大数据医疗(txt+pdf+epub+mobi电子书下载)

作者：徐曼,沈江,余海燕

出版社：机械工业出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

大数据医疗试读：

本书项目基金资助

序言

移动互联、智能传感器、云计算、机器人等新兴信息通信技术与信息感知方式的发展和变化，深刻地改变着传统医疗与健康服务模式。在这个过程中，医疗数据逐步开放，大数据带来的智能医疗和精准医疗开始涵盖更多方向，在临床操作的比较效果研究、临床决策支持系统、医疗数据透明度、远程病人监控、对病人档案的先进分析等方面发挥更多重要作用。同时，随着区域医疗、移动医疗、转化医学等新兴技术的应用和发展，电子病历、电子健康档案、转化基因、重症监护室中的临床监测数据，甚至可穿戴传感器感知的个人健康状态记录等数据都呈现出爆炸式增长。大数据已成为公认的资源，成为继劳动力、土地、资本、企业家之后的第五大生产要素。

将数据压力转变为数据优势，使数十亿条累积医疗数据成为医生诊疗时可随时调用的标准化医疗决策依据，成为提高诊疗效率、减少可避免的人为失误、缓解医疗资源分布不均问题的有效途径。数字驱动的鲁棒性决策

医疗数据是医生在以患者为中心的诊疗和治疗过程中产生的数据，医疗过程是一个生化过程，其产生的数据量巨大并以异构状态存在，数据特征维度高，且易受环境因素干扰。基于移动互联、医疗云平台的智能医疗系统中，以多态形式存在的数据将通过不同媒介呈现给医生，提高多模态医疗数据的融合效率，实现医疗数据的标准化传递，成为大数据医疗决策鲁棒性的重要问题，也是我国推动以数字化、个性化、一体化、协同化和知识化为特征的智能化医疗服务模式的关键技术保障，而智能决策方法本身也正在从追求计算速度逐渐转变为更多地关注多模态数据融合中的推理能力、效率与准确性，即鲁棒性决策。患者权利的崛起

患者的医疗决策更多源于其对医疗广告的反应方式，以及对医生的信任，信任对方会给出客观的医疗建议和实施适当的医疗程序。医生、医院和生命科学处于同一产业链上，在利益的驱动下，执行医疗程序的数量有增无减，过度医疗时常发生。患者希望了解更多的医疗知识，从而在治疗过程中掌握更大的决策主动权。

身处强大的社交网络时代，当遇到身体不适的时候，患者也许并不会第一时间到医院就诊寻求专家的意见，而是会将症状作为关键词进行网络搜索。Google表示每天有数百万用户来搜索他们的症状，甚至搜索量占到了所有搜索条目的1%。Google和哈佛医学院以及马约诊所的科研专家进行了深入合作，以实现精准医疗信息检索。大规模的信息共享使得消费者权利正在崛起，患者拥有了选择的权利，拥有了选择的智慧，会带着问题及答案去寻求医生的帮助。大数据与Web3.0带来的精准、科学、合法的医疗信息检索服务将帮助患者了解病情，提高医疗的精准咨询，提高患者的知情权。同时这也使得自助医疗、家庭医疗有了实现的机会。架构智能医疗平台

自1978年Sridharam首次提出采用人工智能方法解决生物医学问题到2007年荷兰的国际医学人工智能会议（AIME）正式宣告“智能医疗时代到来”，历经几十年的发展。众多国际知名研究机构/实验室，如麻省理工临床决策实验室、哈佛麻省理工健康科学与技术部、约翰斯·霍普金斯大学医学院以及斯坦福大学生物医学信息研究中心等，其研究领域均涉及运用智能算法如模糊逻辑、神经网络，使医疗决策系统的诊断能力最大限度地逼近专业高水平医师的诊断能力。“智慧地球”之智能医疗体系的倡导者IBM一直致力于将智能机器人沃森（Watson）用于重大疾病辅助诊断。人工智能、大数据与互联网的结合，产生了智能医疗服务平台，它链接了以往医疗专家间、医院间的信息孤岛，使得处于不同时空的医生得以在同一平台上开展科研协作，寻找治疗突破，互利共赢。

为此，本书从临床医疗数据获取和传递、知识表示、学习推理和鲁棒性决策的系统结构出发，以工业工程、认知科学、人工智能、信息论、证据推理等为理论基础，深入地揭示了大数据驱动的医疗与健康决策的机理及其在临床诊断过程中的实践。应用“智能病人”机器人、医疗人体数字化仿真系统模拟医疗动态决策集，与临床诊断结果比较研究，为多层次医疗决策者提供智能决策支持，为大数据驱动的医疗鲁棒性决策提供科学依据。

全书包括上篇和下篇两个部分，共22章。上篇包括第1～11章，梳理数据驱动的智能决策理论；下篇包括第12～22章，整合智能医疗决策实践案例，以大数据医疗智能决策为主题，适合医生、医疗机构管理者、医疗政策研究人员、智能医疗产业开拓者与运营管理人员、互联网医疗平台的开发者与设计者、智能决策研究者及计算机领域的专业人士阅读。

书中所涉及的全部理论与实践研究内容得到了国家自然科学基金项目基于鲁棒性原理的医疗决策系统品质与效率研究（NO.71171143）、基于异构数据融合的智能医疗临床决策证据推理研究（NO.71571105）、基于CBR/RBR融合模式的医疗决策代价敏感性研究（NO.71201087）、基于变分证据推理的多尺度决策的病例类别推荐研究（NO.7160010405）、天津市科技支撑计划重点项目采用多传感器信息融合的嵌入式心脏病急救智能集成系统（No.09ECKFGX00600）、天津市应用基础及前沿技术研究计划：基于感知过程的复杂系统信息融合理论与应用研究（No.10JCYBJC07300）、深圳富士康科技集团科技基金项目医疗决策效率与品质提升研究等多项基金及计划的资助，凝聚了科研团队近十年的研究心血与成果。感谢南开大学商学院对本书出版的支持，感谢天津大学朱盼盼、甘丹、康宁、张号乾、王艺潼同学为本书的编辑、出版付出的辛勤工作！

在不远的未来，以大数据、云计算、移动互联、人工智能为技术支持所构建的智能医疗服务平台将成为医生的重要工作伙伴，为医生推荐准确的诊疗方案，提供诊疗工具，架构全员、全数据、全流程管理型医疗数据库，并为全面降低误诊漏诊率，减少医疗不良事件的发生，缓解医患矛盾，提升患者满意度，提高普遍医疗水平，解决我国医疗资源匮乏与区域分布不均衡等问题与矛盾做出贡献。Web3.0及大数据处理技术、人工智能技术在理论及应用领域的迅速发展，智能医疗、互联网医疗、医疗信息检索产业发展迅速，已成为一片广袤蓝海，凸显理论研究重要性的同时，产业界的资本投入也在不断增加。

