【摘要】‘电子病历’被认为是医疗信息化的核心问题，其原因在于‘病历’意义的主体已经变为医院各种设备信息的收集器，导致人们过多地注意‘病历’的设备技术问题，而传统病历的意义则逐步被边缘化。本文并不想就大型厂商借用技术概念主导医疗信息化进程、左右医学发展方向的问题发表述评，而仅仅就如何发展信息时代 ‘病历’的本意进行探索。具体的思路是：分别探讨医学人工智能和电子病历两方面的问题，然后将两者结合起来，克服各自的问题，借用人工智能技术，在更高的系统层次上使电子病历走出泥潭。
【关键词】 电子病历、医学人工智能、医学专家系统、医学决策支持、临床信息系统、

导言
医疗信息化面临的问题是如何成就一个‘系统’，而不是只做几个‘零件’。是系统，就有它的核心路线；是系统，就有它的过去和将来。一个人工系统研发的完善性，在相当大的程度上取决于我们对它过去的进展路线与成败原因了解的深度。

一、数值计算到博弈思路
计算机有三个主要领域存着在递进发展关系：数值计算→事务处理→人工智能。早期计算机资源十分稀缺，只能用于物有所值的重大事件上，除了科学的数值计算外，主要方向是解决智能问题。因此1946年电子计算机诞生不久，图林就提出了‘人工智能’概念；以后计算机资源有了一定程度上的富余，‘事务处理’才得以崭露头角。
‘数值计算’是催生计算机的始作俑者，其原因莫过于，数值计算的边界不容易超出动力学体系，有规律可循，适合机器计算表达。早期智能问题的主要研究方向是下棋之类的博弈问题，而博弈的要素范围被限定在一个集合内，它的运算只是各种要素的组合变化，结果也不会超出边界。如此看来，博弈思路与数值计算具有同质性。博弈问题在1997年世界棋王对弈IBM深蓝系统被推到极致，可见多少年来计算机专家一直乐此不疲。
面对‘人工智能’的研究状况，70年代中期，斯坦福大学的费根鲍姆在一次讲演中发出了将‘人工智能’推向实际应用的呼吁：“各位正在研究博弈问题……，请大家跨入真实世界，努力解决现实世界中的问题吧！”
解决医疗诊断问题是人工智能发展的一大支系，1972年de Domabl 研发了‘急性腹痛鉴别诊断系统’，1976年Shortliffe完成‘传染性疾病鉴别诊断系统MYCIN’等等。中国中医界相似的研究从80年代起也开展得如火如荼，大约有140个经验为主的中医专家系统相继研发，采用的多是二叉树遍历、回溯递归之类的算法和产生式规则等。受早期博弈思路的边界特性影响，这些系统想要进入变化万千的现实世界是很难的。

二、经验专家系统到知识决策支持系统
现实世界的医疗诊断问题当然不同于博弈：①它不存在一个严格的动力学规律，没有空间意义上的边界；②它被关注的事件都是一个动态过程，存在不断成长的问题，没有时间意义上的边界；③它要素集合的变化趋向呈发散状态，是非规则的、浮动的和游移不定的；④我们要解决问题，目标当然是希望推导能够收敛到一个解决点上，而实际上却是发散为多种可能的关联，只是人为地强行干预为某收敛点。
很明显，问题都深入到了人类知识与知识发展范畴。破除博弈思路的迷局，将人工智能推向实用，唯一的途径是进入牵连广泛的知识领域。费根鲍姆适时地提出了‘知识库’、‘知识表达’和‘知识工程’等一系列概念，从‘专家’的高级境界构筑智能系统。费根鲍姆描述道“一个已被赋予知识和才能的计算机程序，从而使这种程序所起到的作用达到专家的水平。”
那么‘专家’是一个什么概念呢？依照我们通常的理解：①至少深入掌握一门学科的知识，②对该学科具有丰富的实践经验。专家的特点是‘经验’，经验是某人在反复处理某领域内的特定事件，因熟练可以导致忽略或简化的一些细节，这些细节起的作用对该人是不言自明的。我们从反方向解读‘专家’：①专家的知识是有限的，②专家的经验是个性化的。于是我们可以认为：‘专家’能解决的问题只具有或然性和局限性。如果用计算机来处理‘专家’问题，那么，①专家的知识很方便转换为储存状态，②专家的经验在个人范围内与专家的知识一致，可以作为知识处理。
费根鲍姆‘专家系统’的概念与牛顿动力学规则不太协调：①如果‘专家’是指一个专家，经验与知识表达的一致性没有问题，计算机处理也比较方便。但是单个专家的知识能够解决领域内的问题显然受到限制，使专家系统对许多问题无法求解。这是博弈思路的专家系统失败的主要原因。②如果‘专家’是指多个专家，则要解决专家之间的知识差异问题，这需要对知识进行规范处理，形成统一的概念词典。关于专家们的经验，一部分上升为知识，一部分存留或忽略不计。虽然这样可以解决系统知识表达的一致性问题，但是专家经验的破缺，就脱离了专家系统的原意；于是‘个性化的丰富经验’蜕变为‘共性化的单调’，‘专家系统’蜕变为‘决策支持系统’，所得到结论也会脱离动力学的决定性要求。
80年代的许多诊断决策支持系统是按多专家的思路开发出来的，其中最著名的两个系统，一个是犹他大学的ILIAD，其知识库是在大型医院条件下，由临床医生总结经验，再按贝叶斯模型条件做成的知识决策模组；一个是匹兹堡大学的Quick Medical Reference (QMR)，其知识库是依据大型电脑上医学专家系统的整理经验来处理的医学文献，用超文本连接方式构成的决策模组。两个系统的‘专家经验’，都上升为‘系统知识’。

