CDSS 技术在很多方面都遭受过批评。幸运的是，电子病历（EHR）和医嘱录入系统（CPOE）的出现很大程度上弥补了独立CDSS 系统的不足，包括在数据录入、流程方面，特别是在用户接口和数据模型方面给了CDSS 很大的支持，使得决策支持系统不用再像以往一样忙于解决数据录入、信息整合的问题，而是把关注点转移到数据处理和人机交互的方面上。
另一方面，老问题的解决总是伴随新问题的出现。EHR和CPOE 的出现使得临床决策在用户接口方面出现了新的问题——CDSS 功能的灵活性。由于整合系统中的决策支持功能是作为一种后台进程自动触发响应，因此除了满足临床诊断、医疗的需要外，还必须具备提示和人工调整能力。有很多临床用户抱怨系统的各种自动提示功能扰乱了医生的工作节奏和习惯，起到了相反的作用。所以，一旦临床的医疗流程、责任归属以及操作习惯由于信息系统的出现而发生改变，且没得到有效的解决，临床人员最终很有可能不再使用这类系统。
12.5.8CDSS 的发展方向
医疗决策支持在未来的很长一段时间内，发展重点将主要集中在增强现有CDSS 的有效性，新型CDSS 功能研究开发等方面。首先，在改善现有系统中，需要解决以下五方面的内容：
第一，对系统整合和界面进行优化，使CDSS 能够平滑嵌入机构医疗流程之中，为临床工作者提供关键信息的提示以及决策支持的校准。平衡在决策提示过程中出现遗漏重要信息和过度提示的问题，并研发可以灵活调整此种平衡机制的功能，协助用户按需选择决策支持的辅助强度。
第二，有效整合患者的医疗信息。临床工作者在对某一病例进行医疗决策的过程中，需要参考尽可能全面和关键的患者相关信息。在此问题上，一个自动化和智能化程度很高的CDSS，可以通过高效高质的患者数据汇总和摘要内容提示，最大程度上帮助临床医生对医疗决策进行优化。
第三，构建CDSS 评估模型。根据复杂参数组合（例如疾病死亡率，患者存活率，医疗花费，医疗保险等等）对决策支持结果进行筛选和优先权判定，从数量方面减少对CDSS使用者负面影响。在此问题中，如何合理权衡各种因素正负双方面的影响，以及如何确定决策优先级都是需要研究的内容。
第四，在患者存在合并症的情况下，实现多病种决策支持整合。目前的CDSS，由于临床治疗指南在很大程度上忽略了年老和身体基础比较差的患者存在合并病症的问题，最终导致决策支持重复、冲突甚至互相排斥的结果。从一个侧面上阻碍了临床治疗指南在医疗机构的充分应用。
第五，利用自动文字处理技术对电子病历系统中的自由文本内容进行数据挖掘，通过提取和格式化患者关键数据的方式，达到对CDSS 优化的目的。相关研究表明，在电子病历的自由文本中所包含的，可以左右医疗决策的数据，占到全部关键信息量的50%以上。
其次，在基础理论和实践经验不断发展的背景下，不断引入新的临床决策支持方法。
一方面，决策支持系统实施时间长，代价昂贵。因此，对系统性价比、数据有效性、实施复杂度、医患接受程度等多方面因素，进行综合权衡、科学选择CDSS 开发方向以及优先实施步骤，是一个意义重大的问题。
另一方面，随着数据处理算法和技术的不断发展，海量医学数据库在质和量方面的不断提高，数据挖掘将会持续推动CDSS 的创新，更加复杂的问题，如敏感信息安全问题，科学文献信息挖掘，临床决策支持内容的探测，甚至是有学习功能的CDSS 也会逐渐随之引入。
最后，医疗决策支持是一门非常复杂的科学，需要大量的资源以及多方合作。因此，基于CDSS 系统的标准化以及知识、经验、方法的共享工作就格外重要。
（1）为了实现不同机构在CDSS 实施过程中，在系统设计、沟通以及管理等方面的经验共享，需要构建一套识别、描述、评价、综合、分类以及共享实施经验的方法。促进成功案例推广和借鉴。
