《醫(yī)學(xué)決策支持系統(tǒng).ppt》由會員分享，可在線閱讀，更多相關(guān)《醫(yī)學(xué)決策支持系統(tǒng).ppt（80頁珍藏版）》請在裝配圖網(wǎng)上搜索。

第八章 醫(yī)學(xué)決策支持系統(tǒng),,第一節(jié) 概述,一、基本概念 決策支持系統(tǒng):以管理學(xué)、運籌學(xué)、控制論和行為科學(xué)為基礎(chǔ)，以計算機技術(shù)、仿真技術(shù)和信息技術(shù)為手段，針對半結(jié)構(gòu)化的決策問題，支持決策活動的具有智能作用的人機系統(tǒng)。,,醫(yī)學(xué)決策支持系統(tǒng):指將醫(yī)學(xué)知識應(yīng)用到某一患者的特定問題，提出具有最佳費用/效果比的解決方案的計算機系統(tǒng),,醫(yī)院信息系統(tǒng)的決策支持 醫(yī)學(xué)決策支持：醫(yī)療工作中的計算機輔助決策支持 管理決策支持：計算機輔助管理決策支持 決策支持基礎(chǔ) 統(tǒng)計學(xué) 數(shù)據(jù)倉庫 人工智能,醫(yī)學(xué)決策支持：臨床醫(yī)生經(jīng)常為病人的診斷、治療作出決定。這些臨床決定亦即臨床決策（clinical decision）。 決策（decision making）就是為達到同一目標(biāo)在眾多可以采取的方案中選擇最佳方案。 臨床決策支持系統(tǒng):指幫助醫(yī)務(wù)人員制定臨床決策的計算機程序。,,二、醫(yī)學(xué)決策基本過程,邏輯推理： 如A能推出B、B能推出C，則A一定能推出C。 由于醫(yī)學(xué)中沒有嚴格的規(guī)則，所以用得少。 歸納推理： 啟發(fā)式推理： 上一次推理得出的結(jié)論，做為第二次循環(huán)推理的前提，循環(huán)推理，逐步求精。,,臨床上的鑒別診斷： 不同的疾病為不同的概念集合，而不同疾病之間有很多交集。 鑒別診斷：區(qū)分交集部分的不同集合。,,決策分析的基本步驟： 供臨床選擇的治療方法有時很多，此時要篩除一些“劣”的決策，有利于下一步的分析。 確定各決策可能的后果，并設(shè)置各種后果發(fā)生的概率。 確定決策人的偏愛，并對效用賦值。 在以上三步基礎(chǔ)上去選擇決策人最滿意的決策，即期望效用最大的決策。,三、醫(yī)學(xué)決策支持系統(tǒng)的類型,建立目的劃分： 更好了解患者狀況的系統(tǒng) 試圖提供最佳的治療決策的系統(tǒng) 工作方式劃分 被動系統(tǒng) 半自動系統(tǒng) 主動系統(tǒng),四、醫(yī)學(xué)決策系統(tǒng)的功能,用藥指導(dǎo) 傳遞行政信息 醫(yī)師指令的餓自動評價 自動報警、提示和警戒 診斷幫助,五、 醫(yī)學(xué)決策支持的基本方法,（一）貝葉斯公式和決策理論 1）事件及其相互關(guān)系 必然事件：在一定條件下必須出觀的現(xiàn)象 不可能事件：在一定條件下必然不出現(xiàn)的現(xiàn)象。 隨機事件：在一定條件下，可能出現(xiàn)也可能不出現(xiàn)。,,“兩事件A,B中至少有一個出現(xiàn)”也是一事件，稱此事件為A,B的和，記作AUB; 事件“A1,A2,A3,….An中至少有一出現(xiàn)稱為Al，A2…An的和，記為Al UA2…Un。 若“n個事件A1,A2,A3,….An都出現(xiàn)也是一事件，則稱為A1，A2…，An的交，記作:A1∩A2∩…∩A n。