三、人工智能大撤退
遗憾的是，与基于产生式规则的医学专家系统一样，基于知识库的医学决策系统也没能成功地运用于临床，这是什么原因呢？
我们知道：医学诊疗不像博弈问题那样，解决一个棋盘内的问题就解决了所有问题。医疗过程有许多‘棋盘’，‘棋盘’之间有大小嵌套、首尾嵌套、重叠嵌套等形式。ILIAD和QMR都只解决了一个‘棋盘’或几个小‘棋盘’的问题，它们实际使用的空间范围和过程范围虽然大了，但还是受到了限制，例如：①人所患疾病是相互牵连的，ILIAD和QMR的知识体系都不能概全人的疾患；②不能与上下游的挂号、药房、实验室、护士、收费等工作系统相衔接；③没有完整的病案管理等等。这是一个孤岛，相对于人多种潜在疾患是一个孤岛，相对于医疗全过程是一个孤岛，相对于医院管理也是一个孤岛。孤岛必然荒废。
为什么美国人不把所有的‘棋盘’都做了呢？原因之一是：诸如一个ILIAD这样的软件就花去2000万美金，整个医疗体系的预算就可能大得惊人；原因之二是：崇尚于‘数值计算’‘定理证明’或‘反馈控制’的美国人，对结论无法收敛、且具有历史与文化特性的概率推断系统并不是特别青睐。1982年日本通产省为抢夺智能计算机的制高点，组织富士通等8大著名企业，以恢弘的气势一头撞进第五代计算机的重围。美国人对此除了不吝啬美溢之词外，就是持币观望。10年后日本人败下阵来；全世界大批人工智能公司也在这一时期倒闭；医学人工智能也是且战且退，从上世纪90年代中期开始进入谷底。
医学人工智能不被看好，美国人却不会守株待兔，他们大踏步地后退，用电子病历筑起坚固防线。2004年1月20日，布什总统在致国会《国情咨文》中宣布了一项计划：确保在今后10年内大多数美国人拥有电子健康记录；英国政府以55亿英镑的世界第一大医疗信息化订单，与IT供应商签下‘国民医疗保健服务系统’合同；香港医院管理局也以16亿港元开发临床信息系统等等。这些大手笔的计划无一不是想要拿下医疗全过程‘棋盘’；但从一些更具体的计划资料上看，他们的着力点并不想从‘人工智能’方面取得突破，而只是在‘事务处理’层面上向高科技靠拢，以‘电子病历’宣示政府作为。
其实，各国政府很难从技术层面上提出一个周详的电子病历计划，初起都是由有远见的商业公司鼓噪出一种气氛，将自产的大型设备往信息技术靠拢，目的是用医院信息化将产品设备联系起来，用商业垄断思路制造技术概念，如：Integrating the Healthcare Enterprise‘全面医疗集成’，大型公司自然取得盟主地位。我们听德国西门子的员工讲述过这种策略。美国通用公司提出的集成方案更成为中国众多HIS厂商仿效、皈依的‘祖型’；这中间电子病历EPR被置为系统的核心。
这或许并不妨碍医学某种取向的发展，问题是电子病历的医学意义应该由谁去完成？