作者

2017年1月于南开园上篇  基于认知计算的智能医疗决策第1章智能医疗的兴起

大数据互联网环境下，数据驱动的医疗与健康决策发生了新变化，数据处理技术、人工智能技术及模式识别技术的发展为医疗与健康服务带来了变革和创新。1.1　人工智能带来全新的医疗体验

自1985年美国新英格兰医疗中心提出并应用临床路径（Clinical ［1］Pathway，CP）方法以来，医疗卫生部门一直在寻求医疗技术与工业工程中标准化方法相结合的手段，规范医生诊疗行为与过程，提高诊疗效率与精确性，减少医疗事故和失误的发生。随着信息技术，特别是人工智能的发展，理论界开始将认知科学中的理论与医疗相结合形成专家系统、管理信息系统等，用于组织管理与辅助决策，开始了医疗专家系统、医学人工智能（Artificial Intelligence in Medicine，AIM）的研究。CP向医疗辅助决策支持系统，进而向更专业的临床决策支持系统（Clinical Decision Support System，CDSS）转变需要医学诊断统计、智能检索方法以及本体论等领域的协同发展，以支持复杂临床领域不确定性条件下的推理过程。这个转变过程，最大的挑战是准确的知识表示、精确的数据匹配，以及信息与流程的一体化。在AIM医疗辅助决策支持系统的研究中，几个具有里程碑意义的研究包括世界范围内具有重大影响的Prote′ge′在斯坦福大学AIM的研究成果［2］

、基于知识发现的机器学习和数据挖掘以及时间表示及推理等，而医疗辅助决策系统中真正的关键问题在于一体化的知识共享。1.2　大数据催生精准医疗

在互联网环境下，海量数据的原始积累变得更容易。随着移动互联、智能传感器、云计算、机器人等新兴信息通信技术与信息感知方式的发展，数据驱动的智能医疗涵盖更多方向：临床决策支持系统、医疗数据情况检索、远程病人监控、病人档案分析等，有效地降低了医疗失误以及可避免的伤害。临床操作的比较效果研究通过全面分析病人特征数据和疗效数据，比对多种干预措施的有效性，找到针对特定病人的最佳个性化治疗途径，提高医师的治疗效率、降低病人医疗成本和身体损害。哈佛商业评论指出，数据驱动的智能医疗服务将整［3］合证据和价值，为医者、患者和社会提供全面服务。［4］

国际数据公司提供的数字研究报告显示，仅2011年全球创[1]建和复制的数据量已超过1.8ZB，如果数据增长趋势遵循新摩尔律，即全球数据量每两年翻一番，则2020年数据量将高达近30ZB。以麦［5］肯锡的预测报告为例，2012年医疗服务场所的数据总量约为5000PB，2014年存储的医疗影像归档、电子病历、医学研究信息、住院记录等文件存储达到近10000PB。数据驱动决策的开发与应用已经在医疗服务、制造业、物流、零售业、金融业等行业广泛展开，形成了巨大的社会价值和产业空间。在数据已成为公认资源的背景下，由数据驱动的智能决策成为管理科学中的一个热点研究方向，数据驱动的医疗决策及智能医疗也成为互联网环境下的重要理论及应用领域。[1] 数据存储单位：1ZB=220PB；1PB=1024TB=220GB=253Bit（比特）。1.3　均衡医疗资源，减少医疗事故

我国医疗资源相对匮乏，且区域分布极不平衡，这已成为制约我国整体医疗救治水平的最大问题，也是医患矛盾产生的重要原因之一。据国际卫生组织2013年统计，我国每万人医生数为11.6人，每万人护士数为15人；北美每万人医生和护士人数分别为20.1人和71.5人；欧洲每万人医生和护士人数达到33.3人和81.2人。同时，医疗资源区域分布不均衡，优质医疗服务资源集中在一二线城市，农村地区虽然人口比重大，但医疗资源严重匮乏。此外，人口老龄化对医疗资源的配置提出了新要求，预计2020年和2050年，中国60岁以上老人将分别达到2.34亿人和4.37亿人，所占人口比例将分别超过16%和30%；［6］预计导致医疗费用2010~2030年年均实际增长约5.2%，庞大的患者诊疗需求和医疗资源相对不足形成巨大矛盾。在治疗过程中，不恰当治疗造成的不良事件频发，医患关系紧张，彼此缺乏信任。2002~2012年，针对医务人员的暴力事件平均每年增长23%，每家医院平均每年有27起袭击医务人员的事件发生。即使是在医疗领域发达的美国，每年也有近一半的人受到不恰当的治疗；超过200万人受害于医院感染；超过100万人在外科手术中遭受致残的并发症，而其中有一半是可以避免的。

以上海为例，数据驱动的诊疗方案推荐帮助医生快速获得病人的［7］健康信息，医疗重复检查率从80%降低至30%。上海市卫生局信息中心正在运行基于云的、高效率、高并发健康信息搜索及智能提示系统，形成覆盖全市公立医疗卫生机构的病例检索服务。通常，每位医生每天面对数百位病人，对于每个病人的诊断只有几分钟。智能医疗系统为医生提供快速病历检索，使其更准确地诊断，工作更有效率。

德勤咨询公司发布的《2020年健康医疗预测报告》显示，2014年中国13亿人口中健康医疗支出占总支出的23%，预计到2020年，健康医疗支出占总支出上升到32%，2005~2015年间中国因疾病而导［8］致生产力丧失将累计给中国造成5500亿美元的经济损失。为此，我国开始从政策上重视大数据这一基础性资源的利用，逐步加大对医疗大数据产业发展的投资。2015年8月国务院通过《关于促进大数据发展的行动纲要》，优先推动医疗等民生领域政府数据向社会开放，使更多的优良医疗资源可以数据共享、渗透到社区与乡镇，解决日益增长的医疗需求与医疗资源不足的矛盾。传统的医疗卫生系统每天面临海量数据冲击，数据压力如何转变为数据优势，使得数十亿条医疗数据成为医生在诊疗时可随时调用的判断依据，有效地提高诊疗效率成为当前智能医疗领域的重要任务。大数据的有效利用带来的全新医疗服务模式，使美国医疗保健行业成本降低约8%，每年节省多达3000亿美元；欧洲发达国家的政府也节省了至少1000亿欧元运作