,2）概率與頻率 概率:可用一個小于或等于1的正數(shù)P(A)來表示事件A出現(xiàn)的可能性,P(A)就稱為事件A的概率。 較大的可能性用較大的數(shù)字來標(biāo)志 較小可能性的就用較小的數(shù)字來標(biāo)志 頻率:當(dāng)概率值不易求出時我們往往取頻率作為概率的近似值，頻率的概念比較簡單可以很方便地求出。,3）貝葉斯定理 條件概率: 有時除了要知道事件的概率P(A)外，還需要知道在“事件B已出現(xiàn)”的條件下，事件A出現(xiàn)的條件概率P（A|B）。例如，我們需要知道在某疾病B發(fā)生條件下，癥狀A(yù)出現(xiàn)的概率時就要計算條件概率 P（A|B）。,貝葉斯定理,n P(Di|S)=P(Di )P(S|Di)/∑ P(Di )P(S|Di) i=1 D1,D2,…Dn分別表示n種互斥的疾病,Di為第i個疾病; P(Di)為Di的先驗概率(疾病發(fā)生的概率)。 S為用于這些疾病鑒別診斷的某一臨床表現(xiàn)或檢驗結(jié)果的組合（癥候） P(S|Di)為疾病Di的癥狀S發(fā)生的概率； P(Di|S)為癥狀S提示疾病Di發(fā)生的概率（后驗概率）,先驗概率,表示醫(yī)生在具體診斷某患者前所掌握的疾病Di的發(fā)病情況。 P(S|Di)為在已知疾病Di條件下，各癥狀S出現(xiàn)的“條件概率”，即某臨床癥候A的可能性，它可以通過收集足夠數(shù)量的病例容易地得到。 P(Di|S）稱為后驗概率，表示在患者癥狀S出現(xiàn)時,患疾病Di的可能性。,對于兩個或更多個癥狀存在的情況，仍可用貝葉斯(Bayes)公式計算。在各個癥狀彼此獨立前提下，則各個癥狀同時出現(xiàn)的概率是各自單獨出現(xiàn)時其概率的乘積。因此假設(shè)各癥狀互相獨立，貝葉斯(Bayes)公式可寫為：,在運用貝葉斯模型時須要注意的問題 模型中j種疾病互斥，先驗概率之和要為l(即要構(gòu)成一個完整的疾病群). 先驗概率的確定。參考文獻報道和歷史資料統(tǒng)計頻率作為近似估計。 條件概率的確定。 用于鑒別診斷的癥候指標(biāo)是互相獨立無關(guān)的。 當(dāng)計算出各后驗概率P(Hj|A)后，作為臨床判斷的依據(jù)只有當(dāng)P(Hj|A)(j＝l，2，…,n)間差距達五倍以上時方可下結(jié)論，或是當(dāng)某一后驗概率值達0．85才下結(jié)論。,應(yīng)用舉例一: 如對某地區(qū)1207位闌尾炎思考的資料統(tǒng)計為表3-1。按慢性闌尾炎、急性闌尾炎、闌尾炎穿孔三類統(tǒng)計癥候頻率(腹痛開始部位、惡心嘔吐、大便、體溫、體征及體檢結(jié)果)。 若已知慢性闌尾炎H1、急性闌尾炎H2、闌尾炎穿孔H3發(fā)生的先驗概率分別為： P(H1)＝0.391 P(H2)＝0.493 P(H3)＝0.116 現(xiàn)有一闌尾炎患者、開始上腹痛，之后嘔吐，腹瀉，人院體溫37℃．全身腹肌緊張，壓痛，WBC(白細胞)數(shù)達19350。,顯然其癥侯為B＝B13B23B33B42B51B61B73 ,則 其P(Hj|B)(j＝l，2，3，4)的大小可通過公式算得。,其中，P(B|Hj)＝P(B13B23B33B42B51B61B73 |Hj) ＝P(B13 | Hj) P(B23 | Hj) P(B33 | Hj) P(B42 | Hj) P(B51 | Hj) P(B61 | Hj) P(B73 | Hj) (j=l，2，3) P(B|H1) ＝9．4510-8 P(H1)P(B|H1)＝0．3519．45 10-8 ＝3．