数据 (1)ExaCT
(https://exact.cluster.gctools.nrc.ca/ExactDemo/)
(2)RobotReviewer(https://robotreviewer.vortext.systems)
(3)NaCTeM(http://www.nactem.ac.uk/software.php)这些软件从自由文本中自动提取数据元素，如样本量大小、PICO等 7 评估偏倚风险 RobotReviewer(https://robotreviewer.vortext.systems) 通过突出原始PDF中的支持性短语，加速评估7个“偏倚风险”领域中的4个领域；同时结合人工评价对软件评估结果进行验证和检查 8 撰写结果 RevMan Replicant(https://sr-accelerator.com/#/replicant) 通过RevMan软件中的森林图快速拟定结果初稿，加快结果的撰写 SRA：系统评价自动化；RCT：随机对照试验；PICO：患者、干预、对照及结局指标；PDF：便携式文档格式
下载: 导出CSV
表 3 系统评价自动化维也纳原则[19]
条目 解释 原则一：系统评价的制作涉及许多工作，每项工作存在不同问题，但都必须改进 目前证据检索、质量评价、证据综合及发表 4个步骤可使用自动化工具以提高效率，但需识别出每个步骤可能面临的关键问题 原则二：自动化可协助完成系统评价的所有步骤，从确定选题到发现研究空白，从计划书的撰写到全文的撰写及传播 标准的系统评价制作一般需6个月~2年，使用自动化方法则可缩短一半时间，目前需关注的是开发能够应用于系统评价整个制作过程的自动化工具 原则三：每个步骤都可以且应不断改进，以提高应用自动化方法和工具时的效率和准确性 目前大多数自动化工具仍处于开发的早期阶段，因此，应做好这些工具的用户测试和反馈意见收集工作，从而不断改进自动化工具 原则四：自动化可以且应高标准地促进系统评价的报告、制作和更新 使用自动化工具和技术的目的是更及时、更省力地制作高质量的系统评价，因此开发和测试新工具时，必须保持较高的标准 原则五：开发商还应提供友好的界面和组件，如将任务进行细分或合并，允许不同用户使用不同的界面 不同类型系统评价的制作者需求不同, 因此开发自动化工具的过程中, 需考虑其用户界面的友好性 原则六：具有不同专长的工作组在系统评价制作的不同部分发挥作用，需加强小组间的合作 系统评价的制作涉及多学科专家的参与，应将资源进行整合，避免不必要的重复工作 原则七：每一项自动化技术都应该共享，最好免费提供代码、评估数据和语料 共享代码或技术可减少重复研究工作, 开发商应向公众提供这些资源，并开放自动化技术的计算代码，以便相关人员可以重复使用并进一步开展工作 原则八：所有自动化技术和工具都应使用可靠、可复制的方法进行评估，并报告评估结果和数据 自动化过程的所有任务都应由第三方独立评估，评价方法和体例应共享, 不仅需评估技术规范，还需评估用户界面等要素，以及其在系统评价制作流程整体的契合度，可防止自我评价可能带来的偏倚
下载: 导出CSV
-
[1] He JX, Baxter SL, Xu J, et al. The practical imple-mentation of artificial intelligence technologies in medicine[J]. Nat Med, 2019, 25: 30-36. doi: 10.1038/s41591-018-0307-0 [2] Oliveira T, Novais P, Neves J. Development and implementation of clinical guidelines: An artificial intelligence perspective[J]. Artif Intell Rev, 2014, 42: 999-1027. doi: 10.1007/s10462-013-9402-2 [3] Isern D, Moreno A. Computer-based execution of clinical guidelines: a review[J]. Int J Med Inform, 2008, 77: 787-808. doi: 10.1016/j.ijmedinf.2008.05.010 [4] Luo XF, Xiao YJ, Liu X, et al. How to Combine Artificial Intelligence with Clinical Practice Guideline: A Scoping Review[C/OL].(2019-10-31). https://journals.lww.com/ijebh/fulltext/2019/12000/abstracts_for_the_gin_and_jbi_conference,_adelaide.2.aspx. [5] Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database[J]. NPJ Digit Med, 2020, 3: 118. doi: 10.1038/s41746-020-00324-0 [6] 李博, 李科, 曾东, 等.基于语义关系的高血压临床指南知识库构建[J].中国数字医学, 2013: 64-67. Li B, Li K, Zeng D, et al.Construction of Hypertension Clinical Guideline Knowledge Base Based on Semantic[J].Zhongguo Shu Zi Yi Xue, 2013: 64-67. [7] 蒲晓蓉, 陈柯成, 刘军池, 等. COVID-19中国诊疗方案的机器学习智能分析方法[J].生物医学工程学杂志, 2020, 37:365-372. Pu XR, Chen KC, Liu JC, et al. Machine learning-based method for interpreting the guidelines of the diagnosis and treatment of COVID-19[J].Sheng Wu Yi Xue Gong Cheng Xue Za Zhi, 2020, 37:365-372. [8] Chen XL, Chen J, Cheng G, et al. Topics and trends in artificial intelligence assisted human brain research[J]. PLoS One, 2020, 15: e0231192. doi: 10.1371/journal.pone.0231192 [9] Ertle AR, Campbell EM, Hersh WR. Automated application of clinical practice guidelines for asthma