［9］成本。基于智能传感的医疗数据感知过程通过眼镜、手表、手环［10］等可穿戴设备，以及移动终端等便携设备实现，同时也对知识解析、机器智能与人工智能分析系统的融合能力提出了更高要求。

基于知识的智能决策系统以决策“供给”与“需求”间的相似度和匹配规则形式提供决策结果，与传统的“信息过滤式”决策过程相比，更适应多源异构数据的输入环境，以个性化方式引导用户在海量候选项中迅速找到符合需求条件的输出结果。临床医疗决策将临床决策与临床比较效果分析过程中产生和使用的多源异构数据作为资源。这些数据构成复杂，既涉及多种监护设备获取的患者生命体征参数，又包括医生的诊断信息、患者的病例信息等，数据量大且以异构状态存在，医疗信息间的交互与反馈实时发生，呈现出动态性特征。同时，医疗决策信息节点复杂，信息链相互交织，形成网络化结构，不断发生信息的传递与反馈，形成多任务互动过程。数据分析的兴起改变了云计算的发展方向，逐渐形成以分析即服务为主的数据驱动决策，关注焦点也从计算速度逐渐转变为异构数据融合中的推理效能，即鲁棒性。鲁棒性是评估深度不确定环境下候选方案的重要准则。鲁棒决策方法充分考虑不确定性和假设条件，以获取适应不同决策环境以及对［11］不确定性不敏感的决策方案。对于医疗决策系统，鲁棒性指当决策系统数据具有不确定性（如呈无序状态等）时，仍能够保持较高［12］的推理准确度和灵敏度的能力。知识融合推理的研究呈现出两大趋势，即大数据分析研究和机器学习模型与算法研究。知识推理正成为现代组织管理以及商务智能领域的重要课题，近年来，在管理科学顶级期刊如Management Science、Academy of Management Review和MISQ等中，发表了大量有关大数据驱动的融合推理相关文献，如信息处理与检索、智能化决策、推理系统效率和个性化服务等。随着信息通信技术理论与方法的进一步发展创新，基于大数据的融合推理作为一种决策支持技术，与具体的管理与决策实践相结合，增强决策过程的鲁棒性。1.4　全员、全数据、全工作流医疗数据

大数据促使医疗诊断专家、患者群体及其他人员，从以管理流程为主的线性决策模式逐渐向以数据为中心的扁平化决策模式转变，使得以患者为中心的医疗决策中各参与方的角色和相关信息流向更趋于［13］多元和交互。医疗数据是医生对患者诊断和治疗过程中产生的数据，患者成为医疗数据的主要来源，医疗决策过程是一个生化过程，其产生的数据量巨大并以异构状态存在，数据特征维度高，且易受环境因素干扰。当人体被数字化时，整个医疗决策过程构成了一个复杂［14］的数据系统。医疗数据资源包括四大空间资源，即医疗领域资源（如电子病历、医学影像、临床检验、医患行为等）、行业相关数据资源（如医保政务、医学文献等）、学科相关数据资源（如生命科学、人口学、环境科学等）、互联网数据资源（如互联网、社交媒体等）。医疗数据资源具有四大系统性特征，即多维度、多态性、动态性、不确定性。（1）医疗决策系统中既包括承担不同任务与职责的实习医生、灌注师、临床工程师、护士、护工等人员数据，还包括医学文献、专家临床经验，病例记录、检测报告、病理图像等多维患者生命体征数据，以及除颤仪、单导联心电图等监护设备获取的体征参数数据。多参与者、多任务和多设备构成了多源多层数据，在决策子空间中形成多维度特征。（2）医疗决策数据包含多个数量有限且满足离散和相互独立特性的病例、数据属性互相冲突的病例以及数据属性权重和量纲的不同的病例，形成多态性，是影响数据驱动的医疗决策的关键因素。（3）医疗过程的各决策子空间数据具有随机性、模糊性、不完全性和不一致性等特征。例如由外界干扰引起的患者生理及心理的瞬时变化对体征数据的影响，以及医护人员医疗水平差异、技术局限，病理实验参数误差，医疗仪器、设备的数据误差等，这些隐性的、随机的或不可控的因素，导致了医疗决策中存在抗干扰、容错和消除冗余等问题。

数据驱动的决策由于感知环境和技术的发展，在数据量、数据复杂性和产生速度三个方面，均超出了传统的数据形态和现有技术手段的处理能力。由于数据资源与时间、空间资源不同，往往数据越多，决策过程越复杂，需要对数据进行知识解析才能完成机器智能与人类［15］智能协调作业。当基于移动互联、医疗云平台的智能医疗系统建立后，用于医疗临床决策的数据输入量激增，且均以异构形式存在，包括电子病例信息、医疗专家经验、患者实时病理数据等，多源异构数据的融合效率成为制约临床决策精确性的关键。1.5　医疗与健康决策支持

从决策科学角度分析，决策是大数据管理与分析的重要目标。1748年，英国哲学家大卫·休谟发表了《人类理解论》，指出推理是人［16］类知识的基础。赫伯特·西蒙认为事实本身具有暂时性和理论负［17］载的特点，所以归纳是建立在不稳固基础上的，但对于科学研究来说，归纳是从具体事实出发到达普遍定律所必须依赖的推理过程［18］，常通过包含大量感知观测值的数据来做决策。从系统工程角度分析，则是将整个决策过程中产生和使用的各种数据、参数和知识等作为决策数据资源。商业智慧和分析用现代数据仓库技术、在线分［19］析技术和数据展现技术进行数据分析以实现商业价值。在时空异构下，决策者常根据决策期间内不同时间尺度，对多层级的决策状态相关的数据进行融合推理，如在企业的组织层级决策中，制定运营决策，如确定每日生产数量或实时健康状态监测和更高层级决策［20］［21］，如每周/月生产规划或患者一段时期内的健康状态等。

从信息融合角度分析，拓展数据分治策略，融合推理海量的结构化、半结构化和非结构化数据，获得分析和预测结果即为大数据驱动的决策。存储的海量数据构成复杂，信息量大且以异构状态存在，决策数据间的交互与反馈实时发生，呈现出动态性系统特征。伴随着这些数据的感知、集结、传输、处理和应用的是数据分析和管理技术。同时，感知数据的传感器节点分布广泛，提供决策问题的数据链相互交织，形成多决策行为、多决策任务的网络化结构。从机器学习角度分析，为更好地利用数据中的隐含价值，理解并且模拟人类的学习和决策过程、对片段证据信息进行推理，传统的机器学习模型和算法面［22］临着新的挑战。如何提出新的决策推理模型和算法，以适应大规模数据下的理解并且模拟人类的学习过程，是数据驱动决策的一个关键问题。