（2）建立一套标准化的支持CDSS 模块即插即用功能的系统体系，提供CDSS 挂载或远程调用的标准接口，实现不同EHR 系统通过标准接口使用规范的决策支持程序。它可以推动决策支持系统和电子病历系统的应用，并可以加速决策支持研究成果的转化工作。
（3）实现知识管理流程和业务流程的规范化，有助于在规范的CDSS 中提供基于因特网的临床决策知识库的共享、更新。
12.5.9CDSS 的使用伦理与法律问题
任何CDSS 都是对临床决策的辅助性工具，使用者是真正的决策制定者，也是主要责任人。Miller 博士指出，计算机从根本上，至少在可见的未来，无法取替决策制定者。这一观点代表了人们对新兴技术相对保守、谨慎的态度。如何正确使用CDSS 涉及卫生保健的标准，职业道德等方面。
从卫生保健的标准来讲，医疗工作者应尊重患者，不应以经济方面的原因而对待患者做出不同的论断，更不能以各种方式，包括使用CDSS 欺骗患者。
使用CDSS 有可能引发伦理、法律方面的问题，与卫生部门的法令法规密切相关。有兴趣的读者可以追踪医学伦理学的最新进展。
跟所有的新技术一样，在临床上使用CDSS，会引发一系列新的问题。这些问题涉及到：①如果CDSS 对临床工作有效用，那么与其相关的新责任、新问题该如何处理？②如果CDSS 干扰了目前的工作流程，那么临床工作者为什么要使用这一系统呢？
假设一个有缺陷的CDSS 系统使病人受到了不应有的伤害。如果使用者是一名合格的医生，那么在这种情况下，该医生有没有及时干预或阻止CDSS 导致的错误呢？该医生是否正确使用了CDSS ？在这方面的标准还有待进一步研究与讨论。
在临床实施CDSS 的基准是：正确使用，不增加患者的风险。专家预期，随着计算机技术的进一步发展，临床诊疗标准也会相应改变。
12.5.10CDSS 的评估
如何评估与选择CDSS 是当前医学信息领域研究的热点专题之一。用户满意度调查与随机对照临床试验是目前两种主要的研究方法。目前的研究表明CDSS 在改善诊疗质量与费用控制方面取得了一定的成果。事实上，临床信息工作涉及患者数据采集、患者信息共享、诊疗决策制定、诊疗建档、卫生工作者之间的交流、患者教育等诸多方面。从技术上讲，CDSS 有能力在其中任何一个方面产生积极的效果。
评估CDSS 对医生诊疗过程的影响，还是对患者诊疗结果的影响是医学信息学界研究的两个关键领域。然而，众多的研究结果表明，过程与结果之间的关系不明确。例如，CDSS 可以提高病案的完整程度，但这完整程度对诊疗过程的影响并不清楚。
12.5.11结论
医学人工智能领域的发展史充满了令人赞叹的创新，同时也有不断的挫折和失败。
但是澎湃发展的电子病历系统和电子医嘱录入系统为新一代的CDSS 的发展提供了更为广阔的空间。当然，困难仍存在，对临床推理过程理解的不全面，对医学理论知识探索的不足仍将会成为成功路上的绊脚石。但是我们能看到的是医学知识表达、推理机制、知识提取方面的成果已被广泛运用并做出了极大的贡献，而本体知识工程的发展，临床术语学的设计与实施目前都已经成为了医学信息学中主要的理论研究领域，为下一代更为复杂智能的决策支持系统打下良好的基础。
国家政策的决定者认为信息技术是改善医疗水平、提高患者安全的关键桥梁，但在实际应用中，由于不少系统对医疗原有的流程、成本等问题考虑不足，导致临床工作人员具有不同程度的抵触心理。不过，新一代的临床信息系统已经在这个方面做出了改善。
有一件事情可以肯定，如果CDSS 希望最终能够解决所有的问题并使系统得到广泛的应用，它必须在提供决策知识的同时不能破坏医疗过程中两个最基础的社会原则，一是不能破坏医生和患者之间的关系，二是不要改变甚至抛弃那些已经久经磨砺且令人满意的东西。
12.6经典的CDSS
12.6.1MYCIN