695 10-8 同理P(H2) P(B|H2) =5.53 10-5 P(H3) P(B|H3) =1.136 10-4,得： P(H1|B)=0.02% P(H2|B)=32.2% P(H3|B)=67.76%,所以：診斷為闌尾炎穿孔（H3).,得： P(H1|B)=0.02% P(H2|B)=32.2% P(H3|B)=67.76%,所以：診斷為闌尾炎穿孔（H3).,3、貝葉斯臨床決策系統(tǒng)設(shè)計實現(xiàn) 貝葉斯模型與傳統(tǒng)醫(yī)生診斷的差異 貝葉斯條件概率決策診斷模型及最大似然診斷模型使用時必須預(yù)先知道所規(guī)定的全部征候表現(xiàn)，然后再進行綜合分析、判斷。 臨床醫(yī)師的診斷過程常是根據(jù)已掌握的病人的臨床表現(xiàn)，結(jié)合自己的知識與經(jīng)驗進行分析、判斷和逐步問診、檢查后再分析及再判斷，直至有足夠把握作出結(jié)論。 貝葉斯逐步問診模型就是仿效這種過程，進行逐步提問和逐步分析的計量診斷模型。,,舉例二：中風(fēng)部位診斷。 基礎(chǔ)資料：在因中風(fēng)造成死亡的病例中選擇發(fā)作后24小時仍處于昏迷狀態(tài)的47例為對象(62歲-87歲)。 方法：在中風(fēng)即刻到24小時內(nèi)患者所表現(xiàn)的癥狀中選擇六項癥狀進行研究： S1：嘔吐 S2：陳施氏呼吸 S3：發(fā)作后血壓上升到200mmHg以上 S4：單側(cè)麻痹 S5：對光反射減弱或消失 S6：心房顫動,診斷疾病分類： G1：大腦前、中動脈支配區(qū)域的出血與下丘腦出血 G2：小腦出血與蛛網(wǎng)膜下腔出血 G3：大腦中動脈支配區(qū)域的栓塞,,診斷表編制步驟： 對47例病人按G1，G2，G3三類分組，計算出各組內(nèi)每一癥狀出現(xiàn)的頻率。由于標(biāo)本數(shù)不太多，所以癥狀出現(xiàn)率為0時以0.01表示，出現(xiàn)率為1時以0.99表示。 某患者出現(xiàn)的癥狀為S1，S3，S4，S5，而S2和S6癥狀沒有出現(xiàn)，根據(jù)表2-7可分別計算出該患者分屬三類的似然函數(shù)。,于是， LG1＝0.83(1-0.08)0.540.830.79(1-0.01)=0.27 LG2＝0.83(1-0.01) 0.170.330.83（1-0.01）=0.04 LG3＝0.29(1-0.18) 0.010.990.24（1-0.35）=0.0005 比較上面三個似然函數(shù)的大小，最大函數(shù)為LG1，因而可以判斷患者所得的病名屬于G1類：大腦前、中動脈支配區(qū)域出血。,判斷實驗結(jié)果 在驗證實驗結(jié)果時除了上述47例外，還利用了原來沒有考慮的腦干出血3例，腦干栓塞1例，其結(jié)果見表2-8，由表可知：病理診斷為G1類計24例，計量診斷符合20例；病理診斷為G2類計6例，計量診斷符合4例；病理診斷為G3類計17例，計量診斷符合16例。 若將病理診斷G1與G2合并后分為出血類(G1+G2)和栓塞類(G3)二大類，則病理診斷G1+G2類計30例計量診斷符合28例；栓塞17例中符合16例；同時，3例腦于出血全部符合，只有l(wèi)例腦干栓塞誤分在G1類中。,,,Byes理論的局限： 難估計先驗概率與條件概率 條件之間線性無關(guān) 早期醫(yī)學(xué)決策使用,（二）決策樹與決策分析,啟發(fā)式推理形成樹型決策樹（p170） 決策樹（decision tree）是一種能夠有效地表達復(fù)雜決策問題的數(shù)學(xué)模型,主訴腹部疼痛,左上腹疼痛,右上腹疼痛,膽囊炎,右下腹疼痛,左下腹疼痛,,,,,闌尾炎,宮外孕,卵巢囊腫扭轉(zhuǎn),,,,闌尾炎,闌尾炎,,,,,,,,,,,,,,,,,,,,,決策樹由一些決策點、機會點和決策枝、機會枝組成。