目录
要点
- 对64项研究的系统评价发现，人工智能、机器学习和决策支持系统被用于诊断、治疗、精准医学和患者护理。
- 在一项研究中，强化学习预测心律药物剂量的准确率达到96.1%，有助于避免用药不足或过量。
- 在重症患者中，一项人工智能工具将静脉电解质补充减少了60%，更倾向于口服治疗并减少侵入性操作。
- 预测分析有助于识别有再入院或并发症风险的患者，从而实现更早的干预和更好的资源分配。
- DDDM补充而非取代临床专业知识，但数据质量和AI可解释性仍是信任和可靠性的关键挑战。
为何这项研究至关重要
数据驱动决策（DDDM）是一场席卷现代生活几乎所有领域的革命——从经济、工业到医学科学。越来越多的组织正在应用 DDDM 来应对复杂问题、做出关键决策并提升绩效。在金融、零售和技术领域，数据驱动方法的整合提高了运营效率，增强了客户价值，并促进了创新。
然而，DDDM 的后果在医疗保健领域或许最为重要。传统上，医疗管理一直受困于复杂性、变异性以及标准化不足。许多旧有模型不足以应对患者的整体需求，导致时间浪费和次优结果。为此，随着技术进步、大数据分析以及对有效且敏感护理需求的日益增长，医疗保健正在缓慢但稳步地发生转变。
DDDM 正在根本性地改变患者管理的方式——从通用且往往被动的护理，转向更具体、及时且以患者为中心的护理。借助电子健康记录（EHRs）、患者输入、基因组数据和遥测数据等数字信息，医疗保健专业人员现在可以对患者进行全面评估，从而提供高度个性化的治疗。
本综述是如何进行的
本系统评价遵循《系统评价和Meta分析研究计划书的优先报告条目（PRISMA-P）》框架，这是一个严谨且国际公认的用于开展透明且可重复的研究综合的标准。其目的是探讨数据驱动决策在患者护理中的作用和影响。
数据来源与检索策略
研究人员搜索了三个主要医学数据库——PubMed、Web of Science 和 Embase，选择它们是因为它们在医疗研究中的核心地位以及提供大量相关研究的声誉。检索特意限定在 2013 年至 2023 年 发表的文献，以聚焦医疗保健领域最新和当代的实践。
检索策略使用了相关关键词和布尔运算符的组合。初步检索产生了以下结果：
- Web of Science： 3,503 篇出版物
- PubMed： 371 篇出版物
- Embase： 275 篇出版物
这使得初始总库达到 4,149 篇出版物。除了这些主要数据库外，作者还纳入了未发表数据和灰色文献检索，以尽量减少发表偏倚。他们系统地检索了 medRxiv、SSRN 和相关会议论文集等存储库，以识别潜在的未发表研究和预印本。所有检索程序均详细记录，这显著降低了潜在偏倚并增强了综述结果的可重复性。
纳入与排除标准（PICOS）
研究人员使用 PICOS 框架——人群、干预、对照、结局和研究设计——来精确定义哪些研究将被纳入：
- 人群（P）：来自各种医疗背景的患者。
- 干预（I）：实施数据驱动决策技术，包括人工智能、机器学习、强化学习、深度学习、决策支持系统、马尔可夫决策过程以及患者管理中的共享决策。
- 对照（C）：并不总是需要对照，但在有可用的情况下，研究数据驱动方法与常规决策方法比较的研究是感兴趣的。
- 结局（O）：临床结局、诊断准确性、治疗疗效、患者满意度或对患者管理过程的其他任何可测量影响。
- 研究设计（S）：考虑了定性和定量原创研究文章。排除综述文章、社论、信函以及非英文发表的研究。
筛选流程，逐步解析
筛选过程严谨且多层次。以下是将最初找到的 4,149 篇出版物逐步缩减的具体步骤：
- 4,149 篇出版物在初步检索中被识别出来。
- 427 篇重复出版物被移除。
- 3,722 篇出版物经过筛选以供考虑。
- 3,602 篇出版物根据纳入/排除标准被排除。
- 120 篇出版物经过全面资格评估。
- 61 篇出版物因与患者管理或 DDDM 相关性不高而被移除。
- 5 篇来自外部来源（灰色文献和专家建议）的出版物被添加进来。
- 64 篇出版物最终被纳入综述。
整个过程采用了双审稿人方法。独立审稿人进行了系统性的研究筛选和资格评估，以减少选择偏倚。所有不明确的情况均被记录并通过基于共识的讨论解决，遵循结构化流程，在减少偏倚和提高决策一致性的同时实现透明度。
数据收集与分析