management[J]. Proc AMIA Annu Fall Symp, 1996:552-556. [10] Ohno-Machado L, Gennari JH, Murphy SN, et al. The guideline interchange format: a model for representing guidelines[J]. J Am Med Inform Assoc, 1998, 5: 357-372. doi: 10.1136/jamia.1998.0050357 [11] Dubey AK, Chueh H. Using the extensible markup language (XML) in automated clinical practice guidelines[J]. Proc AMIA Symp, 1998:735-739. [12] Mani S, Shankle WR, Dick MB, et al. Two-stage machine learning model for guideline development[J]. Artif Intell Med, 1999, 16: 51-71. doi: 10.1016/S0933-3657(98)00064-5 [13] Shiffman RN, Karras BT, Agrawal A, et al. GEM: a pro-posal for a more comprehensive guideline document model using XML[J]. J Am Med Inform Assoc, 2000, 7: 488-498. doi: 10.1136/jamia.2000.0070488 [14] Metfessel BA. An automated tool for an analysis of compli-ance to evidence-based clinical guidelines[J]. Stud Health Technol Inform, 2001, 84: 226-230. [15] Shahar Y, Young O, Shalom E, et al. The Digital electronic Guideline Library (DeGeL): a hybrid framework for representation and use of clinical guidelines[J]. Stud Health Technol Inform, 2004, 101: 147-151. [16] Kaiser K, Akkaya C, Miksch S. How can information extraction ease formalizing treatment processes in clinical practice guidelines? A method and its evaluation[J]. Artif Intell Med, 2007, 39: 151-163. doi: 10.1016/j.artmed.2006.07.011 [17] 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. [18] Bui DD, Jonnalagadda S, Del Fiol G. Automatically finding relevant citations for clinical guideline development[J]. J Biomed Inform, 2015, 57: 436-445. doi: 10.1016/j.jbi.2015.09.003 [19] Beller E, Clark J, Tsafnat G, et al. Making progress with the automation of systematic reviews: principles of the International Collaboration for the Automation of Systematic Reviews (ICASR)[J]. Syst Rev, 2018, 7: 77. doi: 10.1186/s13643-018-0740-7 [20] Bowles J, Caminati MB, Cha S, et al. A framework for automated conflict detection and resolution in medical guidelines[J]. Sci Comput Program, 2019, 182:42-63. doi: 10.1016/j.scico.2019.07.002 [21] Graham SS, Majdik ZP, Clark D, et al. Relationships among commercial practices and author conflicts of interest in biomedical publishing[J]. PLoS One, 2020, 15: e0236166. doi: 10.1371/journal.pone.0236166 [22] Clark J, Glasziou P, Del Mar C, et al. A full systematic review was completed in 2 weeks using automation tools: a case study[J]. J Clin Epidemiol, 2020, 121: 81-90. doi: 10.1016/j.jclinepi.2020.01.008 [23] Marshall IJ, Wallace BC. Toward systematic review automation: a practical guide to using machine learning tools in research synthesis[J]. Syst Rev, 2019, 8: 163. doi: 10.1186/s13643-019-1074-9 [24] Marshall C, Brereton P. Systematic review toolbox: a catalogue of tools to support systematic reviews[C/OL].