一般用圓圈“○”表示機會點，發(fā)生的結(jié)果不在醫(yī)師的控制之下；小方框“□”表示決策點，在決策點，醫(yī)師必須在幾種方案中選取一種；決策點相應(yīng)的分枝稱為決策枝；機會點相應(yīng)的分枝稱為機會枝。（P171圖8-1）,舉例：決策樹的應(yīng)用： 最可能患胰腺癌者包括40歲以上，中腹部疼痛持續(xù)1～3周的人。假設(shè)這類人中胰腺癌的發(fā)生率為12％。如有一種不冒什么風(fēng)險的早期診斷方法對胰腺癌的檢出率為80％（敏感度），但對有類似癥狀的非胰腺癌患者的假陽性率為5％，用此法診斷確診的胰腺癌患者手術(shù)死亡率為10％，治愈率為45％。,,根據(jù)上述疾病概率，診斷概率和死亡、治愈概率，如對1000人進行診斷、治療，其所獲得的益處，是否比不進行診斷檢查和手術(shù)更大？可以用一個決策樹（下圖）進行分析比較。,,由JC Sisson等人的一個關(guān)于胰腺癌的決策樹模型,從以上決策樹可見，不作該項檢查的死亡者為12例，均為胰腺癌病人。用該項檢查手術(shù)后死亡12.5人，其中有5例為非胰腺癌病人。而且新的檢查使44例非胰腺癌患者的胰腺功能因手術(shù)而可能受到損害。因此這項檢查對病人是弊大于利，不宜使用。,（三）人工智能和專家系統(tǒng)技術(shù),人工智能是用機器來模擬推理,學(xué)習(xí)與聯(lián)想的功能。 專家系統(tǒng)是指運用一個或多個專家提供的特殊領(lǐng)域知識進行推理和判斷, 以求解那些需要專家才能解決的復(fù)雜問題的一種智能計算機程序。 。,以專業(yè)知識來解決困難問題的計算機程序 以邏輯演繹或?qū)＜业慕?jīng)驗法則來模擬人類的推理 其過程是透過對問題特征的了解，進而向系統(tǒng)中的專家知識庫咨詢，并藉由經(jīng)驗法則的應(yīng)用，產(chǎn)生所需的答案 專家系統(tǒng)是一種具邏輯性推理能力，以其儲存某特定領(lǐng)域或?qū)＜抑R來解決現(xiàn)實問題的計算機系統(tǒng),專家系統(tǒng)的優(yōu)點,（1）具有高度的針對性： （2）具有啟發(fā)性： （3）透明性： （4）靈活性：,專家系統(tǒng)的組成,（1）知識庫 細菌感染病治療專家系統(tǒng)MYCIN 的一條規(guī)則如下: 如果: 1) 有機體的本性不知道,且 2) 有機體的染色是革蘭氏陰性,且 3) 有機體的形態(tài)是桿狀的,且 4) 有機體的需氧性是需氧的, 則: 存在強有力的啟發(fā)性證據(jù)說明有機體的類別是腸細菌科。,專家系統(tǒng)的組成,（2）數(shù)據(jù)庫 在醫(yī)療專家系統(tǒng)中, 數(shù)據(jù)庫中存放的是當(dāng)前患者的姓名、年齡、癥狀等以及推理而得的結(jié)果、病情等 。,專家系統(tǒng)的組成,（3）推理機 在專家系統(tǒng)中, 推理方式有 ： 正向推理 ： 反向推理： 正反向混合推理 ：,專家系統(tǒng)的組成,知識獲取模塊 它應(yīng)具有下列功能: (1)根據(jù)實踐結(jié)果, 發(fā)現(xiàn)知識庫中不合理或錯誤的知識( 規(guī)則) , 并予以刪除。 (2) 根據(jù)實踐結(jié)果, 總結(jié)出新知識,并加入知識庫中 。