研究人员制定了标准化的数据提取表，以捕获每篇选定研究中的关键信息，包括数据处理方法、决策方法以及 DDDM 对患者护理的贡献。分析采用了一种称为主题分析的定性方法——这是一种系统且迭代的过程，用于识别、分析和报告数据中的模式或主题。
审稿人首先阅读并反复阅读数据，以获得透彻的理解。在熟悉阶段之后，审稿人对提取的数据片段进行系统编码，识别关键概念和观点。然后将编码后的片段分组为初始主题，并通过迭代审查和完善以确保连贯性和一致性。每个主题都明确定义并用分析研究中相关的例子进行描述。
主要发现：研究揭示了什么
分析揭示了 DDDM 在患者管理中运作方式的清晰整体结构。这一过程从数据驱动方法（用于分析数据的技术）流向决策方法（如何利用分析后的数据做出选择），最终到达患者管理应用（这些决策在现实医疗保健中的应用）。
数据驱动方法：正在使用哪些技术？
在数据驱动方法中，人工智能与其他计算方法一起被确定为综述研究中使用的占主导地位的方法。具体而言，综述识别出以下关键技术：
- 机器学习 (ML)：能够从数据中学习模式而无需为每个任务进行显式编程的算法。
- 深度学习 (DL)：一种更先进的机器学习形式，使用具有多层的人工神经网络，能够分析大型数据集中的复杂模式。
- 强化学习（RL）：一种人工智能技术，通过从奖励和惩罚中学习，训练算法在动态环境中做出顺序决策。
- 随机森林（RF）：一种机器学习方法，构建许多决策树并组合其输出以提高预测准确性。
- 其他数据驱动方法（ODD）：在特定情境下使用的其他计算方法。
决策方法：决策是如何做出的？
在决策方面，综述确定了与数据驱动方法结合使用的三种主要方法：
- 决策支持系统（DS）：基于计算机的工具，通过呈现相关数据和推荐意见，帮助临床医生做出循证决策。
- 马尔可夫决策过程（MDP）：一种用于建模部分结果具有随机性、部分由决策者控制的决策情境的数学框架。它有助于规划随时间推移的最佳治疗序列。
- 共享决策（SDM）：一种协作过程，患者与临床医生共同努力做出医疗选择，结合临床证据和患者偏好。
患者管理领域：DDDM 正在哪些地方应用？
疾病诊断与治疗是综述研究中患者管理应用最常见的领域。其他重要的应用领域包括：
- 精准医学：根据个体患者的特征（包括基因图谱）定制治疗方案。
- 患者护理：在各种环境中对患者进行日常管理和监测。
- 护理：使用预测模型识别有并发症风险的患者并优化护理计划。
- 其他相关的患者管理领域。
患者管理中的人工智能：现实世界示例
在医院管理中，DDDM 中人工智能的使用开启了医疗保健运营效率与效果的新纪元。由深度学习算法驱动的人工智能系统能够处理庞大且复杂的数据集，包括电子健康记录、医学影像、患者人口统计学特征和实时监测数据。通过利用这些丰富的信息，医疗管理人员可以更深入地了解患者趋势、资源利用情况和临床结果。
强化学习：治疗决策的变革者
由于其变革性应用，强化学习（RL）值得特别关注。RL 基于以下原理运作：训练算法在动态和不断变化的环境中做出顺序决策。其基本概念涉及智能体与环境交互，采取行动，接收以奖励或惩罚形式提供的反馈，并调整其策略以最大化随时间累积的奖励。关键目标是学习一个“策略”——即状态到动作的映射——从而实现长期的最佳决策。
综述突出了几项具有具体、可衡量结果的显著 RL 应用：
- 抗心律失常药物给药：RL 被用于管理用于治疗心律不齐的药物多非利特（dofetilide），以 96.1% 的准确率准确预测给药决策。这与提供患者特异性、动态治疗的目标完全一致。
- 危重患者的电解质补充：使用RL进行电解质补充将镁和钾的补充需求大幅降低了60%。该AI工具使三种电解质——钾、镁和磷酸盐——的干预时机趋于标准化，并将治疗方式从静脉（IV）途径转向口服补充。这意味着更少的静脉通路、更少的侵入性操作以及更高效的护理。
- 糖尿病管理的个性化：将RL与聚类方法相结合，根据每位患者的具体特征提供最适合的治疗方案建议，从而实现糖尿病管理的个性化。
- 冠状动脉性心脏病治疗：在冠状动脉性心脏病治疗中，将RL与监督学习相结合展示了其在动态治疗策略中的潜力，有助于全面了解疾病进展。
深度学习与机器学习在实践中的应用
除了RL之外，其他技术也极大地提高了诊断速度和治疗效果。基于神经网络的深度学习模型通过高效分析电子健康记录数据，协助改善了临床决策过程，从而提高了患者诊断的准确性。深度学习算法能够同时处理医学影像、患者人口统计学数据和实时监测数据，为临床医生提供每位患者病情的全面视图。