四、传统病历走向电子病历
古希腊时代已经有了病历，内容是按时间顺序记录病人或病人亲属的叙述的发病前事件和病痛过程，这种风格一直持续到工业革命时代。17世纪受进化论和分类学影响，病历开始有了‘一组症状表现等同于一个疾病’的思想；但是病历的具体记录方式还是因袭了从前。到1880年，美国Mayo诊所中的病历是记录在医生的收款帐簿上；1907年他们给每位病人分别建立文件夹；1920年诊所要求医生在病历中记录一组规定的基本数据，包括：病人主诉、临床发现、医生诊断、治疗计划等，显现了标准化趋向。
病历的书写方法在很长时间内是按一般的顺序书写习惯，医生遇到什么写什么，没有明确分类，被称为‘混合式流水记录法’。20世纪60年代，Dr. Lawrence Weed提出了POMR (Problem Oriented Medical Record)的病历格式化的构想，即病历中先有一个问题列表，然后对每个问题进行SOAP形式的记录。其中，S表示主观要素，即病人对疾病的感受；O表示客观要素，即医护人员的临床发现，包括检查；A表示评估，即医生的结论；P表示计划，即根据诊断结论提出治疗方案或处理措施。SOAP结构奠定了现代病历的基础形式。但是，POMR记录法占用医护人员书写的时间太多，台湾有医院在实行POMR记录法时评价说：写病历是医护人员每天必须要做的最繁重的工作。早些年在美国又兴起了 Focus Charting 称‘焦点记录法’；欧洲的表格式数据方法被称为Structural Data Entry即‘结构化记录法’或SDE。
历史终于来到了这样一个门槛：首先是病历的高强度记录问题必须解决，其次是计算机‘事务处理’的时代悄悄到来，再次是欧美用打字机记录病历的习惯已经根深蒂固；三者相互推波助澜，汇合成西方‘电子病历’的源流。
最初出现的是电子文本记录法，‘电子病历’只表明记录工具的转换，其记录的方式与目标均未改变。但是，工具的变革往往具有革命性质，一些属于工具的特性和功能，如输入、保存、查询、调用、共享等，就推进了工作方式乃至观察方式发生改变。其中首要任务是解决输入的强度问题，之后出现了利用表格处理结构化数据的功能。一个典型的例子：上世纪70年代开发的医学信息系统RMIS，它使用了一种就医表格：其右方是病人的主诉、病史描述等，采用文本处理方式，都是先用手写，再由专人输入电脑；其左上方是诊断列表，列出医生诊断的疾病名；左下方是结构化数据列表，记录重要生理参数和检验参数等；RMIS至今还有人使用。近些年SDE有电子版面世，它发扬表格结构输入法的优点，不但能用直接模型处理类似试验设备所产生的简单数据，而且能用间接模型处理有专业依赖性的复杂数据。SDE的结构化数据来源于词典，它的知识编辑器可以起到规范输入词汇的作用。这种特征是电子病历输入方法的一种进步，更展现了一种趋向，与医学人工智能的规范问题合流。

五、电子病历与医学人工智能合流
从前面我们已经知道两条发展路线：①医学人工智能经历了从‘博弈策略’推进到‘专家系统’，再后撤到‘决策支持’的过程；②传统病历经历了‘混合记录法’到‘POMR记录法’，然后到‘结构记录法’，再到‘电子文本记录法’，最后到现在中国特有的‘模板编辑法’。两条路线上的主角都穷尽了多种可能，未尝得到完善发展，最后只剩下两者相结合可能走通的路。从医学人工智能，通过电子病历的记录方式走向完整的临床运用；从电子病历，通过医学人工智的技术手段获得解决输入难题的方法。唯一的问题是两者结合的难度太大，所以，诸多国家都经过权衡，都选择通过‘电子病历’取得成果，避免提及希望渺茫的‘医学人工智能’。
电子病历永远都会面临数据规范化的问题。‘词典’是数据的规范化集合，它的方法是对数据进行结构化处理。数据结构化是计算机的长项，国外电子病历的开发工作也一直集中在结构化问题上。后来经过多年的实践证明：将叙述性信息进行结构化使用非常困难，医生们对症状体征等的表达差异太大，在终端前输入数据耗费的时间也太多。这些问题在没有利用人工智能解决之前，必然阻碍电子病历的发展，电子病历只能沿着电子文本的老路亦步亦趋地往下走。在中国，医疗数据结构化的工作被更简单的方式取代，那就是根本不做输入操作，直接调用一个现成的文本充当病历，然后简单修改，成为电子病历。
电子病历必须基于传统病历而存在，才不至于迷失它的医学目的。病历的主要任务就是记录，病历的形成源自于看病。‘看病’是医生与病人交互产生的记录，包括思维及思维执行过程。具体说：‘看病’过程除了问诊记录、查体记录、辅助检查记录外，还包括：触发思考、分析综合、得到结论、确定方案、下达指令、执行指令后的反馈、由反馈再引起的思考、由思考导致下达新的指令等，形成反馈思维循环。很显然，电子病历的问题不能通过自身的发展得到完满解决，必须把电子病历放到它的上位系统中才可能解决，而上位系统必须运用人工智能技术才可能完善。
我们将电子病历系统嵌套在医学决策支持系统之中；再将医学决策系统嵌套在整体的智能化数字医院体系之中，既完成对病人的医疗全过程本身，又完成医疗过程在医院中充当的角色。我们的思路是：医生应用基于知识库的智能化诊疗平台为患者看病，医生看病的轨迹被自动记录下来，成为电子病历。形成电子病历的技术过程非常简单，电子病历的内容有赖于‘知识库’；人工智能的看病模型非常简单，即‘计算机＋知识库’，智能化的技术难点转嫁给‘知识表达’。

