作者投稿
专家审稿
编辑办公
邮件订阅
RSS
-
摘要:
临床实践指南是通过系统评价当前可得的临床证据和平衡不同干预措施的利弊，从而为患者提供最佳推荐意见。然而，临床实践指南从制订/修订到临床推广应用，需经过较长的转化周期，且存在分布分散、重复率高、实际利用度低等问题。临床实践指南信息化平台可直接或间接解决指南制订/修订周期长、发布不集中及应用不足等相关问题。因此，本文对不同类型的临床实践指南信息化平台进行整理和分析，探讨其在平台设计、数据整合和应用方面的挑战及趋势，以了解该领域发展现状，并为未来临床实践指南信息化平台的建设和研究提供参考。
Abstract:Clinical practice guidelines represent the best recommendations for patient care. They are developed through systematically reviewing currently available clinical evidence and weighing the relative benefits and risks of various interventions. However, clinical practice guidelines have to go through a long translation cycle from development and revision to clinical promotion and application, facing problems such as scattered distribution, high duplication rate, and low actual utilization. At present, the clinical practice guideline information platform can directly or indirectly solve the problems related to the lengthy revision cycles, decentralized dissemination and limited application of clinical practice guidelines. Therefore, this paper systematically examines different types of clinical practice guideline information platforms and investigates their corresponding challenges and emerging trends in platform design, data integration, and practical implementation, with the aim of clarifying the current status of this field and providing valuable reference for future research on clinical practice guideline information platforms.
-
临床实践指南(clinical practice guidelines，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(artificial intelligence，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(Practice guideline REgistration for transPAREnCy，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Figure 1. Three-layer structure of the clinical practice guideline information platform system1. 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Table 1. Structured approach to CPG registration platform注册平台 研究内容 备注 设计方法 需求分析 了解CPG制订者、使用者和科研人员等用户需求 功能设计 注册新CPG、搜索已注册CPG、定位CPG、更新CPG状态等 数据字段设计 CPG标题、版本、分类(循证指南、快速指南、专家共识、中医药指南等)、研究领域(诊断、诊疗、预防、预后、管理等)、制订者信息、制订者单位、制订进度、更新记录等 结构 用户界面 提供用户交互界面，包括输入新CPG信息表单，查找CPG的检索工具和信息排序、过滤筛选功能等 数据库 存储、查询和管理CPG和相关元数据，确保数据的一致性和安全性 应用 注册新指南 提交新CPG基本信息并获得唯一注册号 更新指南信息 定期更新CPG进度和内容，记录每次更新的详细信息 查找和访问指南 通过检索或访问特定CPG，支持根据CPG版本、类型、领域、标题、制订单位和时间等多种条件进行过滤 CPG(clinical practice guideline)：临床实践指南 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：(1)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；(2)检索指南，通过CPG基本信息限定条件检索；(3)指南培训；(4)指南解读等。其链接包括CPG方法学、CPG数据库[25]和CPG制订机构[26]等。
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)。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。