医疗决策研究涉及多领域科学交叉，包括决策科学、人工智能、［23］复杂系统、行为科学、医疗信息工程、经济学、健康管理等。根据每个患者的需要，医疗决策包括诊察、预测和治疗。在整个医疗体系中，这些决策会贯穿患者整个医疗保健系统的不同阶段。一方面，当面临危及生命的情况，如心脏病发作时，需要做出快速决策；另一方面，对于糖尿病和高血压之类的慢性病，则有较宽松的时间尺度来决定药物配置。时间因素会影响诊断决策支持技术的应用，当时间因素非常重要时，正常的决策支持机制将失效。

健康管理过程可以看作一个简单的反馈决策过程，是医疗诊断不可分割的一部分，临床决策者接受有关患者状态的数据和信息，并利用相关模型把这些数据和以往的数据以及期望的患者状态做比较，然后做出一个适当的决策行为，随后由其他健康医疗队的医护人员执行决策方案，结果体现为患者状态属性的改变，可能是有关反映测试或调查的知识诊断状态，也可能是介入治疗痊愈后的状态。通过信息系统反馈，决策者可以及时地进行观察和更新，医生从该过程中学习并提高业务水平。

医疗与健康的决策支持过程构成了医疗决策和健康管理的复杂系统链（Complex Chain of Medical and Administrative System，［24］CCMAS）。其中，决策是医疗系统的基本控制单元，决策系统是具有中等数目、基于局部信息做出行动的智能性、自适应性主体系统，其构成因素纷繁复杂；同时，决策过程中的约束条件及目标多存在不确定性及信息的不完全性。在急救医疗过程中如何从管理科学角度减少可避免的不良事件发生，保障患者安全，提高各级医疗机构的医疗品质与效率，一直是美国等发达国家医学理论界与实务界的重要研究课题之一。如Department of Anesthesiology/Critical Care Medicine，Johns Hopkins University School of Medicine，哥伦比亚大学生物医学情报专业的决策与认知实验室，哈佛大学医学院等，在近年的医学与卫生系统管理领域均展开了大量关于如何提高医疗品质与效率减少医疗过程中可避免的不良事件发生，以提高整体医疗决策系统鲁棒性的相关研究，从理论与实践角度寻找相应的解决途径。

从医疗工业工程、医疗人工智能、生物医疗数据工程、医疗服务价值整合等方面，将医疗决策支持的研究划分为四类：（1）医疗与健康资源管理与物流管理。使用医疗工业工程方法，从医疗服务资源、服务流程、质量安全等角度，提高医疗服务工作效率，降低医疗成本，提升患者满意度。代表性的研究机构和学者，［25］如佐治亚理工学院的医疗健康运筹管理中心Eva Lee等、法国矿［26］业学院的医疗系统运营研究中心X Xie等，使用运筹学系统建模、优化决策、动态规划、排队论等方法，提高医疗机构运作效率。国内［27］如上海交通大学江志斌等研究了医疗器械的使用和调度优化，使用有限时域的马尔科夫模型，实现了将有限的图像设备满足大部分患者在预期等待时间内完成诊断检查的决策支持。Salvendy、易树平［28］等研究指出，运用医疗卫生系统供应链管理等决策科学和技术［29］提高医疗系统的品质。四川大学罗利等研究了医疗服务资源调度与优化。（2）基于人工智能的医疗决策系统。使用心智计算等人工智能的知识表示和推理方法，从医疗数据的处理角度，提供医疗临床决策支持技术和算法，主要为知名大学的人工智能学者、大型公司的心智计算研究中心等组织机构成立的研究中心，如麻省理工学院（Massachusetts Institute of Technology，MIT）成立医疗人工智能的临床决策中心和计算生理学实验室，对个性化健康状态监控及诊疗决策支持、电子病历数据进行深度分析。目前，国际商业机器公司（International Business Machines，IBM）开发的沃森智能问答机［30］，研究通用型知识融合体系架构，确立知识融合功能模块，提出知识融合的技术结构；将分析非结构化数据和语音识别方法，使用多源信息进行数据驱动决策。（3）医疗与健康数据共享与知识利用。使用生物医疗数据工程方法，从医疗知识的收集和深度开发利用角度，发掘和共享医疗领域知识等信息，用于提供临床证据和医疗风险评估。主要由著名大学的医学院、国际医疗组织、大型医院等医疗机构，提供生物医疗数据工程研究，共享领域知识。MIT联合波士顿Beth Israel医学中心等建立了基于Web的复杂生理信号和生物医学信号研究资源平台PhysioNet。欧洲心脏病协会率先建立欧洲心脏手术风险评估系统；美国弗明汉心脏研究中心（Framingham Heart Study，FHS）开发了多种预测冠心病发病危险的模型和工具。哈佛医学院、哥伦比亚大学、梅奥（Meyo）医院等研究机构对电子病历、基因、蛋白质等医疗数据进行分析。国内，如空军航空医学研究中心联合北京大学成立健康工程研究中心。（4）医疗与健康价值链整合与管理。使用组织管理、社会学、［31］公共管理等研究方法，从医疗服务人员与医疗机构运营、医疗［32］信息披露与传播、医疗服务市场等角度，系统研究医疗与健康的服务价值链，高度整合与利用关键资源。研究医疗组织结构、信息技术创新与转化，以提升医疗系统效率和品质。主要为知名大学公共卫生学院、商学院等的医疗卫生决策研究中心，从信息系统使用、开发、创新、技术转化和实证分析等角度提出新的观点，并使用统计数［33］据进行验证。如哈佛大学商学院M.Porter等从服务价值角度研究医疗品质和效率提升；马里兰大学史密斯商学院从信息管理和医疗［34］服务市场等角度，研究医疗系统品质与效率提升；哈佛大学公共卫生学院对新兴流行病预测、传播分析和公共卫生事件危机管理［35］［36］及公共卫生数据资源共享机制建模及分析等进行研究。当前的研究从医疗与健康的资源管理与物流管理、人工智能决策与支持、数据与知识共享利用以及价值链整合与管理等角度，支持医疗与健康的诊断资源优化、诊断服务模式创新、诊断决策智能化等，创新管理理论与方法。现有医疗系统中诊断决策信息供需关系存在“鸿沟”，存在医疗健康信息查询需求与（数量和时间）有限的医疗诊断资源之间的矛盾，这影响到传统工业工程、系统工程等方法从管理角度提升医疗系统效率和品质的效果。

