临床决策支持系统，即CDSS（Clinical Decision Support System, CDSS），一般指凡能对临床决策提供支持的计算机系统，这个系统充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式改善和提高决策效率的系统。
CDSS是提升
医疗质量的重要手段，因此其根本目的是为了评估和提高医疗质量，减少
医疗差错，从而控制
医疗费用的支出。临床医生可以通过CDSS的帮助来深入分析病历资料，从而做出最为恰当的诊疗决策。临床医生可以通过输入信息来等待CDSS输出“正确”的决策进行选择，并通过简单的输出来指示决策。
然而，新的CDSS实现辅助决策的理论主要关注于临床医生与CDSS之间的互动，以便于利用临床医生的知识和CDSS对医学知识的
系统管理，更好地分析患者的信息，这样的作用较之于人或者CDSS系统本身具有更大的优越性。尤其是CDSS可以提供建议或输出一组相关信息以便临床医生浏览参阅，并可以选择出有用的信息而去除那些错误的CDSS建议。
另一个重要的CDSS分类系统是基于它被使用的时机。医生利用这些系统来提供服务以便于在他们处理病人时得到帮助，即被使用的时机为诊断前、诊断中和诊断后。利用诊断前CDSS系统，医生可以完成对疾病的初步诊断。而在诊断中的CDSS系统则可以帮助医生回顾并筛选出初步诊断，以便完善最终诊断结论。诊断后的CDSS系统可以用于挖掘病者与其既往医疗信息、
临床研究之间联系的资料以便于预测其将来的健康问题。
AMIA指出，CDSS对临床的干预分为五种，即警告、提醒；信息按钮；成组医嘱（医嘱套餐）；
文档管理和格式；相关数据表达。
大多数CDSS由三部分组成，即知识库、推理机和人机交流接口部分，知识部分依赖包括编译信息的规则与联系，通常采用IF-THEN规则来存储和管理知识。例如，某一系统用来研究药物之间单位相互作用，规则是如果服用X药物与Y药物，那么（THEN）服用者需要注意或者警惕什么。如果采用另一种方式，高级使用者可以编辑相关知识库里的规则，从而用于其它新药的研究。推理机部分是知识库的知识与患者信息整合、比较、分析的引擎。人机交流接口则允许将结果显示给使用者，同时也可以作为系统输入。
基于非知识库的CDSS系统多采用
人工智能的形式，这种人工智能能在近年的CDSS研发中被称为
机器学习，可以允许计算机从既往经验中或是其他临床资料中获得知识。CDSS中常用的
机器学习算法包括逻辑回归、
支持向量机、
人工神经网络、深度学习等。
医学知识和疾病的复杂性导致了在设计CDSS时需要考虑非常多患者因素，同时新发表的
临床研究数以万计，质量参差不齐，如何将最高质量的证据用于CDSS是非常困惑设计者的事情。