目的:分析本院近6年住院患者抗菌药物使用结构的变化趋势，评估依托自研的抗菌药物临床应用决策支持系统（aCDSS）全面实现信息化管理的成效，为合理用药和科学管理提供参考。方法:构建知识库，设计嵌入式程序植入住院电子病历（EMR）医嘱系统，依托集成知识库和规则引擎实现与医院各信息系统无缝衔接，对抗菌药物医嘱的各个环节实现全过程、全病例、专业化与精细化智能管控。从医院HIS和aCDSS中提取2015年1月至2020年12月每例出院患者的基本信息、抗菌药物使用医嘱明细和用量数据，对各类抗菌药物的使用率、使用人次比及使用强度变化进行趋势分析。结果:自2015年依托自研的aCDSS全面实施信息化管理以来，全院抗菌药物使用率从44.18%逐年下降至2020年的38.70%，碳青霉烯、超广谱酶抑制剂复合物、替加环素、第三-四代头孢菌素、氟喹诺酮等超广谱抗菌药物以及糖肽类、抗真菌药的使用率和使用人次比呈持续下降趋势，其中前三类超广谱抗菌药物均较2015年下降近50%。碳青霉烯类、替加环素的使用强度2015年以来呈现逐年下降趋势，与2015年相比，2020年分别下降了29.6%和7.1%，而窄谱的第一-二代头孢菌素使用强度则持续升高，近三年使用强度占全部抗菌药物的28.2%。结论:通过依托信息化为主的综合管理，本院近6年广谱、高价抗菌药物使用率和使用强度持续下降，窄谱抗菌药物使用占比逐年增加，抗菌药物使用结构持续优化，管理成效显著。

目的:评估Ethos宫颈癌在线自适应放疗（ART）基于智能优化引擎（IOE）的完全自动化自适应计划的鲁棒性。方法:回顾性分析2021年6月至2022年6月于北京协和医院就诊的ⅠB期11例宫颈癌术后患者，获取原始计划影像及每次放疗迭代锥形线束CT（iCBCT）影像，并将所有患者数据导入Ethos模拟器。使用Ethos对11例患者进行基于IOE的9野自动计划生成，生成的计划进行在线ART模拟，获取每次在线ART计划（共273个分次），并完成模拟治疗。基于在线ART计划所使用的影像及勾画结构进行手工计划设计，采用9野均分的布野方式，手工制作计划用于对照研究。采集剂量学参数、计划复杂性参数及Mobius质量保证（QA）通过率等，通过配对 t检验或秩和检验对比评估在线自适应放疗计划的危及器官、靶区的剂量学参数及计划复杂度等的鲁棒性。 结果:与手工计划相比，在线ART计划的计划靶区（PTV）覆盖相当，而临床靶区（CTV）D 99%更高［（45.93±0.36）∶（45.32±0.31）Gy， P<0.001］。在线ART计划的PTV D max显著高于手工计划［（49.89±1.25）∶（48.48±0.77）Gy， P<0.001］，但是PTV D 1%则小于手工计划［（47.22±0.29）∶（47.59±0.48）Gy， P<0.001］。在线ART计划与手工计划的PTV适形指数的差异无统计学意义（ P=0.967）。均匀性指数方面，两者均值基本相同，在线ART计划的离散性更小（ P<0.001）。危及器官（OAR）受量方面：在线ART计划的膀胱D mean、直肠V 40 Gy、小肠D mean大于手工计划，而直肠D mean、小肠D 2 cm3小于手工计划；在线ART计划的左右股骨头、脊髓和骨髓的剂量学参数均优于手工计划。自适应计划的机器跳数大于手工计划，但是自适应计划的复杂度显著低于手工计划（0.135±0.012∶0.151±0.015， P<0.001）。自适应计划与手工计划的Mobius γ通过率（5%/3 mm）均满足临床要求。 结论:基于IOE的Ethos在宫颈癌在线自适应计划中具有很好的鲁棒性，可以保证在线自适应各个治疗分次自动生成计划的质量。

目的:评估Ethos在线自适应放疗平台智能优化引擎（IOE）自动优化性能及其临床可行性。方法:回顾性分析11例Halcyon加速器治疗的宫颈癌术后患者的资料，患者所用计划均为Eclipse中采用的4个全弧容积弧形调强放疗（VMAT）手工计划（Manual-4Arc），处方剂量为45 Gy分25次。将所有患者影像和结构导入Ethos模拟器，基于科室剂量限值要求添加合适的临床目标，靶区归一到95%覆盖，之后采用IOE进行自动计划生成，得到7、9、12野均分固定野调强放疗（IMRT）计划（IMRT-7F、IMRT-9F、IMRT-12F）和2、3弧的VMAT计划（VMAT-2Arc、VMAT-3Arc）。使用单因素方差分析对6种计划进行剂量学比较，并基于分析结果进行Turky事后多重比较进行优劣判断，评估IOE自动优化性能。结果:高量方面，对于计划靶区（PTV），IMRT-12F计划的D 1%最低，且与Manual-4Arc计划存在显著性差异（ P=0.004）；靶区覆盖方面，所有方法制作出来的临床靶区均满足临床要求，Ethos在线自适应计划虽在计划制作时做了归一，但PTV靶区覆盖率略微不足。对于距离靶区较近的危及器官，比如膀胱，其V 30 Gy、V 40 Gy及D mean在6种计划之间的差异有统计学意义。膀胱的受量排序基本为IMRT-12F