随机森林模型是另一种形式的机器学习，已有效应用于骨科手术中，以预测术后患者的恢复情况和结果，帮助临床医生主动管理患者护理。这些模型无需等待手术后观察患者的恢复情况，而是可以预测可能的结果，使护理团队能够更早地进行干预。
跨医学专科的预测分析
DDDM的优势广泛存在，适用于医疗保健的大多数领域。该综述特别强调了几个强有力的例子：
- 心脏病学：由DDDM支持的预测分析增强了心力衰竭患者的风险分类，并提高了减少心脏病学领域再入院率的机会。通过识别哪些患者最有可能再次住院，护理团队可以为最需要帮助的患者提供额外支持。
- 神经病学和精神健康：DDDM有助于进行精确的预测建模，以确定创伤性脑损伤患者生活质量下降的概率以及治疗资源的利用情况。这使得临床医生能够更有效地分配康复和支持服务。
- 护理实践：借助数据开发的预测模型帮助护士识别有发生并发症风险的患者。这支持了资源的有效分配和更好护理计划的制定，以确保最佳的患者护理。
理解患者管理中DDDM的框架
本综述最有价值的贡献之一是确定了一个清晰的框架，展示了DDDM如何参与患者管理。该结构通过三个相互关联的层级展开：
- 第一层——数据驱动方法：人工智能、机器学习、深度学习、强化学习和随机森林模型大规模地处理和析患者数据。这些技术将原始数据（电子健康记录、影像、基因组学、遥测数据）转化为可操作的见解。
- 第二层——决策方法：第一层的见解通过结构化方法指导决策——包括向临床医生提供建议的决策支持系统、模拟随时间推移的最佳治疗序列的马尔可夫决策过程，以及让患者参与自身护理选择的共享决策框架。
- 第三层——患者管理应用：这些决策应用于疾病诊断和治疗、精准医学、患者护理、护理及相关领域的现实医疗保健环境中。
该框架表明，DDDM不仅仅是一项单一的技术，而是一个完整的路径——从原始数据到最终的临床行动。每一层都依赖于其他层，最有效的实施将三者整合在一起。
这对患者意味着什么
这些发现转化为患者的切实利益。以下是研究表明的DDDM在实践中的意义：
- 更个性化的治疗：与其采用一刀切的方法，不如根据每位患者的具体特征（包括遗传、生活方式和疾病进展模式）量身定制治疗方案。
- 减少不必要的操作：静脉电解质补充减少了60%，这表明AI指导的护理可以倾向于更微创的方法——这意味着患者会更少不适和风险。
- 更准确的剂量：预测心律不齐药物剂量的准确率达到96.1%，表明AI可以帮助首次就获得正确的药物剂量，减少用药不足或过量的风险。
- 更早的干预：能够识别有并发症、再次住院或生活质量下降风险的患者的预测模型，使护理团队能够在问题出现之前进行早期干预，而不是在问题发生后被动应对。
- 更好的资源分配：当护士和临床医生能够预测哪些患者需要更密集的监测时，医院可以将人员和资源引导至最需要的地方，从而改善所有人的护理质量。
- 更多参与的患者：将共同决策作为关键方法之一，意味着患者在护理中有更多的发言权，将临床数据与个人偏好相结合。
本综述的局限性
了解本综述能够确立和无法确立的内容非常重要。研究人员承认了若干局限性：
- 数据质量挑战：DDDM的有效性完全取决于底层数据的质量。不一致、不完整或有偏差的数据可能导致不准确的预测和建议。
- 可解释性问题：许多AI模型，尤其是深度学习网络，充当“黑箱”——它们可以产生准确的预测，但临床医生可能无法理解为何会做出特定建议。这可能在临床环境中造成信任障碍。
- 不能替代临床判断：本综述强调，DDDM最好被视为对医疗专业知识的补充，而非替代。技术增强了临床决策，但并未取代护理中的人性化要素。
- 患者报告结局有限：虽然本综述涵盖了临床结局、诊断准确性和治疗有效性，但关于患者满意度的证据深度在所纳入的研究中差异较大。
- 发表和语言偏倚：尽管作者做出了大量努力纳入灰色文献和未发表数据，但排除非英语研究仍可能引入一些偏倚。
- 综述范围：本综述有意聚焦于患者管理，因此DDDM在医疗保健中的许多其他有前景的应用（如医院运营、公共卫生和健康政策）不在其范围内。
给患者的建议
基于这项研究，以下是患者可以利用数据驱动型医疗保健的实用步骤：
- 询问AI支持选项：如果您面临复杂的治疗决策，请咨询您的医疗保健提供者是否使用了数据驱动工具或决策支持系统来告知您的选择。许多医院现在常规使用这些工具。
- 分享完整的健康信息：DDDM的准确性取决于数据质量。在提供您的病史、当前用药、症状和生活方式信息时，请尽可能详尽——即使看似次要的细节也能提高这些系统的预测能力。