大数据驱动的医疗与健康决策支持能够充分利用数字医院信息以及无线感知的数据，为提升医疗决策效率和品质开启新的方向。（1）智能工业时代，医疗诊断决策智能性急需增强。在智能工业时代，数据驱动决策伴随着移动互联、智能传感器、云计算、机器人等新兴信息通信技术的发展，医疗的各个细分领域，从临床诊断、监护、治疗到远程医疗、移动医疗、慢性病监控等都将实现智能化决［37］策。医疗是智能眼镜、手表、手环等可穿戴设备最具前景的应［38］用领域。但是，正如Pentland等所指出的，可穿戴设备还未能够实现大规模推广和使用，是因为还未达到较高的智能水平。其关键在于从大规模数据中提炼高质量的决策知识，并提高决策过程的智能化程度。（2）符合中国数字化社区医疗国策，促进医疗诊断决策供给能力与需求平衡，开展远程医疗服务被列为国家医疗改革方向。李克强总理在2013年8月召开的国务院常务会议中明确提出可穿戴医疗设备厂商可通过利润分成的模式获得广大的客户群。我国患者众多，人口老龄化造成医疗需求的急剧增长。据世界卫生组织统计，2013年中国的诊疗人次和入院人数分别达到31.08亿人次和11483万人次。而我［39］国医疗资源供给严重短缺，分布极不均衡。据世界银行统计，中国医疗卫生资源仅占世界的2%，且集中于城市大医院。从经济学［40］角度看，医疗系统为供方（医师）主导市场，医疗需求具有明显的“趋高性”，患者不论自身经济支付能力如何，都更愿意到最高端的医疗机构就医，以获得最佳的医疗诊断信息，这加剧了医疗诊断决策信息需求量。为全面改善医疗效率和品质，在医疗资源相对较充足的美国，虽然已使用资源分配并从工业工程方法角度做了很多努力，但医疗系统的现有供需关系影响到这些方法的效果。我国计划在2020年前建成基本社区医疗保障体系和社区数字医疗体系，将涵盖［41］超过100000家医院或诊所。数据驱动决策的模式将为我国医疗供需缺口带来一片蓝海。（3）大数据驱动的医疗与健康决策支持提升传统医疗诊断决策质量。从临床实践层面看，医疗事故与伤害频发等矛盾的大量存在，反映出提升医疗决策诊断质量和提供鲁棒性决策方法的必要性与迫切性。临床推理和决策与许多其他领域决策的一个重要区别在于，它往往处在资料不完整并且在时间非常有限的情况下做出一项决定。当患者处于极度危险时，花费大量的时间和信息做出一个完整的决策是不现实的。急救医疗情况下，患者的生命健康状态会随时变化，任何决策的延迟都可能导致病情的进一步恶化，而且随时面临做出新决策的情况。诊断决策常用的推理方式为演绎推理（基于规则）和溯因推理（基于案例）。演绎推理使用一套获取或存储的规则，如果遵循该规则，就可能做出最佳的决策。比如症状Sym B是特征Feature A的结果。同时，归纳方法表明决策者不需要总是使用演绎规则；相反，决策者可以根据以往的经验甚至直觉做出决策和诊断。根据一系列的事实推导出最可能的答案即为溯因推理。如，根据临床医生的经验，大部分有特征Feature A的患者都存在症状Sym B。对比上述的两种推理形式，这两个过程以相反的思维工作。在实际诊断决策病案中，更多的情形是综合以上两种方法，常使用一套规则并结合经验和直觉进行决策，提升诊断决策质量。（4）大数据驱动的医疗与健康决策支持将革新诊断决策模式并提升效率。从医疗诊断决策进程看，医疗决策信息的需求方在传统医疗系统中常遭遇排队等待，并且在医疗决策信息提供者面对大量需求的情形中，决策环境要求医疗决策者在每位患者身上所用的时间是有限的，除非患者病情加重，医疗决策提供方才会优先考虑或增加时间。一般情况下，医疗诊断决策信息的需求方在诊断决策时间不增加或优先级不被提升时，在等待诊断过程中也产生了对查询信息的迫切需求，因此要求寻求更多的办法，以加快诊断决策进程。数据驱动决策即可提供这类平台，需求方（患者）可利用这类决策支持系统进行信息检索，对自身信息进行查询和管理，直接或间接提升医疗专业诊断决策的效率。（5）大数据驱动的医疗与健康决策提升医疗服务水平。智能医疗作为未来移动互联新的入口，关键在于硬件背后收集到的医疗云端数据。数据驱动决策的诊断决策支持技术将把医疗服务推向一个前所未有的高度。医疗理论知识与医生的实践经验作为向患者提供高质量诊断信息的决定因素，在医疗决策系统中发挥核心作用。实际中不仅需要解决医师在专业知识和诊断经验上的不足，还需要为医疗诊断决策方（如医生）和需求方（如患者）提供更多的决策支持，以解决我国当前医疗决策系统服务品质与效率不高的问题，使数据资源在提高全民医疗健康水平中发挥更大的作用。1.6　智能诊断的背后

数据驱动决策针对复杂决策环境（实体异构性、类别误标、部分信息等）对数据融合中知识推理的需求，从理论与实践上寻找数据融合过程中知识推理的模型和实现路径，提出新的推理模型和理论，以解决同时存在结构化的关系型决策数据库（经验决策数据）和非结构化的时态数据（序贯决策数据）的知识推理机理，提升感知数据对决策的信息价值，使得推理模型及策略在复杂决策系统中性能最佳，提高分类决策的鲁棒性。