(2015-05-08).https://www.researchgate.net/publication/275967185_Syste-matic_Review_Toolbox_A_Catalogue_of_Tools_to_Support_Systematic_Reviews. [25] Akl EA, Meerpohl JJ, Elliott J, et al. Living Systematic Review Network. Living systematic reviews: 4. Living guideline recommendations[J]. J Clin Epidemiol, 2017, 91:47-53. doi: 10.1016/j.jclinepi.2017.08.009 [26] Else H. How a torrent of COVID science changed research publishing-in seven charts[J]. Nature, 2020, 588: 553. doi: 10.1038/d41586-020-03564-y [27] Groot P, Hommersom A, Lucas P. Adaptation of clinical practice guidelines[J].Stud Health Technol Inform, 2008, 139:121-139. [28] Gagliardi AR, Marshall C, Huckson S, et al. Developing a checklist for guideline implementation planning: review and synthesis of guideline development and implementation advice[J]. Implement Sci, 2015, 10:19. doi: 10.1186/s13012-015-0205-5 [29] Landis Lewis Z, Mello-Thoms C, Gadabu OJ, et al. The feasibility of automating audit and feedback for ART guideline adherence in Malawi[J]. J Am Med Inform Assoc, 2011, 18: 868-874. doi: 10.1136/amiajnl-2011-000097 [30] Wahl B, Cossy-Gantner A, Germann S, et al.Artificial intelligence (AI) and global health: how can AI contribute to health in resource-poor settings?[J]. BMJ Glob Health, 2018, 3:e000798. doi: 10.1136/bmjgh-2018-000798 [31] Shrank WH, Rogstad TL, Parekh N. Waste in the US Health Care System: Estimated Costs and Potential for Savings[J]. JAMA, 2019, 322:1501-1509. doi: 10.1001/jama.2019.13978 [32] Marshall IJ, Kuiper J, Wallace BC. RobotReviewer: evaluation of a system for automatically assessing bias in clinical trials[J]. J Am Med Inform Assoc, 2016, 23: 193-201. doi: 10.1093/jamia/ocv044 [33] Brouwers MC, Kho ME, Browman GP, et al. AGREE Ⅱ: advancing guideline development, reporting and evaluation in health care[J]. CMAJ, 2010, 182: E839-E842. doi: 10.1503/cmaj.090449 [34] Chen YL, Yang KH, Marušic A, et al. A reporting tool for practice guidelines in health care: the RIGHT statement[J]. Ann Intern Med, 2017, 166: 128-132. doi: 10.7326/M16-1565 [35] Tokalić R, Viđak M, Buljan I, et al. Reporting of Clinical Practice Guidelines: Practical Testing of AGREE and RIGHT Checklists[J]. J Gen Intern Med, 2020, 35:2167-2172. doi: 10.1007/s11606-020-05819-w [36] Hussain M, Hussain J, Sadiq M, et al. Recommendation statements identification in clinical practice guidelines using heuristic patterns[C/OL].(2018-07-27).https://www.computer.org/csdl/proceedings-article/snpd/2018/08441036/13bd1sv5NyA. [37] Schünemann HJ, Wiercioch W, Etxeandia I, et al. Guidelines 2.0: systematic development of a comprehensive checklist for a successful guideline enterprise[J]. CMAJ, 2014, 186: E123-E142. doi: 10.1503/cmaj.131237 [38] National Institute for Health and Care Excellence. Develop-ing NICE guidelines: the manual[M/OL].(2020-10-15). https://www.nice.org.uk/process/pmg20/chapter/introduction. [39] Manning CL. Artificial intelligence could bring relevant guide-lines into every consultation[J]. BMJ, 2019, 366: l4788. [40] Liu XX, Rivera SC, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension[J]. BMJ, 2020, 370:m3164. -
点击查看大图
表(3)
计量
- 文章访问数: 1502
- HTML全文浏览量: 604
- PDF下载量: 194
- 被引次数: 0