表 2 CPG制订平台结构化方法Table 2. Structured approach to CPG development platform制订平台 研究内容 备注 设计方法 需求分析 分析领域专家、CPG制订者和使用者的需求 流程设计 设计CPG制订的关键步骤和流程，如文献回顾、证据评估、CPG草案编写等，确保流程清晰，支持多方协作和输入 界面设计 支持不同角色用户(如录入员、制订员、审核员、管理员等)进行CPG信息输入、审阅和管理 结构 文献管理 用于制订、收集和管理CPG文献，支持文献的上传、标注和引用 证据评估工具 提供证据评价工具，进行推荐意见质量评价、专家共识意见汇总 CPG编写工具 编辑环境可协作，允许多个作者输入和修改CPG内容 审阅和批准流程 实现CPG草案的审阅和修订流程，包括公开评论和专家审阅 发布和更新管理 发布制订完成的CPG，并管理后续更新和修订状态 应用 启动阶段 明确CPG研究疾病和类型，设置团队成员和权限 证据合成和评估 搜集(集成或链接医学文献数据库)并分析证据，评估证据质量，形成初步推荐意见，并邀请专家共识意见 CPG编写和审阅 多个专家协作制订CPG，汇总意见并提交审阅 发布和监测 发布最终CPG，并持续监测其应用和更新情况 CPG：同表 1 GRADE pro GDT[16]的主要功能：(1)项目设置，包括一般信息、EtD模板(EtD templates)；(2) 任务管理；(3)团队管理；(4)范围管理，包括CPG的题目、目的(预防、诊断、治疗等预期效果或结局等)、目标人群、合并症、干预类型(涵盖预防、治疗和诊断措施的纳入/排除)、现有指南等；(5)CPG参考文献管理；(6)创建证据概要表，并使用外部系统和移动应用程序传播CPG。MAGICapp[28]旨在以证据推荐分级评估、制定和评价系统(Grading of Recommendations, Assessment, Development and Evaluation，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。
Table 3. Comparison of features between MAGICapp and GRADE pro GDT项目 MAGICapp GRADE pro GDT 构建时间 2013年 2013年 概念 证据生态系统：(1)电子化、结构化数据；(2)可信证据；(3)方法上共识；(4)分享文化和氛围；(5)工具和平台 GRADE证据评价系统：(1)界定证据质量和推荐强度；(2)明确证据升降级的标准；(3)患者价值观和意愿；(4)临床医生、患者、政策制定者等不同角度；(5)制作系统评价、卫生技术评估及指南 发布内容 CPG、推荐意见和证据，使用GRADE方法、新技术和新开发的框架 CPG，使用GRADE方法和EtD证据表 推荐强度 强推荐(绿色)/弱推荐(黄色)，或A/B/C/D(NHMRC自定分级标准) 强推荐/弱推荐/仅在研究中使用干预措施的建议/不建议 EtD框架 收益/危害、证据质量、患者价值偏好及医疗资源使用 问题优先级、期望结果、不良反应，对证据体的信心、患者价值偏好、利弊平衡、用户的可接受性及推荐的可行性 输出格式 JSON、PDF、Word等 结果总结表、证据概要表、PDF、Word和链接等 其他功能 参考文献管理器，结构化PICO问题，多团体在线协同工作，项目管理(监控进度、发布分配任务和质量控制)，基于PICO证据摘要生成决策辅助工具，集成电子医疗记录、Epistemonikos数据库 评分量表，评估证据质量(包括偏倚风险、一致性、间接性、不精确性、效应量、剂量反应梯度等影响因素)，链接GRADE工作组证据概要数据库和手机终端 语言 英语、西班牙语、葡萄牙语、荷兰语、德语、法语、芬兰语、挪威语、阿拉伯语、丹麦语和瑞典语 英语、西班牙语、葡萄牙语、荷兰语、德语、法语、意大利语、汉语、日语、爱沙尼亚语、泰语、捷克语 CPG：同表 1；GRADE(Grading of Recommendations, Assessment, Development and Evaluation)：证据推荐分级评估、制定和评价系统；NHMRC(National Health and Medical Research Council)：澳大利亚国家健康与医学研究理事会；JSON(Java Script Object Notation)：JavaScript对象表示法；PICO(Population，Intervention，Comparison，Outcome)：人群、干预、对照、结局 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。GIN的检索方式包括：(1)网页检索；(2)一框式检索，根据出版范围、适用国家、指南发布状态、制订机构或成员、目标疾病等缩小范围；(3)指南检索，根据指南类型、制订组织、日期和国家等条目检索和排序。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(clinical decision support systems，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]：(1)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；(2)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；(3)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：(1)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；(2)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；(3)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Table 4. Basic characteristics of different CDSS based on CPG功能 名称 数据来源 数据类型 研究群体 应用 辅助预防 VTE-CDSS[47] CPG 结构化数据 住院成年患者 静脉血栓栓塞症风险评估和预防实践 辅助诊断 PERMANENS[48] CPG/电子健康记录数据/死亡率数据/管理数据 OMOP通用数据模型 有自残或自杀风险的个人 个性化检测，风险评分和可视化，管理风险 辅助治疗 IDE 4 ICDS[49] CPG 结构化数据 2型糖尿病患者 提供治疗建议 CDT study[50] CPG 结构化数据 乳腺癌、结直肠癌和前列腺癌患者 提供无条件临床决策树建议 PedN-CDSS-Hyperthermia[51] CPG/系统评价/证据总结/最佳实践建议 文本格式 儿科高温患者 个性化护理干预 Case study in