,專家系統(tǒng)的組成,(5) 解釋接口 如MYCIN中用戶與系統(tǒng)的對答: 用戶問:你怎么知道培養(yǎng)基是從無菌源取得的? MYCIN 答:RULE 001 和RULE 002 提供了證據(jù)。 用戶問: RULE 001 是如何觸發(fā)的? MYCIN 答: 已知培養(yǎng)基的無菌性取決于對該培養(yǎng)基進行檢驗的方法, 并且不知道是否小心地加以操作, 所以有很大的可能性證明培養(yǎng)基是從無菌源取得的。,專家系統(tǒng)的架構(gòu),,知識庫,知識擷取副系統(tǒng),,推理機,解釋副系統(tǒng),自然語言 介面,使用者,問題狀況 問題敘述,工作區(qū),專家或知識工程師,,,,,,,,,,,國外的開發(fā)的醫(yī)學(xué)專家系統(tǒng),我國開發(fā)的專家系統(tǒng)的疾病覆蓋情況,醫(yī)學(xué)專家系統(tǒng)：MYCIN,斯坦福大學(xué) 1975 年開發(fā) 細菌感染的醫(yī)學(xué)診斷 1)血液中的細菌感染 2)腦膜炎感染 輸入：與醫(yī)師訪談后所得診斷與治療法的建議 輸出：診斷與治療的各種建議,MYCIN的結(jié)構(gòu),,咨詢程序,解釋程序,提問/回答 程序,知識獲取程序.,病人數(shù) 據(jù)庫,知識庫,,,,,,,,,MYCIN 系統(tǒng) MYCIN主要用于協(xié)助醫(yī)生診斷腦膜炎一類的細菌感染疾病。在MYCIN的知識庫里，大約存放著450條判別規(guī)則和1000條關(guān)于細菌感染方面的醫(yī)學(xué)知識。它一邊與用戶進行對話，一邊進行推理診斷。 它的推理規(guī)則稱為“產(chǎn)生式規(guī)則”，類似于：“IF（打噴嚏）OR（鼻塞）OR（咳嗽），THEN（有感冒癥狀）”這種醫(yī)生診斷疾病的經(jīng)驗總結(jié)，最后顯示出它“考慮”的可能性最高的病因，并以給出用藥的建議而結(jié)束。,,（四）神經(jīng)網(wǎng)絡(luò)和連接系統(tǒng),人工神經(jīng)網(wǎng)絡(luò)”(ARTIFICIAL NEURAL NETWORK，簡稱A.N.N.)是在對人腦組織結(jié)構(gòu)和運行機智的認識理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)。 人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進行學(xué)習(xí)，然后才能工作。,現(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫“A”、“B”兩個字母的識別為例進行說明，規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時，應(yīng)該輸出“1”，而當(dāng)輸入為“B”時，輸出為“0”。所以網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是：如果網(wǎng)絡(luò)作出錯誤的的判決，則通過網(wǎng)絡(luò)的學(xué)習(xí)，應(yīng)使得網(wǎng)絡(luò)減少下次犯同樣錯誤的可能性。首先，給網(wǎng)絡(luò)的各連接權(quán)值賦予(0，1)區(qū)間內(nèi)的隨機值，將“A”所對應(yīng)的圖象模式輸入給網(wǎng)絡(luò)，網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進行非線性運算，得到網(wǎng)絡(luò)的輸出。