六、知识表达与智能化数字医院
总结一下，人类面临的问题并能够用计算机解决的方法主要有三类：
一类，有中心轨迹可循（线性）、问题范围明确、要素有限、边界明确、结果收敛。如：求值、证明等，可以用计算公式表达，并形成计算机表达式，过程可以重复，重复所得结果的意义相同，结果不超出预见范围，计算特征显著。这种问题对应计算机的‘数值计算’方法。
一类，无固定轨迹可循（非线性）、问题范围明确、要素有限、边界明确、结果收敛。如：博弈问题，没有明确的计算公式，不能形成统一的计算机表达式，过程可以或者不可以重复，过程的结果不超出预见范围，演绎推理特征突出。这种问题可以用‘二叉树’之类的产生式规则加以解决。
一类，无固定轨迹可循（非线性）、大范围确定、问题范围不确定、要素不确定、边界不确定、结果发散。如：经验、疾病发生等，没有一致的计算机表达式，过程不可以重复，如果重复所得结果意义不同，结果可能超出预见范围，文化特征突出，随机特征明显。这类问题应该用‘基于知识库的决策思路’解决问题。我们说的‘人工智能’解决医疗问题的方式就属于这第三类。
以‘无固定轨迹可循，在某个确定的大范围内，解决范围不确定、要素不确定、边界不确定、结果发散的问题’，其知识结构总是纵横交织、重叠反错、嵌套联结。为解决医疗问题首先要解决医疗的知识结构问题，将医疗知识组合成神经网络状，当给定一个或几个初始值(Findings)，医疗问题可以在网状结构中得到连续判断，形成随机应变的过程性诊疗知识通道。正因为如此，医学人工智能从计算机技术方面不再是一个尖端课题，而从医学知识方面却成为一个浩瀚无际的课题，它表现为特征化的多线程推导和逻辑框架下的非线性连续描述。作为课题要完成的是：①对医学知识库进行‘结构性表达一致和描述性冲突调和’的设计；②计算机程序怎样解决‘结构性表达一致和描述性冲突调和’的问题。
如本文所述，因为我们做了相当多的理论思考，我们的体系核心《全医学体系知识库决策引擎》才有了一些自主创新：①用自创新知识表达方法和神经网络技术建构全医学知识库框架；②用自创新算法实现决策引擎技术；③用自创新仿真技术模拟临床思维形式，包括：振荡逼近、并行推导、逻辑鉴别等；④用自创新轨迹追踪技术实现电子病历自动生成；⑤用多词典的神经网络结构描述诊疗的阶段进程；⑥用智能交互方法解决医生临床对计算机的主导地位问题；⑦诊疗全过程集中于同一页面表述，使医生一览无余，方便整体地调度和解决问题；等等。
同时，我们将西医、中医与中西医结合3种医学体系纳入同一诊疗平台，知识表达还必须考虑三者之间的平衡表达关系。从数字医院的角度看，首先要解决的是三种医学体系的知识表达问题，其次建立基于知识库的智能化诊疗平台，再次围绕一线临床诊疗建立医院一线多个系统的关联，最后建立医院一线系统与二线系统的关联，智能化诊疗平台被嵌套在数字医院的核心流程部位，为整个医院的医疗运作发挥作用。
最后一个问题是，如此庞大的系统及其知识表达的依据从哪里来？‘标准’问题从来就是目标系统所要面对的问题，是系统的自适应问题，在目标系统的运作中，针对目标系统提出规范方法与标准，就像中国的社会制度无法完全引进一样，它是一个随系统自我发展而完善的过程。因此，系统的‘标准’是在实现系统的同时，对标准与规范进行适应性的调整，在调整中取得发展。