MYCIN起源于20世纪70年代早期，由斯坦福大学的Edward Shortliffe基于Dendral的专家系统设计开发，于1974年完成。作为一个帮助诊断细菌感染疾病和提供治疗咨询的决策支持系统，MYCIN能识别某些导致重度感染的菌群，例如菌血症和脑膜炎球菌，推荐有针对性的抗生素种类和剂量。在临床中它大致遵循以下四个步骤：
（1）判断所发现的细菌是否引起了疾病。
（2）判断疾病可能是由哪种病菌引起的。
（3）判断哪些药物对抑制这种病菌可能有效。
（4）根据患者的情况，选择最适合的药物和剂量。MYCIN系统用产生式规则的方法体现专家的判断知识，模仿专家的推理过程。
产生式规则是MYCIN系统的核心内容。系统包含一个大约600套规则的支持库，每套产生式规则会归纳一类医学专家总结出的感染疾病知识，再根据不精确推理规则（可信度因子）进行推理判断，具体过程可以简单解释为：
①由MYCIN决定使用哪些规则以及如何关联这些规则。
②这些规则会对MYCIN的推理进行连贯解释，并向用户提出相应问题。
③根据问题答案，诊断结果会按照概率高低的顺序依次排列，概率数字和推理可靠程度显示在结果之后。
大量的研究和实践表明MYCIN诊断的有效性可以达到69%，这个数字甚至超过了某些感染疾病方面专家的水平。但可惜的是由于当时计算机的诊断和医疗被认为会带来法律和伦理方面的问题，使得MYCIN最终没能应用于临床治疗。另一关键的障碍则是，对于MYCIN这样一个独立的系统，当时信息整合技术的水平很难为其提供较为完整的患者疾病信息。
MYCIN系统是用INTERLISP语言编写的。初始的系统包含有200条关于菌血症的规则，可以识别大概50种细菌。以后该系统又经过了扩展和改进，使其可以诊断和治疗脑膜炎。同时又有人以MYCIN的控制机制和数据结构为基础，开发了可覆盖多领域的EMYCIN（Essential MYCIN），即专家系统开发工具。
MYCIN专家系统是决策支持系统的代表，许多其他类似系统都是在MYCIN的基础上研制而成的。MYCIN系统不但具有较高的性能，而且具有解释功能和知识获取功能，可以用英语与用户对话，回答用户提出的问题，还可以在专家指导下学习医疗知识。该系统还使用了知识库的概念和不精确推理技术。MYCIN系统对计算机决策支持的理论和实践，都有较大的贡献。
12.6.2ONCOCIN和OPAL
ONCOCIN 是斯坦福大学开发的另一个专家系统，用于辅助医生在癌症化疗方面进行医疗决策，于1979年至1987年之间在斯坦福大学肿瘤门诊试用。作为MYCIN系统的延续，它使用了相同的推理机制。ONCOCIN 的命名实际上也是来源“oncological（肿瘤学的）”和“MYCIN”两词的组合。
规则推理是ONCOCIN 的一大特点。但为了满足用户的需要，开发人员不得不频繁地对程序进行修改，以满足治疗方案的增加和修改。在ONCOCIN 系统中为每个治疗方案定制程序要花费6周的时间，方案本身数量巨大且改动频繁，编程人员无法及时地在程序中反映这种变化。而且由于在ONCOCIN 中为化疗方案编码的过程非常复杂，错编或漏编的情况时常发生。最终的结果是医生既不信任系统，也常常不依照系统的建议方案执行。这也是最终导致ONCOCIN 并没有被实际采用的重要原因。
为了提高临床知识的编码速度，Fagan 提出使用GUI（图形操作界面），通过表格填空的方式加快速度和提高准确性，OPAL 应运而生。
在ONCOCIN 系统中，通过OPAL 临床治疗方案进行编码，可以使每个方案的程序编写时间缩短到2周，而且用户能够自由定制一些治疗方案方面的具体内容。但是由于临床领域类别太过复杂繁多，对于不同的领域需要构建不同的OPAL，而构建每一个领域的OPAL 大约要超过2年的时间。