thyroid nodules[52] CPG 思维导图和迭代决策树 甲状腺结节患者 提供治疗建议 辅助用药 PITeS-TIiSS[53] CPG/LESS-CHRON标准/PROFUND指数/STOPP/START标准 本体模型 慢性病和合并症患者 提供个性化开药建议 RecosDoc-MTeV[54] CPG 文本格式 静脉血栓栓塞症患者 管理直接口服抗凝剂处方的给药方式、剂量、治疗持续时间等 CPG：同表 1；OMOP(Observational Medical Outcomes Partnership)：美国观察性医疗结果合作组织；STOPP(Screening Tool of Older Person's Prescriptions)：老年人潜在不适当处方筛查工具；START(Screening Tool to Alert to Right Treatment)：处方遗漏筛查工具 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。常用工具包括：(1)数据库管理系统，如MySQL[58]、MongoDB[59]等；(2)本体构建工具，如Protégé[60]、Apollo[61]等；(3)自然语言处理(natural language processing，NLP)，如NLTK[62]、SpaCy[63]、StanfordNLP[64]、OpenNLP[65]等，处理文本和知识抽取；(4)知识图谱构建工具，如Neo4j[66]、OrientDB[67]、ArangoDB[68]等，构建和管理图形结构知识。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：(1)绿色表示有强有力证据支持“推荐”治疗；(2)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；(3)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；(4) 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](extensible makeup language，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。
2. 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(fuzzy cognitive map，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。
3. 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。
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。利益冲突：所有作者均声明不存在利益冲突 -
![]()
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
Figure 1. Three-layer structure of the clinical practice guideline information platform system
表 1 CPG注册平台结构化方法
Table 1 Structured approach to CPG registration platform
注册平台 研究内容 备注 设计方法 需求分析 了解CPG制订者、使用者和科研人员等用户需求 功能设计 注册新CPG、搜索已注册CPG、定位CPG、更新CPG状态等 数据字段设计 CPG标题、版本、分类(循证指南、快速指南、专家共识、中医药指南等)、研究领域(诊断、诊疗、预防、预后、管理等)、制订者信息、制订者单位、制订进度、更新记录等 结构 用户界面 提供用户交互界面，包括输入新CPG信息表单，查找CPG的检索工具和信息排序、过滤筛选功能等 数据库 存储、查询和管理CPG和相关元数据，确保数据的一致性和安全性 应用 注册新指南 提交新CPG基本信息并获得唯一注册号 更新指南信息 定期更新CPG进度和内容，记录每次更新的详细信息 查找和访问指南 通过检索或访问特定CPG，支持根据CPG版本、类型、领域、标题、制订单位和时间等多种条件进行过滤 CPG(clinical practice guideline)：临床实践指南 
下载: 导出CSV
表 2 CPG制订平台结构化方法
Table 2 Structured approach to CPG development platform
制订平台 研究内容 备注 设计方法 需求分析 分析领域专家、CPG制订者和使用者的需求 流程设计 设计CPG制订的关键步骤和流程，如文献回顾、证据评估、CPG草案编写等，确保流程清晰，支持多方协作和输入 界面设计 支持不同角色用户(如录入员、制订员、审核员、管理员等)进行CPG信息输入、审阅和管理 结构 文献管理 用于制订、收集和管理CPG文献，支持文献的上传、标注和引用 证据评估工具 提供证据评价工具，进行推荐意见质量评价、专家共识意见汇总 CPG编写工具 编辑环境可协作，允许多个作者输入和修改CPG内容 审阅和批准流程 实现CPG草案的审阅和修订流程，包括公开评论和专家审阅 发布和更新管理 发布制订完成的CPG，并管理后续更新和修订状态 应用 启动阶段 明确CPG研究疾病和类型，设置团队成员和权限 证据合成和评估 搜集(集成或链接医学文献数据库)并分析证据，评估证据质量，形成初步推荐意见，并邀请专家共识意见 CPG编写和审阅 多个专家协作制订CPG，汇总意见并提交审阅 发布和监测 发布最终CPG，并持续监测其应用和更新情况 CPG：同表 1
下载: 导出CSV
表 3 MAGICapp与GRADE pro GDT特点比较[16, 28]
Table 3 Comparison of features between MAGICapp and GRADE pro GDT
