临床决策支持系统（CDS）随时间演变的接受度与使用影响因素：一项系统性综述

为解决临床决策支持系统（CDS）在医疗机构中长期应用效果不佳的问题，研究人员通过系统性综述分析了67项研究，揭示了CDS早期、中期和长期使用中的关键影响因素。研究发现，系统实用性（如设计质量、工作流兼容性）和用户个体因素（如自我效能）随时间动态变化，而工作流程适配性和数据质量是持续挑战。该研究为CDS的阶段性优化提供了循证依据，对提升医疗AI工具的可持续应用具有重要意义。

　　

在数字化医疗快速发展的今天，临床决策支持系统（Clinical Decision Support, CDS）被誉为提升医疗质量和安全的重要工具。然而现实却充满矛盾：尽管CDS能减少用药错误、优化诊疗流程，但临床医生的实际使用率仅为34.2%，大量系统最终沦为"电子摆设"。这种"高期待、低采纳"现象背后，隐藏着一个关键问题——现有研究大多将CDS使用视为静态行为，却忽视了技术和用户需求随时间的动态演变。正如老话所说："罗马不是一天建成的"，CDS的成功应用同样需要经历从初识到熟练的成长过程。

悉尼大学数字健康中心的研究团队敏锐捕捉到这一研究空白，他们开展了一项开创性的系统性综述，首次从时间维度解析CDS接受度的影响因素。通过分析2007-2024年间67项研究数据，团队发现CDS的采纳过程犹如医疗版的"七年之痒"：初期关注系统性能，中期纠结工作流适配，后期则面临用户倦怠。这些发现发表于《npj Digital Medicine》，为破解CDS应用难题提供了全新视角。

研究采用系统性文献综述方法，在五个数据库（MEDLINE、Embase等）中检索2007-2024年的相关文献，最终纳入67篇符合标准的研究。通过混合方法评估工具（MMAT）进行质量评价，并运用实施科学领域广泛采用的"整合实施研究框架"（Consolidated Framework for Implementation Research, CFIR）对影响因素进行归类分析。研究特别关注不同时间节点（0-6个月、7-12个月、1-2年、2-5年、5年以上）的数据特征，以揭示CDS接受度的动态变化规律。

结果
研究特征与方法
纳入研究主要来自美国（38篇）等17个国家，评估方法包括问卷调查（52%）、访谈（33%）等。最常研究的CDS类型是药物管理警示系统（14篇），45篇研究评估基于规则的CDS，13篇研究AI/机器学习系统。

随时间变化的影响因素
132个独特因素被归纳为CFIR六大领域。研究发现：

• 干预相关因素（如系统实用性）在所有时段均占主导（44%）
• 工作环境因素（如流程适配性）在1年后凸显（29%）
• 效果感知在首年最显著，个体因素（如自我效能）在6个月后增加
• 5年后才出现针对系统局限的应对策略

关键时间节点特征
0-6个月：系统性能和工作流中断是主要障碍（占障碍总数的54%），而效率提升是最强促进因素（75%）
7-12个月：数据准确性担忧浮现，用户开始发展应对策略
1-2年：组织变革（如电子病历更新）引发新的适配问题
5年以上：用户形成"人机协作"模式，结合临床经验判断CDS建议

讨论与结论
这项研究首次绘制出CDS接受度的时间图谱，揭示了三个重要规律：首先，某些"早期预警信号"（如工作流冲突）若不及早处理，会持续困扰系统使用；其次，用户对系统的理解呈现"学习曲线"，后期更善于平衡CDS建议与临床判断；最后，效果感知存在"淡出效应"，使用1年后即很少被提及，提示评估时机的重要性。

这些发现对医疗信息化实践具有多重启示：在实施初期应重点优化系统集成和工作流设计；中期需建立持续培训机制应对人员流动；长期则需要定期"系统健康检查"以发现潜在问题。研究同时呼吁改变评估范式——从"快照式"评估转向全生命周期监测，这为医疗AI产品的迭代优化提供了方法论指导。

值得注意的是，该研究也存在一定局限：多数证据来自高收入国家，且缺乏纵向追踪数据。未来研究可结合实施科学理论，开发针对不同阶段的干预"组合拳"。正如作者Melissa T. Baysari团队强调的："理解CDS使用的动态本质，是打破技术采纳瓶颈的关键一步。"这项研究不仅为CDS优化提供了路线图，更开创了医疗信息技术评估的新范式。