在此情況下，網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%，也就是說是完全隨機的。,第二節(jié) 醫(yī)學(xué)決策系統(tǒng)支持相關(guān)技術(shù),決策支持系統(tǒng)（DSS）：從數(shù)據(jù)庫中找出必要的數(shù)據(jù)，并利用數(shù)學(xué)模型的功能，為用戶產(chǎn)生所需的信息。 一、數(shù)據(jù)倉庫技術(shù) 數(shù)據(jù)倉庫概念：是一個面向主題的、集成的、與時間相關(guān)的、不可修改的、包含歷史數(shù)據(jù)的數(shù)據(jù)集合。它用于支持經(jīng)營管理中的決策制定過程。 數(shù)據(jù)倉庫的概念對收集不同來源的數(shù)據(jù)從新的角度提出了一種新的結(jié)構(gòu)方法 數(shù)據(jù)倉庫的根本任務(wù)：把信息加以整理歸納并及時提供給管理決策人員。 主要作用：提供報表和圖表、支持多維分析、數(shù)據(jù)挖掘的基礎(chǔ)。,,數(shù)據(jù)倉庫的主題：是指用戶使用數(shù)據(jù)倉庫進行決策時所關(guān)心的重點方面。 面向主題：數(shù)據(jù)倉庫內(nèi)的信息是按主題進行組織，為按主題進行決策的過程提供信息。 集成：指信息是經(jīng)過系統(tǒng)加工、匯總和整理。 時間性變化：數(shù)據(jù)進入數(shù)據(jù)倉庫后，將長期被保留。 包含歷史數(shù)據(jù)：從過去某一時點到目前的各個階段的信息。,數(shù)據(jù)倉庫系統(tǒng)的四個層次體系結(jié)構(gòu)： （1）數(shù)據(jù)源：整個系統(tǒng)的數(shù)據(jù)源泉 （2）數(shù)據(jù)的存儲與管理：不同于傳統(tǒng)的數(shù)據(jù)庫，決定了外部數(shù)據(jù)的表現(xiàn)形式。,,,大部分情況下，數(shù)據(jù)挖掘都要先把數(shù)據(jù)從數(shù)據(jù)倉庫中拿到數(shù)據(jù)挖掘庫或數(shù)據(jù)集市中。,數(shù)據(jù)挖掘庫可能是你的數(shù)據(jù)倉庫的一個邏輯上的子集，而不一定非得是物理上單獨的數(shù)據(jù)庫。,可以把一個或幾個事務(wù)數(shù)據(jù)庫導(dǎo)到一個只讀的數(shù)據(jù)庫中，就把它當(dāng)作數(shù)據(jù)集市，然后在他上面進行數(shù)據(jù)挖掘。,,,（3）聯(lián)機分析處理（OLAP）：對分析需要的數(shù)據(jù)進行有效集成，按多維模型進行組織，以便進行多角度、多層次的分析，并發(fā)現(xiàn)趨勢。 傳統(tǒng)的查詢和報表工具是告訴你數(shù)據(jù)庫中都有什么（what happened），OLAP則更進一步告訴你下一步會怎么樣（What next）、和如果我采取這樣的措施又會怎么樣（What if）。,（4）前端工具：報表工具、數(shù)據(jù)分析工具、查詢工具、數(shù)據(jù)挖掘工具。（P173圖8-2),二、在線分析處理技術(shù),（一）關(guān)系聯(lián)機分析處理 （二）多維聯(lián)機在線分析處理 （三）混合聯(lián)機在線分析處理 P174 圖8-3,三、數(shù)據(jù)挖掘技術(shù) 所謂數(shù)據(jù)挖掘，就是從數(shù)據(jù)庫中抽取隱含的、以前未知的、具有潛在應(yīng)用價值的信息的過程。