近年来随着深度学习、机器学习算法、硬件水平和数据库的提升，人工智能（AI）技术迎来第三次发展热潮，并为临床工作提供有力辅助。本文回顾整理了国内外AI应用于医学领域的相关经验，并结合最新研究文献及循证医学依据，重点介绍了在AI技术辅助下预检、病情评估、医学诊断、方案决策、外科手术、麻醉、护理、康复治疗、药理研究和医药开发等传统医学模式发生的巨大变革，旨在为国内临床医师全面介绍相关领域的概念与现状，并为AI未来在医学领域中的发展做出参考。

传统循证医学在医疗实践和卫生决策中发挥了重要作用，与此同时也不断暴露出证据生成效率低、覆盖范围窄、整合策略不完善等不足，难以及时服务临床诊疗及监管决策，因此亟须根据前沿技术的发展，对循证医学理念进行深入拓展和完善。2023年提出的深度循证医学倡导运用最新人工智能和自然语言处理技术，全面扩大证据的广度、深度和可整合性，提高证据生产和整合效率。基于深度循证医学理念建立新一代循证决策生态系统具有广阔的实际应用前景，可推动循证医学证据检索、生产、整合、传播、转化和应用等各环节的发展，深入挖掘影像学、多组学和真实世界数据，增大真实世界证据的利用潜力，建立动态文献管理平台和决策辅助工具，减少资源浪费，促进证据流动。借助此系统有助于获取以个体为中心的临床综合证据进行精准决策，并在人才培养、循证教学改革、科普宣传等方面发挥重大作用，最终推动同一健康的实现。

目的:针对临床数据数量庞大和质量差的现状，本研究旨在以建立淋巴瘤研究数据库为例，探索高质量研究数据库的建立路径以及在真实世界研究的作用。方法:汇总研究领域专家意见，参考相关指南和标准，建立标准医学知识库；回顾性抽取2005年2月－2021年12月期间就诊于北京大学肿瘤医院淋巴瘤患者电子诊疗数据，采用深度学习、自然语言处理等方式，搭建"基于电子病历系统的淋巴瘤数据库－生物样本信息库－延伸遗传信息库"的动态智能信息整合与处理系统。结果:研究数据库在满足了临床科研人员的研究需求的同时，实现医院病历数据和生物样本信息数据的申请、审批、溯源和分析全过程留痕管理。数据库中核心科研变量总数为668个，结构化变量占46.0%。截至2021年12月25日，数据库中共有淋巴瘤患者68 687人，男女患者人数比值为8/9，就诊次≥3次的患者占比为23.0%。此外，研究者可在数据库中根据目标条件叠加检索，显示命中的就诊记录，建立研究队列，进行统计建模，挖掘数据信息。结论:通过整合管理流程和利用自然语言人工智能新技术建立循证等级高的数据库，有助于医院信息系统的互联互通与资源共享，从而达到为开展真实世界研究提供可靠详实数据的目的。

目前医疗和公共卫生系统已经进入大数据时代，越来越多的大型数据集被用于生成算法，以指导患者医疗、护理的质量改进和公共卫生监测 [ 1, 2] 。我国每年实施5 000万例手术，优化围术期麻醉管理对减少术后并发症及提高生存率有重要意义。尽管利用深度学习等监督学习算法可以对围术期严重不良事件进行预警 [ 3, 4, 5, 6] ，但手术患者个体差异大，病情变化快且复杂，若诊断不明确以及治疗效果不确切，难以指导外科/麻醉医生持续准确做出优化的个体化麻醉医疗决策，亟需新的算法研究。目前外科学专家们开始高度关注强化学习(RL)在围术期医疗决策中的应用 [ 1, 7] 。RL的特性使其在围术期大量动态、高维、复杂、罕见分布的时序数据分析上具备显著优势，可形成更高级别的循证医学证据指导围术期医疗决策，具备显著的应用前景 [ 1, 2, 7, 8, 9] 。

影像学检查的选择是否合理是临床实践中的重要问题。基于循证医学的"影像学检查的临床适用性评价"，即针对临床诊疗需求（某一特定疾病、综合征等诊断或评估），影像科与临床科室医师基于循证医学证据、专业技能和经验、患者意愿，共同慎重评价某种影像学检查的必要性及检查选择的合理性。必要性是前提，合理性是核心，证据质量评价是基石，循证医学方法是重要手段。评估成果将形成系列标准，以指南方式呈现，为临床医师针对临床诊疗需求合理选择影像学检查方法提供依据。通过影像科和临床科室医师的深度合作与共同努力，建立并不断完善我国影像学检查的临床适用性评价体系，保证临床诊疗流程的合理化、规范化，促进医疗资源优化配置和使用。

2021年3月中华医学会儿科学分会新生儿学组、中国妇幼保健协会医院感染控制专业委员会及国家儿童医学中心/首都医科大学附属北京儿童医院共同制定了《新生儿脐静脉置管相关并发症防控指南》，这是国内第一部针对脐静脉置管相关并发症的循证临床实践指南。本文将对脐静脉置管操作前评估、置管后管理的各个要点进行解读，从导管放置深度及尖端定位、集束化护理、脐静脉置管留置时程、导管相关血流感染的诊断、胸腹腔并发症的处理5个方面阐述并发症防控相关推荐意见。