技术的研究集中于多源异构数据融合中信息的不确定性、不精确性及其证据推理的研究，如基于置信度规则的推理、登普斯特谢弗（Dempster-Shafer，D-S）证据融合等，而对多源数据表中异构性实体的推理、多粒度数据的推理等理论与实践相关研究较少。从决策行为角度看，当前主要集中在给定完全数据的信息共享和推理上，尚缺乏对数据融合中推理过程的动静态决策行为相结合的研究，如决策环境感知的不完全信息、决策者对信息搜索过程中的决策状态变化等规律，特别是对医疗与健康决策支持的研究较少。为此，本书旨在：（1）构建复杂决策环境中数据融合的知识推理模型及机理。医疗与健康决策支持的信息源节点复杂，信息链相互交织，形成网络化结构，其间不断发生信息的传递与反馈，形成多任务互动过程［42］。研究对医疗决策系统中的多元异构信息进行抽象与分类，形成同一空间内的统一知识表示，并实现融合推理是保证系统推理效率与鲁棒性的基础前提。研究知识融合方法，生成新的可用知识并对原有的知识元素进行优化。数据融合在一类诸如临床决策的复杂环境中，存在复杂多样化的决策情景，包括历史数据集中存在错误标识噪声干扰、决策数据存在单一尺度和多尺度、感知行为与决策状态动态演化等，这些因素使得数据融合的推理模型需要新的策略。（2）探索群决策下异构性实体数据融合中并行推理机制。揭示多源证据推理不同于传统决策方法的主要特征，对提供的异构性证据信息进行知识表示，梳理数据融合中群决策的推理机制面临的新难题、形成过程及原因。挖掘分类决策方法在异构性实体数据关联、信息共享的内在机理，在群决策多准则下提供一致性的、可解释性强的并行推理机制。在不确定情形下，处理外部不确定性和误差等因素对系统建模的影响时，一种行之有效且被普遍采用的方法是将这些不确定行为的量作为随机变量。这种方法在实际工程实践中经受了长期的、广泛的检验。推理决策过程中的模型误差、参数误差和外部不确定性量采用随机变量予以描述，在融合推理的稳态研究基础上，通过添加随机项建立知识推理的不确定性模型，分析不确定性带来的影响。（3）提供增强知识推理性能的鲁棒性决策方法和策略。由于复杂决策系统中信息源具有隐性、随机性或不可控性，因此其中所产生的信息表现出多维度、动态性和不确定性等系统特征。医疗决策系统兼具决策系统和医疗系统的特性。因此在医疗决策过程中克服系统的脆弱性，提高其抗干扰能力、容错能力，实现医疗决策系统的鲁棒性，成为决策系统理论研究的重要方向。分析数据融合中推理过程的感知变量（决策行为），放宽静态知识推理方法中完全信息的约束条件，将其拓展到动态过程感知中的决策模型。提出在不完全信息的决策环境中过程感知的序贯决策方法，改善决策者在信息搜索过程中的决策状态转移、可信度更新等动态规律。将完全信息、不完全信息的知识推理模型相结合，为决策者提供可解释性强的决策证据信息，提供鲁棒性决策方法和策略。（4）揭示临床决策中知识推理的分类机理并提供智能诊断工具。结合决策领域知识，如医疗诊断数据和决策行为信息，揭示解释医疗诊断决策行为、过程感知的决策状态演化。将决策信息需求者从复杂的底层传感器、数据库与频繁的信息传递中解放出来，通过动态的知识推理模式辅助不同水平的医疗专家决策，提升非均衡的决策信息的共享水平，提升医疗决策品质。

建立数据融合的知识推理模型，丰富数据驱动决策理论，为讨论实体异构性、多专家并行推理、可信度估计以及多源证据融合下的决策准确性、可解释性和高效提供可能；多源、异构数据与多尺度的决策知识之间融合推理的静态结构与动态性能，为过程感知的决策鲁棒性研究提供了数学基础；深化数据驱动决策在案例与规则知识的融合推理机制，研究心脏病急救决策知识与信息的动态性能与静态结构，为解释医疗诊断决策行为、过程感知的决策状态演化，以及提升医疗决策质量提供数学理论支持。建立医疗决策推理的智能融合模型，完善复杂决策系统鲁棒性建模理论，为讨论时间约束及外部干扰等不确定性条件影响下的医疗决策准确性与可靠性提供可能。解决多源、异构性数据的可解释性分类决策问题，能够实现对医疗决策推理过程的详细描述，用数据融合中的知识推理模式指导决策实践；从过程感知数据的动态性角度，将多尺度决策理论和决策行为的度量方法与优化模型应用于数据融合的知识推理，并提出多专家共享的分块数据并行推理技术和工具；面向普遍存在的医疗专家知识稀缺与有限资源利用率不高的矛盾，提出具体解决方法和途径；结合人员生理数据，为不同决策水平的医疗决策者、非均衡的医疗决策系统提供智能决策支持，改善医疗决策信息共享信息系统的知识库和模型工具，提高应用软件系统的社会效益及经济效益。