數(shù)據(jù)挖掘是KDD最核心的部分。數(shù)據(jù)挖掘與傳統(tǒng)分析工具不同的是數(shù)據(jù)挖掘使用的是基于發(fā)現(xiàn)的方法，運用模式匹配和其它算法決定數(shù)據(jù)之間的重要聯(lián)系。 （一）數(shù)據(jù)挖掘支持技術(shù) 數(shù)據(jù)庫技術(shù)和人工智能技術(shù),（二）數(shù)據(jù)挖掘方法與過程,方法： 決策樹 關(guān)聯(lián)規(guī)則 人工神經(jīng)網(wǎng)絡(luò) 粗糙集理論 遺傳算法 過程： 對數(shù)據(jù)庫數(shù)據(jù)整理，抽取出用來完成特定挖掘目標(biāo)的數(shù)據(jù)集。 選擇合適的挖掘方法和工具，在領(lǐng)域?qū)＜抑笇?dǎo)下進行知識獲取研究 對事物的發(fā)展進行預(yù)測,數(shù)據(jù)采集與處理：從數(shù)據(jù)倉庫中選取相關(guān)的數(shù)據(jù)集合。 知識庫：指導(dǎo)數(shù)據(jù)挖掘和評價挖掘結(jié)果。 數(shù)據(jù)挖掘：對數(shù)據(jù)倉庫中提取的數(shù)據(jù)進行分析處理。 知識評價：是以興趣度作為衡量標(biāo)準(zhǔn)來查找和選擇對最終決策活動友有益的的知識。,HIS 中的數(shù)據(jù)處理模型,（四）數(shù)據(jù)挖掘在醫(yī)學(xué)決策支持系統(tǒng)中的應(yīng)用,關(guān)聯(lián)規(guī)則的發(fā)現(xiàn) 例如根據(jù)數(shù)據(jù)庫挖掘出以下三條規(guī)則: a ) 不鍛煉∧ ( 43 年齡 48 ) ∧ 不吸煙∧不喝酒∧ 女性－－高血壓(s=1.6%，c=20%) b ) 不鍛煉∧ ( 43 年齡 48 ) ∧ 不吸煙∧ 喝酒∧ 女性－－高血壓(s=2.3%，c=22%) c ) 不鍛煉∧ ( 43 年齡 48 ) ∧ 吸煙 ∧ 喝酒∧ 女性－－高血壓(s=2.9%，c=26%) 規(guī)則a、b、c 表明不鍛煉、吸煙、喝酒這三個危險因素如果同時存在, 將明顯增加高血壓病的發(fā)生率( 22%～ 26% ) 。,(2) 分類規(guī)則的發(fā)現(xiàn),在HIS應(yīng)用中, 可以通過決策樹方法、神經(jīng)網(wǎng)絡(luò)方法等算法對數(shù)據(jù)庫中的病歷記錄進行挖掘, 參照國際疾病的編碼(ICD 9) 標(biāo)準(zhǔn), 根據(jù)系統(tǒng)中存在疾病的相應(yīng)特征, 構(gòu)造出相應(yīng)疾病的分類模型, 并對每種疾病尋找出一種效果較好的治療方案。臨床應(yīng)用時, 可以將病人的病癥數(shù)據(jù)與模型中的數(shù)據(jù)相比較, 確定出疾病的類型。,(3) 序列模式的發(fā)現(xiàn),例如: 某疾病40% 的病人會發(fā)生在7、8、9 三個月內(nèi)。另外,為了發(fā)現(xiàn)序列模式, 不僅需要知道某事件是否發(fā)生，而且需要確定知道此時間發(fā)生的時間。在HIS中, 記錄有大量病人病情變化的時間記錄?？梢允占瘜Σ∪俗兓闆r, 利用相關(guān)挖掘技術(shù)發(fā)現(xiàn)序列模式。