为切实发挥病原学诊断在抗菌药物合理使用中的指导作用，各级医院亟须建立临床微生物标本送检的有效管控体系。针对我国医疗机构普遍存在的抗菌药物治疗前微生物标本送检率较低、微生物标本结构不合理以及大多采集晨痰、晨尿标本进行病原学检测等问题，浙江大学医学院附属第二医院运用人工智能技术构建了临床微生物标本送检信息化管控系统，运用内置智能规则引擎对医生开立抗菌药物时的微生物标本采样送检实行全过程管控，促使医生在抗菌药物治疗使用前执行有样必采的要求，并推荐优先采集无菌标本；此外，以能够24 h不间断接收微生物标本并实时处理为目标改造实验室及送检流程。该管控系统于2015年12月开始在全院应用，2016—2023年每年6月的首剂治疗性使用抗菌药物前微生物标本送检率均值为79.2%，较2014年6月的41.7%提高90.2个百分点( χ2＝467.781， P<0.01);微生物标本结构持续优化，无菌标本在所有送检标本中的占比由2014年的47.2%提升至2023年的49.9%( χ2＝139.119， P<0.01);晨痰和晨尿标本的占比分别从2014年的65.2%和60.6%降至2023年的11.1%和16.9%( χ2值分别为19 787.434和4 346.664， P<0.01)，为临床提供了更可靠的病原学诊断依据，可为医疗机构改进病原学标本送检管理提供参考。

目的 神经系统疾病具有诊疗复杂、类型多样、多数疾病患病率低等特点,为降低神经系统疾病基层医疗机构首诊难度,提升医院医疗服务质量和效率,开展面向神经病学的智能预问诊系统研究.方法 在构建的神经系统疾病循证医学知识图谱基础上,通过循证医学规则引擎和规则流,利用人工智能技术构建智能预问诊系统.结果 该系统采用人机交互的引导式问答方式采集患者病情、既往史等信息,自动生成预问诊报告发送给临床医生.上线应用的效果表明,该系统优化了医院诊疗服务流程,有效提高了医患沟通效率.结论 该成果未来可应用到各级医疗机构,实现医院优质专科诊疗经验下沉基层,辅助基层规范化问诊.

以创新、资源高效利用为内核的新质生产力,将成为推动国家医疗卫生健康体系创新发展的新引擎.随着数据治理与云存储、数智技术、人工智能等产业技术的高速发展,医疗大数据成为医疗卫生健康体系新质生产力的重要驱动因素.文章从新质生产力视角出发,聚焦医药经济学研究领域,从研发健康结果测量新工具、构建创新药品价值评估新框架、提升医疗政策评估新证据3个方面,阐述如何以医疗大数据为驱动推动相关领域科学研究的创新发展,并充分发挥经济学证据生成与决策支撑作用,促进医疗卫生决策和资源优化配置迈向提质、增效的新阶段.

神经介入是治疗脑血管病变的重要手段,首都医科大学附属北京天坛医院建立了以神经介入专病库为核心的临床科研一体化研究模式.该模式以自然语言处理、机器学习、深度学习等人工智能技术为依托,通过对神经介入中心在2012年5月-2019年6月收治的379例前循环脑梗死急诊取栓患者数据进行自动采集、处理和建模,构建了前循环脑梗死急诊取栓专病库.一方面形成了极细颗粒度的多维数据关联关系展现视图,为临床研究提供更多可能方向;另一方面,利用全过程诊疗时间轴及智能预测引擎,实现了对取栓后患者颅内出血的发生风险预测,对临床治疗决策的调整、优化具有重要意义.由此可见,基于专病库的科研临床一体化研究模式,将有效带动科研成果的产出及转化,实现以真实诊疗数据为基础、以研究成果辅助临床决策的目标,具有广阔的发展前景.

近十年来,人工智能(artificial intelligence,AI)在医学领域发展迅速,很大程度上得益于机器学习(machine learning,ML)技术的发展与进步,而机器学习也成为医学领域创新的新引擎.医学成像领域中,机器学习对图像重组、病变分割、计算机辅助检测(computer-aided detection,CADe)和诊断(computer-aided diagnosis,CADx)等方面的优化产生了积极影响[1, 2].与传统的医学图像分析技术相比,机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能.相反,机器学习开发了一种自学模式,可从培训数据集中自动查找或学习相关技术要素[3].此外,计算机深度学习(deep learning,DL)算法的开发[4]促进了机器学习在医学领域的应用并扩大了其应用规模[5].三个融合技术的进步促使深度学习开发:(1)海量数据(大数据)的可用性;(2)中央处理单元(central processing units , CPU )和图形处理单元( graphics processing units,GPU )的进步; (3 )学习算法的创新[6, 7].与传统机器学习技术的功能很大程度上受其浅层结构的限制不同,深度学习模仿人脑的深层组织结构可处理并表达来自多层面的信息.

详细阐述诊疗流程智能导引体系架构、服务等方面,包括知识引擎、智能推荐、消息推送,指出该体系有助于优化诊疗流程,提升诊疗效率,提高医院服务质量与患者满意度.

目的:分析智慧护理策略在老年病区护理工作中的应用效果.方法:将中央信息大屏、中央智慧监护系统、智能陪伴系统、智能输液监控系统、智能引擎和知识库系统等智慧护理策略应用于老年病区,观察其应用效果.结果:智慧护理策略应用后,老年病区护理不良事件发生率和身体约束率下降(P<0.05);临床护理质量、患者及家属满意度和护士满意度提高(P<0.05).结论:老年病区应用智慧护理策略优化了传统的护理工作流程,明显提升了护理质量、护理安全、患者和护士满意度,具有较好的可推广性.