项目 MAGICapp GRADE pro GDT 构建时间 2013年 2013年 概念 证据生态系统：(1)电子化、结构化数据；(2)可信证据；(3)方法上共识；(4)分享文化和氛围；(5)工具和平台 GRADE证据评价系统：(1)界定证据质量和推荐强度；(2)明确证据升降级的标准；(3)患者价值观和意愿；(4)临床医生、患者、政策制定者等不同角度；(5)制作系统评价、卫生技术评估及指南 发布内容 CPG、推荐意见和证据，使用GRADE方法、新技术和新开发的框架 CPG，使用GRADE方法和EtD证据表 推荐强度 强推荐(绿色)/弱推荐(黄色)，或A/B/C/D(NHMRC自定分级标准) 强推荐/弱推荐/仅在研究中使用干预措施的建议/不建议 EtD框架 收益/危害、证据质量、患者价值偏好及医疗资源使用 问题优先级、期望结果、不良反应，对证据体的信心、患者价值偏好、利弊平衡、用户的可接受性及推荐的可行性 输出格式 JSON、PDF、Word等 结果总结表、证据概要表、PDF、Word和链接等 其他功能 参考文献管理器，结构化PICO问题，多团体在线协同工作，项目管理(监控进度、发布分配任务和质量控制)，基于PICO证据摘要生成决策辅助工具，集成电子医疗记录、Epistemonikos数据库 评分量表，评估证据质量(包括偏倚风险、一致性、间接性、不精确性、效应量、剂量反应梯度等影响因素)，链接GRADE工作组证据概要数据库和手机终端 语言 英语、西班牙语、葡萄牙语、荷兰语、德语、法语、芬兰语、挪威语、阿拉伯语、丹麦语和瑞典语 英语、西班牙语、葡萄牙语、荷兰语、德语、法语、意大利语、汉语、日语、爱沙尼亚语、泰语、捷克语 CPG：同表 1；GRADE(Grading of Recommendations, Assessment, Development and Evaluation)：证据推荐分级评估、制定和评价系统；NHMRC(National Health and Medical Research Council)：澳大利亚国家健康与医学研究理事会；JSON(Java Script Object Notation)：JavaScript对象表示法；PICO(Population，Intervention，Comparison，Outcome)：人群、干预、对照、结局
下载: 导出CSV
表 4 基于CPG的不同CDSS特点比较
Table 4 Basic characteristics of different CDSS based on CPG
功能 名称 数据来源 数据类型 研究群体 应用 辅助预防 VTE-CDSS[47] CPG 结构化数据 住院成年患者 静脉血栓栓塞症风险评估和预防实践 辅助诊断 PERMANENS[48] CPG/电子健康记录数据/死亡率数据/管理数据 OMOP通用数据模型 有自残或自杀风险的个人 个性化检测，风险评分和可视化，管理风险 辅助治疗 IDE 4 ICDS[49] CPG 结构化数据 2型糖尿病患者 提供治疗建议 CDT study[50] CPG 结构化数据 乳腺癌、结直肠癌和前列腺癌患者 提供无条件临床决策树建议 PedN-CDSS-Hyperthermia[51] CPG/系统评价/证据总结/最佳实践建议 文本格式 儿科高温患者 个性化护理干预 Case study in thyroid nodules[52] CPG 思维导图和迭代决策树 甲状腺结节患者 提供治疗建议 辅助用药 PITeS-TIiSS[53] CPG/LESS-CHRON标准/PROFUND指数/STOPP/START标准 本体模型 慢性病和合并症患者 提供个性化开药建议 RecosDoc-MTeV[54] CPG 文本格式 静脉血栓栓塞症患者 管理直接口服抗凝剂处方的给药方式、剂量、治疗持续时间等 CPG：同表 1；OMOP(Observational Medical Outcomes Partnership)：美国观察性医疗结果合作组织；STOPP(Screening Tool of Older Person's Prescriptions)：老年人潜在不适当处方筛查工具；START(Screening Tool to Alert to Right Treatment)：处方遗漏筛查工具
下载: 导出CSV
-
[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. DOI: 10.1136/esmoopen-2020-001130
[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. DOI: 10.12290/xhyxzz.2024-0278 Shi Q L, Liu H, Wang Z J, et al. How to correctly understand and use the low-quality evidence to formulate recommendations in guidelines[J]. Med J PUMCH, 2024, 15(3): 676-685. DOI: 10.12290/xhyxzz.2024-0278
[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. DOI: 10.1111/j.1468-0394.2010.00575.x
[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. Ju Y H. Research on computable model of diagnosis and therapeutic norms knowledge[D]. Changchun: Jilin University, 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. DOI: 10.1016/j.ijmedinf.2012.10.004
[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. DOI: 10.2196/27955
[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. DOI: 10.47102/annals-acadmedsg.V47N12p523
[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. DOI: 10.1542/peds.2021-052048
[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. DOI: 10.1007/s10462-013-9402-2
[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. DOI: 10.1016/j.prnil.2023.09.001