知识推理已成为影响信息融合中决策品质的要因。与传统的数据分析相比，数据驱动决策的融合推理过程，其独特的数据结构和决策系统中广泛存在的数据感知和存储直接地影响到了管理人员的决策。面对多维异构实体信息、多专家并行推理、多准则可信度估计以及多粒度证据融合，数据驱动决策的鲁棒性机理研究的关键科学问题分解如下。（1）针对决策问题的查询案例，是否共享的证据信息都能用于分类推理。为利用案例库、规则库的数据提升决策价值，使用决策树等提取规则知识进行推理，获得推论为单点决策，因完全相同的案例可能不存在，并且当证据信息不断更新时，决策结果尚没有精确量化分类决策的各自分布，而存在一些局限性。同时，决策数据表的标识类别出现噪声干扰时，如何提升数据驱动决策中推理过程的鲁棒性；决策数据结构为多源时，如何对这些多个决策数据表进行融合推理；传统决策模型及其算法在决策数据增加时并不必然提升准确度。尽管先前的案例或规则的推理方法能够实现性能互补，但证据提供决策信息的能力存在差异，需构建模型寻找具有高可靠性、具有强解释能力的证据，并量化证据对正负类别标识的分辨能力。因此，提出新的知识推理框架、模型和算法，确定分类决策中的决策变量和控制参数，拓清解释变量、结论变量之间存在的多种显隐性逻辑关系。（2）针对多尺度异构医疗数据，是否需要构建新的CBR/RBR融合推理模式。基于案例推理（Case-Based Reasoning，CBR）与基于规则推理（Rule-Based Reasoning，RBR）的融合系统存在多种融合策略方法，能够在CBR/RBR之间实现性能互补。但为保证其能够发挥各自的优势，需要首先从融合空间的角度将CBR/RBR知识统一表达，明确界定知识源与目标问题之间的知识关联性，从而解决决策系统的决策鲁棒性问题，而此类研究在医疗决策系统中还存在空白。由于医疗决策系统具有不确定性、多准则性和复杂性等特征，且受到证据冲突和歧义性等因素的影响，所以CBR/RBR融合机理分析与建模具有相当难度，主要表现在：统一的数据空间结构下描述与分析映射关系；静态结构、动态性能及推理知识的传递规律；研究CBR/RBR融合推理机制。（3）针对多专家提供的多源数据集，如何融合异构性实体的证据信息。决策表的每一行实体数据对于查询案例具有异构性，因此可以有效地利用这些已有信息提供证据信息，对这些证据的分类决策功能进行建模。多专家群决策时，提供多源数据表、数据规模变大，传统的方法将所有历史数据融合为一个决策表进行推理，会使决策模型的算法运行时间更长，延迟了决策速度。如果将不断增长的数据舍弃部分，则将对结果产生不同程度的影响；若逐步删除先前存储的数据，会造成有限资源利用率不高。这些数据分块存储并蕴含稀疏的知识，需要根据这些观测值数据提供解释性变量，构建决策变量、决策目标、决策约束的优化模型，并将新提出的测量作为模型的输入矩阵。提出新的并行推理决策模型及在多数据表下的求解算法，解决各个决策表结论的融合中可能带来的冲突或不一致的证据。（4）多粒度数据中的特征量是否对决策状态带来一致的信息价值。决策系统常为时空异构系统，系统本身存在大量的带有时间标记的非结构化数据。对于多维度属性的时态数据，如何利用这些非结构化数据建立决策数据表，进而实现分类决策的推理。数据表的列和行组合增长，对传统的决策知识获取和信息价值度量方法提出了新的挑战。不同时间尺度下的数据特征量组合，加剧了数据维度的增长问题。因此，如何综合考虑决策时间与不断增长的数据规模等这些约束条件，以更好地处理这些数据并提出新的推理策略成为一项挑战。需度量不同时间尺度特征量的随机组合对决策状态获取的信息价值差异，并构建多层次的决策目标，揭示实体数据融合中的知识推理机制，并在多个候选方案中优选决策方案、推理模式和信息搜索方法。（5）针对过程感知的决策行为，能否使用证据链推理提升临床决策鲁棒性。决策系统中，属性变量获取方式为过程感知时，将传感器数据传递到融合中心，如何确定感知的决策行为，并动态更新推论的决策结构。决策者在各个阶段对当前状态的信息已知，但对于下一阶段的决策是主观感知模糊的，因此决策者关注如何使用历史数据进行信息搜索和知识推理，获取决策过程中各个时态的决策结构及状态。传统的方法主要将感知数据以并行方式进行融合，将这些数据视为完全信息，作为查询问题的硬性约束，而其中某一决策阶段中存在信息不完全、可信度低等现象，如医疗专家使用临床指南时会发现决策规则不够具体。因此，如何构建知识推理模型，同时考虑历史数据查询的先验知识及过程感知的观测值概率分布，放松完全信息查询的约束条件，将专家的经验知识和感知数据的状态转移信息集成，优化决策结构。不同水平的专家做出决策时，如何确定所依赖的过程感知数据的数量或可信度水平，以最佳利用知识推理的资源并提供鲁棒性决策。（6）针对医疗大数据信息价值不均衡，如何提升决策推理效率。医疗决策系统推理过程中存在信息不足或信息不完全、信息过量（复杂性）、推理证据存在矛盾或冲突、信息奇异性、测度不精、信度低、易受外界干扰等现象，同时知识共享水平低和人为失误等风险影响因素的存在，使得复杂医疗决策系统推理效率与准确性降低。针对决策大数据可能潜在的“低质量数据输入，低质量决策信息输出”的现象，为解决复杂性、不确定性和多准则性的医疗数据集结，实现“互联医疗/健康”（Connected Health），满足医疗系统本身对时间性、准确性和可靠性的要求，使医疗系统中推理效率显得尤为重要。

急救过程中，由于诊断决策的复杂性给推理过程带来结构复杂的冗余性问题，特别是推理知识处于无序状态时所产生的数据冗余性，形成了医疗决策系统的外部干扰，造成了系统脆弱性问题。解决方案之一是采取鲁棒性分析方法对系统的抗干扰能力、容错能力、冗余度等特征进行研究，其难点在于：在不确定信息条件下，如何对隐性非结构化知识进行表达和分析；这些干扰对推理的影响规律；系统鲁棒性准则群及目标模型的准则体系与协同优化。在不确定情形下，处理外部不确定性和误差等因素对系统建模的影响时，一种行之有效且被普遍采用的方法是将这些不确定行为的量作为随机变量。这种方法在实际工程实践中经受了长期的、广泛的检验。在心脏病急救决策中，在没有不确定性因素影响下，建立确定性稳健推理模型，然而实际心脏病急救决策中可能存在不确定性因素的影响，需要使用稳健随机混合法，将对外部干扰或模型误差等不确定性因素通过随机项进行描述，建立鲁棒性推理模型。（7）在智能辅助决策中，如何创造更有效的方法提升人机融合决策效果。不论是在医生看来的“医疗+互联网”模式，还是在大数据分析员看来的“互联网+医疗/健康”模式，因医疗诊断领域的知识具有隐性逻辑关系强、因果关系强的特征，医疗专家的经验和个人判断力在正确决策中起到关键性作用。同时，由于知识不确定性的增加、案例属性集变更、智能推理信息系统更新不及时等原因，导致智能推理解决问题的能力受到一定程度的限制，而人的思维在模糊、不确定和不明确的感觉信息中抽取信息的能力比较强，可处理决策中的非结构化问题。例如，心脏病急救决策具有严格的时间限制，其理想状态是在最短的时间内做出准确判断，一个有经验的专家可根据某些属性特征快速做出决策，而不需要机器进行全部案例搜索。因此，利用专家的主观思维模式对智能推理补充与修正，可以提升准确度，缩短决策时间。要保证决策准确性、及时性，在运用智能推理模型的基础上，需要考虑专家主观知识和形象思维的作用，将智能决策推理求解结果和医疗专家依靠本领域的经验知识和患者的实际情况，通过形象思维对分析决策求解的结果进行融合，即进行人机融合决策，实现决策结果的优化。

