3. 临床知识表示与规则建模

临床决策支持系统（CDSS）能否真正落地，关键不在界面，而在“知识是否被表示成机器可执行的形式”。指南文本是给人读的，规则是给引擎执行的，两者之间需要一次严谨的“知识化”翻译。本节以高血压/糖尿病指南片段为例，走完从自然语言到可执行规则集的完整链路。

一、指南知识化的基本对象

指南知识化，是把“条件—判断—建议”从叙述性文本中抽取为结构化三元组：患者状态（条件）→ 逻辑判断 → 推荐动作。以《中国高血压防治指南》和《2型糖尿病防治指南》常见片段为例，可抽取的核心对象包括：

• 数据项：收缩压（SBP）、舒张压（SDP）、空腹血糖（FPG）、糖化血红蛋白（HbA1c）、年龄、是否合并糖尿病、是否合并慢性肾病（CKD）、是否妊娠。
• 判断阈值：如 SBP≥140 mmHg 且/或 DBP≥90 mmHg 为高血压；FPG≥7.0 mmol/L 或 HbA1c≥6.5% 提示糖尿病。
• 推荐动作：生活方式干预、启动降压药、启动二甲双胍、转诊、复查周期。

知识化的产物不是一段文字，而是一组带条件、带优先级、带动作的结构化规则。它必须能被规则引擎解析，也能被人复核。

二、规则引擎与决策表

规则引擎负责“匹配条件、触发动作”。主流做法有两种表达：产生式规则（IF-THEN）和决策表（条件行 × 动作列）。产生式规则灵活，适合复杂嵌套；决策表紧凑，适合阈值明确、组合有限的场景，且便于临床专家逐行核对。

以高血压合并糖尿病的初始治疗为例，可写成如下决策表（示例参数，仅用于教学）：

决策表的每一行就是一条可执行规则。引擎按优先级从高到低匹配，命中即触发动作，避免多条规则冲突。若同一患者同时命中 R1 与 R3，优先级保证只执行 R1。

三、临床逻辑模型与知识图谱基础

规则解决“单点判断”，临床逻辑模型解决“多病共存、时序演进”。它把患者状态建模为状态机：未诊断 → 已诊断未治疗 → 治疗中未达标 → 治疗中达标 → 并发症期，每个状态迁移由规则触发。这样，CDSS 不只看一次血压值，而是看患者处于哪个阶段、下一步该做什么。

知识图谱则把“疾病—药物—检查—禁忌—并发症”连成网络。例如节点“糖尿病”连向“二甲双胍”“eGFR”“乳酸酸中毒风险”，当患者 eGFR<30 mL/min/1.73m² 时，图谱可沿边推导出“二甲双胍禁用”。图谱擅长表达关系与推理路径，规则引擎擅长执行判断，两者常配合使用：图谱提供候选关系，规则引擎做最终裁决。

四、实战：把一段指南变成可执行规则集

假设指南原文为：“对合并糖尿病的高血压患者，若 SBP≥140 mmHg 或 DBP≥90 mmHg，推荐启动 ACEI 或 ARB；若 eGFR<30 mL/min/1.73m²，禁用二甲双胍；未达标者每 3 个月复查。”知识化过程分四步：

1. 抽取条件：SBP、DBP、糖尿病标志、eGFR。
2. 定义阈值：140、90、30。
3. 绑定动作：启动ACEI/ARB、禁用二甲双胍、3个月复查。
4. 设定优先级：禁忌规则优先于用药规则，避免“先开药再发现禁用”。

写成产生式规则（伪代码，示例）：

rule R1:
  when SBP >= 140 or DBP >= 90
   and has_diabetes == true
  then recommend("启动ACEI/ARB")
  priority 1

rule R2:
  when eGFR < 30
  then contraindicate("二甲双胍")
  priority 0   // 最高，先于用药规则

rule R3:
  when target_not_reached == true
  then schedule("3个月复查")
  priority 2

引擎执行时，先跑 R2 做禁忌筛查，再跑 R1 做用药推荐，最后 R3 安排随访。这样，一条指南片段就变成了可执行、可审计、可版本管理的规则集。

五、结果如何判断

规则集是否可用，看三个信号：一是覆盖率——指南中可结构化的条目占比；二是冲突率——同一患者命中多条互斥规则的比例，应通过优先级或互斥条件降到接近零；三是可解释性——每条推荐能否回溯到具体规则ID和指南出处。以示例规则集为例，若 100 例模拟患者中 92 例能命中至少一条规则、冲突仅 2 例且均可由优先级消解，则说明知识化基本达标。

规则引擎、决策表、临床逻辑模型与知识图谱并非互斥，而是分层配合：决策表负责阈值明确的单点判断，规则引擎负责执行与优先级调度，逻辑模型负责时序与状态迁移，知识图谱负责关系推理与禁忌发现。把指南片段按这四层拆解，CDSS 才真正具备“可执行”的临床知识底座。