[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. DOI: 10.2196/49759
[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. Wang Y B, Liu H X, Gao K, et al. Research on the promotion of clinical practice guidelines implementation (Ⅵ): a modeling representation of basic information, context, and methodology in the clinical practice guideline knowledge graph[J]. New Med, 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. DOI: 10.7326/M20-7884
[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. DOI: 10.1136/bmjebm-2023-112813
[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/. China Association of Chinese Medicine. Standardization[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. DOI: 10.7507/1672-2531.201805128 Long Y L, Zhang Y G, Li Y P, et al. A comparative study on operative mechanism of the global clinical guideline databases[J]. Chin J Evid Based Med, 2018, 18(10): 1045-1052. DOI: 10.7507/1672-2531.201805128
[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. Zhang X Q, Deng H Y. The current situation and trends of development of evidence-based medicine database[J]. Chin J Evid Based Med, 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. Yang N, Zhao W, Pan Y, et al. Development of rating tools for the scientific, transparent, and applicable nature of clinical practice guidelines[J]. Natl Med J China, 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. DOI: 10.1016/j.jbi.2023.104573
[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. DOI: 10.1093/intqhc/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. DOI: 10.1186/s12888-024-05659-6
[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. DOI: 10.1016/j.ijmedinf.2023.105208
[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. DOI: 10.1093/intqhc/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. DOI: 10.1093/jamia/ocz001
[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. DOI: 10.2196/27990
[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. DOI: 10.1109/5254.683180
[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. DOI: 10.3390/ijgi5070119
[60] Luković V, Cuković S, Milošević 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. DOI: 10.1016/j.cmpb.2019.06.027
[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. DOI: 10.1002/cpt.1425
[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. DOI: 10.25231/pee.2020.26.2.55
[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. Chinese Society of Clinical Oncology[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 hidden 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. Wu M J, Zhang S J, Zhou Z C, et al. Use and demand of clinical practice guidelines in China[J]. Chin J Med Libr Inf Sci, 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.
计量
- 文章访问数: 1127
- HTML全文浏览量: 0
- PDF下载量: 18