發(fā)現(xiàn)序列模式便于醫(yī)療工作人員預(yù)測病人的病情發(fā)展趨勢, 確定病情的發(fā)展時間, 從而有針對性地防止某些疾病的發(fā)生,(4) 聚類分析,聚類分析不同于分類分析, 輸入的記錄是一組未分類的記錄, 在進行聚類之前并不知道將要劃分為哪幾種類別。聚類就是將數(shù)據(jù)分到不同的類中, 要求同類數(shù)據(jù)間具有很高的相似性, 而不同類間的數(shù)據(jù)盡量不相關(guān)。在醫(yī)學(xué)中, 一些特定癥狀的聚集可能預(yù)示某種特定的疾病。,HIS 中數(shù)據(jù)挖掘?qū)嵗治?HIS 中數(shù)據(jù)挖掘?qū)嵗治?( 1 ) IF [(性別= 男) AND (體重= 肥胖)AND (47 年齡≤ 55) AND (97 血糖≤ 571 )] THEN 高血壓比率= 66. 20% ( 2 ) IF [(性別= 男) AND (體重= 肥胖) AND(50 年齡≤ 55) AND (103 血糖≤ 571 )] THEN 高血壓比率= 79. 12% ( 3 ) IF [(性別= 男) AND (體重= 肥胖) AND(44 年齡≤ 50) AND (家庭有中風(fēng)史) AND (0 小便PH 值≤ 60 ) AND ( 92 血糖≤ 571 ) ] THEN 高血壓比率= 77. 65%,四、知識庫,知識庫:人工智能和數(shù)據(jù)庫技術(shù)的結(jié)合,知識庫由知識和知識處理機構(gòu)組成。 醫(yī)學(xué)知識庫種類 文獻數(shù)據(jù)庫 事實數(shù)據(jù)庫 知識類型 科學(xué)知識 經(jīng)驗性知識 知識庫的三大技術(shù)： 知識表示 知識利用 知識獲取,五、統(tǒng)一醫(yī)學(xué)語言系統(tǒng),UMLS是美國國立醫(yī)學(xué)圖書館主持開發(fā)的計算機化的生物醫(yī)學(xué)檢索語言集成系統(tǒng)和機讀情報資源指南系統(tǒng)。 UMLS,第四節(jié) 醫(yī)學(xué)決策支持系統(tǒng)實例,HELP系統(tǒng)(Health Evaluation through Logical Processing) 基于知識框架技術(shù)，專用開發(fā)語言-HELP FRAME LANGUAGE 幫助醫(yī)護人員分析解釋處理臨床數(shù)據(jù)。 呼吸系統(tǒng)疾病 實驗檢查異常結(jié)果判斷 傳染病監(jiān)控 用藥合理性檢查 HELP系統(tǒng)的處方控制,HELP系統(tǒng)(Health Evaluation through Logical Processing) 基于知識框架技術(shù)，專用開發(fā)語言-HELP FRAME LANGUAGE 幫助醫(yī)護人員分析解釋處理臨床數(shù)據(jù)。 呼吸系統(tǒng)疾病 實驗檢查異常結(jié)果判斷 傳染病監(jiān)控 用藥合理性檢查,HELP系統(tǒng)的處方控制,,,,2 INTERNIST-1 和QMR系統(tǒng),INTERNIST-1系統(tǒng)是由Pittsburg醫(yī)科大學(xué)開發(fā)的用于內(nèi)科疾病診斷咨詢系統(tǒng)。 通過疾病癥狀來推理疾病。收集了600多種疾病的診斷知識，4500多臨床表現(xiàn)。 給出診斷疾病的相關(guān)參數(shù)： 相關(guān)頻率：在某種疾病中某臨床癥狀發(fā)生的頻率。 提示力度：某癥狀對疾病存在的提示強度。 處理用戶輸入的臨床表現(xiàn)，得出一組診斷建議。 移植到微機上，稱QRM(Quick Medical Reference),