- 参与共同决策：当医生提出治疗选择时，请记住您是决策团队的关键成员。研究表明，将临床数据与患者偏好相结合能产生最佳结果。
- 询问远程监测和遥测：许多DDDM工具使用实时监测数据。如果您患有糖尿病或心脏病等慢性疾病，请询问家庭监测设备或移动健康应用是否能为您的护理团队提供有价值的连续数据。
- 了解局限性：AI是一个强大的辅助工具，但并非万无一失。您的临床医生的判断、经验以及您自己的价值观仍然至关重要。如果某个建议令人惊讶，请询问其背后的原因——优秀的临床医生会解释他们的推理过程。
- 考虑参与临床试验：许多DDDM工具仍在完善和测试中。参与临床研究可以帮助推动这些技术的发展，同时让您获得前沿的医疗服务。
综述得出结论，尽管存在数据质量和可解释性等挑战，但DDDM的优势在于前所未有的个性化、简化的决策过程，以及未来技术有望补充医疗专业知识，从而实现更有效、以患者为中心的护理。DDDM不仅是患者管理的有用选择，也对医疗保健及其相关系统的许多其他方面具有重要意义。
随着人工智能技术的不断发展，它在医院管理中的DDDM领域有望取得更大进展，最终重塑医疗服务的格局。
常见问题解答
医疗保健中的数据驱动决策（DDDM）是什么？
DDDM利用人工智能、机器学习和决策支持系统来分析健康数据，如电子健康记录、影像学和基因组学。这有助于临床医生做出更个性化、及时且具体的护理决策。它是一种补充而非取代医疗专业人员专业知识的工具。其目标是提供更以患者为中心的护理。
药物剂量96.1%的准确率对患者意味着什么？
在一项研究中，强化学习预测抗心律失常药物多非利特（dofetilide）的正确剂量准确率达96.1%。这表明人工智能可以帮助医生首次就确定正确的药物剂量，减少用药不足或过量的风险。然而，这仅是一项单一研究，实际结果可能会有所不同。
静脉电解质补充量减少60%意味着什么？
在一项针对危重患者的研究中，人工智能工具将镁和钾的补充需求减少了60%。它还将治疗方案从静脉（IV）给药转变为口服补充。这意味着更少的静脉留置针和有创操作，可能为患者带来更少的不适和更低的风险。
患者如何从数据驱动决策中受益？
益处包括根据您的基因型和生活方式量身定制的更个性化治疗、更准确的药物剂量、在检测到风险时更早进行干预，以及减少不必要的操作。共同决策也让您在护理过程中拥有更大的发言权。请咨询您的医生，数据驱动工具是否已影响您的治疗方案。
人工智能在患者护理中的局限性是什么？
人工智能依赖于高质量的数据；不完整或有偏见的数据可能导致不准确的建议。许多人工智能模型是“黑箱”，使得临床医生难以理解其推理过程。人工智能不能替代临床判断。此外，关于患者满意度的研究结果不如关于临床结局的研究结果一致。
如果我的治疗方案是由人工智能或数据驱动工具制定的，第二诊疗意见能改变我的治疗方案吗？
数据驱动系统提供支持，但不取代临床判断。这些工具依赖于数据质量，并可能充当“黑箱”，因此临床医生可能不知道为何会做出某项建议。由于准确性依赖于完整的患者信息，对您病例的独立审查可以确认诊断、验证治疗方案并确保您的价值观得到纳入。共同决策是过程的一部分，意味着您拥有发言权。第二诊疗意见可以帮助您了解人工智能生成的方案是否真正适合您。Diagnostic Detectives Network提供独立的专家第二诊疗意见。
来源信息
Original Article Title: Data-driven decision making in patient management: a systematic review.
License: CC BY-NC-ND (open access)
Author: Lyu G.
Journal: BMC Medical Informatics and Decision Making (2025) 25:239
DOI: https://doi.org/10.1186/s12911-025-03072-x
Publication Date: 2025
这篇患者友好型文章基于同行评审的研究。原始研究作为开放获取文章发表，采用知识共享署名-非商业性使用-禁止演绎4.0国际许可协议（Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License）。完整文本及所有引用的研究均可通过上述DOI链接访问。