目的:评估采用单一MRI模拟定位实现鼻咽癌光子和质子放疗计划剂量计算的可行性。方法:回顾性分析2020年1月至2021年12月在中国医学科学院肿瘤医院接受放射治疗的100例鼻咽癌患者的T 1加权MRI图像和CT图像。利用深度学习网络模型将MRI转换成伪CT，训练集、验证集和测试集分别包括70例、10例和20例。深度学习方法采用监督学习的卷积神经网络（CNN）和无监督学习的循环一致性生成对抗网络（CycleGAN）两种方法。利用平均绝对误差（MAE）和结构相似性（SSIM）等定量评估图像质量，利用γ通过率和剂量体积直方图（DVH）评估剂量。用Wilcoxon符号秩检验来统计分析伪CT的图像质量。 结果:图像生成方面，CNN和CycleGAN模型的MAE分别为（91.99±19.98）HU和（108.30±20.54）HU，SSIM分别为0.97±0.01和0.96±0.01。剂量学方面，伪CT用于光子剂量计算的准确性高于质子。光子放疗计划的γ通过率（3 mm/3%）分别为：CNN模型99.90%±0.13%，CycleGAN模型99.87%±0.14%，且均大于98%。质子放疗计划分别为：CNN模型98.65%±0.64%，CycleGAN模型97.69%±0.86%。DVH的指标显示，伪CT的光子计划中剂量数值一致性优于质子计划。结论:基于深度学习的模型能从MRI图像生成准确的伪CT，大多数剂量学差异都在光子和质子放疗的临床可接受范围内，只用MRI成像的工作流程对鼻咽癌患者放疗是可行的。但与原始CT相比，伪CT图像在鼻腔区域的CT值误差较大，临床使用时应特别注意。

目的:构建基于12导联体表心电图（ECG）图像对患者3、6 h内动脉血乳酸水平进行预测的深度学习模型（1种人工智能算法），探究其辅助评估患者微循环水平的效能。方法:本研究为回顾性、单中心研究。收集2015年1月9日至2021年12月30日就诊于上海交通大学医学院附属瑞金医院进行动脉血乳酸检测且6 h内有心电图记录的2 350例患者的年龄、性别和心电图图像，分别构建La1-ECG（采集心电图与动脉血乳酸标本时间差±3 h，包含心电图1 862份）、La2-ECG（采集心电图与动脉血乳酸的标本时间差±6 h，包含心电图2 350份）2个心电图集。以患者动脉血乳酸水平为分类标准（正常：≤1.5 mmol/L；轻度异常：1.5~5.0 mmol/L；重度异常：>5.0 mmol/L）构建深度学习模型并进行训练、验证及测试。对比算法在2个心电图集的精确率、召回率、受试者工作特征曲线下面积和F1指数。结果:共纳入2 350例患者，年龄（68.39±18.12）岁，其中男1 372例（58.38%，1 372/2 350）。基于体表心电图的图像建立的深度学习模型在La1-ECG中对于乳酸值的多分类评估的精确率、召回率、受试者工作特征曲线下面积（ AUC）和F1指数分别为80.27%、79.93%、0.94、0.80。在La2-ECG中对于乳酸值的多分类评估的精确率、召回率、 AUC和F1指数分别为78.29%、78.55%、0.92、0.78。 结论:基于体表12导联心电图图像的深度学习模型可以较好地分层预测动脉血乳酸水平，辅助临床医师进行患者的微循环情况评估。

循证医学理念的提出，是医学发展过程中的一次重要革命，医学由经验时代进入证据时代。循证证据与临床实践之间始终存在着难以克服的转化鸿沟，随着医疗技术的进步，临床医生可以更精准地记录临床实践，产生更贴近真实世界的大数据。如何利用医疗大数据，为临床决策提供更多依据，是目前亟需解决的问题。人工智能技术擅长在复杂数据中寻找规律，帮助医生分析、挖掘数据，增进对疾病的认识。特别是深度学习的方法，擅长图像的分割、增强、重建以及生成，能更好地重建解剖、实现可视化，帮助手术操作。医疗与人工智能的结合，不仅提供了传统的循证医学证据，更丰富了循证证据的内涵，开启了精准把握每个患者病情、反映真实世界的医学新时代。

放射增强成像技术的问世对囊性肝病的诊断助益很大，与此同时，该疾病的治疗在既往几十年里日益成熟。因此，有必要提供全面的临床指南。本指南涵盖肝囊肿、肝脏黏液性囊性肿瘤、多囊肝病、先天性肝内胆管囊状扩张症、先天性胆管扩张综合征、胆道错构瘤和胆管周围囊肿的诊断和治疗。在深度回顾文献的基础上，本指南给出了解决临床困难的建议及其支持性文件。根据牛津循证医学中心系统对证据水平进行分级，并将推荐意见等级分为"弱推荐"或"强推荐"。本指南目标为提供最佳证据，为临床医师面对此类患者的临床决策提供参考。