在大数据环境下，实现医疗鲁棒性决策需要解决的核心问题包括：（1）多模态数据的知识表示与聚合。医疗决策系统存在多参与者、多任务、多设备和时间约束等，实现跨地域、跨时域医疗信息管理与服务，决策数据呈现多源异构特征，包括电子病历系统、电子健康档案系统、医疗研究知识库、医疗社交网络平台以及不同的子系统与转化医学研究产生的实验数据等。这些不同来源的数据无论是从结构上（结构化、半结构化和非结构化）、组织方式上（医院运营数据、医生诊断数据和患者住院信息等）、维度尺度与粒度上都会存在巨大差异，即数据异构性，并且存在重复、交错、乱序、冲突和错误标识等现象。在空间维度上，海外医疗机构及国内三甲医院、社区医院和家庭医疗网络式服务提供跨地域异构信息；在时间跨度上，患者医疗健康信息将以全景式数据管理覆盖个体从出生到死亡的全过程。因此，如何对多源异构医疗数据进行表示和聚合，实现医疗数据实时分析及异构数据分治和信息共享，实现医疗决策推荐服务，成为医疗鲁棒决策理论和方法的首要问题。（2）基于多元异构数据的并行推理能量效率的稳定性。医疗数据由文字、数值、图像、音频和视频等多模态数据集成，既包括高频率、细粒度数据（如ICU中的监测数据），又包括人口统计学（Demographics）等低频率、粗粒度数据，形成海量的信号和数据流。多模态数据管理和并行推理除了要考虑时空异构、多源多维度、资源开销等因素之外，还需要考虑能源效率对决策推理的影响。医疗决策中海量数据通过不同的医疗采集终端进行实时数据采集，数据以流的方式进入系统，进行抽取和分析，并通过有效的计算和通信服务与采集终端进行数据动态交互，并在一定区域内实现医疗机构间医疗信息交换和共享，在多核、集群和中央处理器（Central Processing Unit，CPU）、图形处理器（Graphics Processing Unit，GPU）上进行数据传递和端云端的并行推理，各种设备和算法所消耗的能量差异巨大。为医疗决策者提供更好的长时间患者数据管理、评估患者病情及其他决策支持，能源效率的不稳定性对于实时运行的每个时间节点产生影响，对数据密集型问题的储存和计算资源分配、并行推理模型和算法提出了新的挑战。如何利用采集的实时数据，解决多模态数据管理和并行推理的能量效率不稳定成为医疗鲁棒决策研究的核心问题。（3）有效消除医疗大数据中的冗余与干扰数据，提高医疗决策精度与效率。多模态医疗数据属性集源自不同的信息源，包含不同的多维属性集，且类别标识源自不同经验水平的专家知识，多模态数据对患者的生命体征进行分类，因对于检查、诊断等不同决策目标而具有不同的使用价值，且数据之间的隐私性、信息冗余性、安全性、异地分布和传输性能等约束条件，使得数据可用性价值不确定。同时，对所有临床监测传感器数据容易因信号质量低或噪声干扰等原因而易出现错误标识，使得从动态数据量中获取复杂的、非静态的特征量变得更加困难，进而造成易于丢失重要的生理信号趋势，甚至发生健康状态错误分类而频发错误警报。例如，ICU中实用多通道ECG、ABP、PPG等信号对患者健康状态进行监测而存在大量的错误报警。这种错误报警对医务工作带来混乱，因噪声干扰使得医务人员和患者都对报警产生松懈或减缓响应时间，从而降低了工作效率和医疗决策质量。此外，利用医疗文献、专家数据库和感知的数据，依据与疗效相关的临床、病理及基因等特征，设计分类决策算法，快速、智能地提取和优化候选群体的决策方案，解释病理生理模型和推断假设，是大规模医疗数据融合和实时处理的另一挑战。如何在保证决策者与医疗信息系统之间的可信交互上实现分类优化决策，提供价值不均的时态数据挖掘算法并用生理病理模型检验成为医疗鲁棒决策研究的前沿性问题。1.7　结构与特色

1.7.1　体系结构

本书包括上篇和下篇两部分。上篇包括第1~11章，主要为数据驱动的智能决策理论；下篇包括第12~22章，主要为智能医疗决策实践案例。第1章为智能医疗的兴起；第2章为医疗服务的品质与效率；第3章为智能医疗的本质；第4章为基于数据融合的知识推理方法，对研究主题进行建模要素分析；第5~11章构建理论模型和决策推理机制，为理论部分的核心章节。其中，第5章阐述了层次关联证据链推理的多属性群决策分类的理论，为后续章节奠定理论和推理框架基础。因在基于案例和规则的融合框架中，证据链为案例节点和决策树的层次结构，对于多源异构的决策数据，第6章和第7章分别阐述了基于鲁棒性阈值的CBR/RBR融合推理建模和基于贝叶斯网络的CBR/RBR融合推理机制与方法。前者使用融合空间矩阵的奇异值分解，从案例相似度、规则粒度和推理置信度等维度上确定了数据融合中知识推理的阈值；后者的目标是解决决策数据表中存在数据缺失等不确定问题。因证据链推理所使用的决策数据存在高维度、多时间尺度特征，对于大尺度数据，第8章阐述了同态推理空间下的互信息属性特征建模，对于小尺度（细粒度）的时态数据，第9章阐述了基于证据链推理和信息价值最大化的决策方法，解决了不同维度上的特征变量对分类决策带来的信息价值不均问题。又因在医疗诊断问题中，证据链为医生推理决策的证据网链结构，针对医疗大数据获取的分块化、碎片化特征，第10章和第11章分别阐述了实体异构性下多数据表证据链推理的决策机制和过程感知数据下证据链推理的可信度更新模型，实现了医疗决策多模态管理和数据分治。

下篇案例，第12章阐述了“智能病人”机器人与数字化人体仿真，给出了大数据驱动医疗与健康智能决策支持的硬件平台，为后续各章节案例分析奠定硬件基础。第13章为医疗诊断决策数据特征选择用例，分析了医疗急救过程中特征信息的获取过程，并通过特征选择进行实例分析。第14章为基于证据链推理模型用例，阐述了智能决策支持的软件结构、模块及验证方案，医疗诊断中的领域知识，一部分表示预定义的规则知识（如Framingham评估准则），作为临床指南或路径，指导过程感知的可信度更新；另一些规则是通过机器学习方法，如以C4.5决策树构建决策，形成新的规则集，实现CBR/RBR融合推理，即第15章的CBR/RBR融合推理用例，对上篇的案例与规则知识融合推理进行案例分析。第16章为不确定性数据融合用例，对医疗数据中常存在的缺失数据进行案例分析。第17章为多机构数据融合用例，采用多模式诊断决策分析，对上篇的多数据表进行了医疗诊断决策案例分析。第18章为心脏病急救流程优化用例，对心脏病急救流程进行详细分析。第19章为心脏病急救风险管理用例，分析急救中涉及的相关部门以及存在的风险。第20章介绍了智能医疗环境下的医疗与健康服务。第21章介绍了APP在医疗诊断中的应用。第22章为总结，对全书主要内容进行回顾，并提出了大数据驱动的医疗与健康决策支持发展的对策和建议。

1.7.2　特色与创新

对决策系统标识信息多源、实体信息异构的数据资源，通过新的

试读结束[说明：试读内容隐藏了图片]

下载完整电子书