导图社区 健康信息学研究框架技术路线总结
- 44
- 0
- 0
- 举报
健康信息学研究框架技术路线总结
健康信息学研究框架技术路线总结：包括相关技术、WI研究室开展用户健康信息学研究总路线、三星用户健康信息学合作项目……
编辑于2022-11-02 11:05:35 广东- 研究框架
- 健康信息学
- 健康信息…
- 用户健康
- 相似推荐
- 大纲
健康信息学研究框架技术路线总结
目标
在云端构建一个具备特定疾病（如高血压、糖尿病等等）专业知识和通用医疗知识的智能健康信息服务平台，获取移动端用户的个人健康状况信息，并对移动端用户提供实时健康状况的监督、决策、警示、建议、推荐、问答等智能化健康信息服务。
相关技术
基础
用户个人健康知识的获取
个性健康知识
来源于对用户个人电子病历的知识挖掘
电子病历
共性健康知识
对现有的形式化通用医疗健康知识的直接利用
例如UMLS
医疗领域专业文献进行专业领域医疗健康知识挖掘
专业书籍电子版
对网络开放文档的专业领域医疗健康知识挖掘
例如维基百科
核心
用户个人健康知识的表示
支撑技术
基于用户健康知识的智能推理技术
用户个人健康状况预测技术
用户健康知识的维护
WI研究室开展用户健康信息学研究总路线
1、基础技术研发
语言信息深层次加工处理
面向中文电子病历的分词与词性标注
一种基于词网格框架同时使用基于字和基于词的分词和词性标注联合模型
适用于ICD-10（国际疾病分类标准编码）中短结构文本的分词算法
基于大规模原始病历语料的新词发现算法
面向中文电子病历的句法分析
我们通过子树表示这种重复出现的局部结构，研究公共子树抽取、子树匹配的优化算法
在自动标注语料中抽取高质量子树的方法
尝试提出电子病历的子树共现模型，构建共现模型的描述特征，提出快速有效的子树模式挖掘算法
在迁移学习过程中，根据句法树相似度强化高频子树的特征，研究基于子树转换的句法模型更新
在半监督学习过程中，研究基于子树共现模式的文本分割、句法树重排序算法。
面向中文电子病历的语义分析
研究基于马尔科夫逻辑网络的无监督语义分析模型，包括马尔科夫逻辑网络的构建、维护及推理
重点研究如何利用短语结构子树和实体关系来压缩马尔科夫逻辑网络。
医疗健康信息抽取
医疗实体识别（Clinical Entity Recognition）
实体关系抽取（Clinical Entity Relation Extraction）
共指消解（Coreference Resolution）
隐含关系发现（Hypothesis Generation）
现有形式化医疗知识的直接利用
UMLS
2、核心技术研发
用户个人健康知识表示。研究基于语义网络的用户个人健康知识表示方法
3、三大支撑技术研发
基于用户个人健康知识的推理技术研究
基于用户个人健康知识的健康状况预测技术研究
用户个人健康知识的维护技术研究
4、近两年目标和实施计划
目标
实现一个基于电子病历和UMLS的医疗问答系统
预期研发计划与时间安排
第一阶段（第一年上半年）
第一阶段的工作主要是语料构建工作，主要内容包括电子病历文本加工、电子病历文本词法分析和句法分析语料构建、电子病历实体识别和实体关系抽取语料构建，目标是完成10,000句用于句法分析的标注语句和2,000份实体识别和实体关系抽取的标注文档。
第二阶段（第一年下半年）
第二阶段的工作主要是与电子病历信息抽取研究相关的基础研发，主要包括电子病历文本词法分析和句法分析研究、电子病历实体识别和实体关系抽取研究、电子病历医疗知识和UMLS整合，目标是基本实现电子病历实体识别和实体关系抽取，并和UMLS整合。
第三阶段（第二年上半年）
第三阶段的工作主要是医疗问答系统关键技术研发工作，主要包括医疗知识表示、问句解析和分类、答案生成，目标是提出面向电子病历的医疗知识表示、实现问句的分词、句法分析、关键词提取和问题分类、实现基于电子病历医疗知识的答案生成。
第四阶段（第二年下半年）
第四阶段的工作主要是整合前面三个阶段的工作，构建基于电子病历和UMLS的医疗问答系统，测试、改进和完善。
5、总目标和整体计划
智能化健康信息服务平台建设。智能化健康信息服务平台覆盖用户健康信息推荐、用户健康问答、用户健康监督、用户健康决策、用户健康警示等实用技术，为用户提供一站式的全面智能健康信息服务
首先选择某种疾病（如高血压）作为主要研发领域，用户个人健康知识主要限定于该领域知识
第一阶段（2年）
研究与实现面向中文电子病历的语义分析系统，研究与实现面向中文电子病历的医疗健康实体识别与实体关系抽取系统，研究与实现国外通用医疗健康本体UMLS的中文接口。
1、中文电子病历分词词性标注句法分析语料库的构建
2、中文电子病历实体与实体关系识别语料库的构建
中文电子病历语料库构建计划
确立目标
实体与关系识别
人工校对 4000份
实体标注 2000份
句法分析
4000句
确立规范
工具开发
招收人员
人员培训
监督标注
成果提交
成果检查
总结
支付费用
参考文献
Constructing Evaluation Corpora for Automated Clinical Named Entity Recognition
Community annotation experiment for ground truth generation for the i2b2 medication challenge
第二阶段（2年）
整合与总结第一阶段成果，将相关技术拓展到面向医疗专业领域文献与网络开放文档，研究与实现面向医疗专业文献的句法分析系统以及面向网络开放文档的组块分析系统。研究与实现面向医疗专业文献和面向网络开放文档的医疗健康知识挖掘系统。研究与实现基于UMLS的中文医疗健康概念间的语义关系计算系统。
第三阶段（2年）
研究与实现用户个人健康知识表示方法，利用前两个阶段的成果，生成海量用户个人健康知识库系统。
第四阶段（3年）
研究与实现中文医疗健康知识推理引擎，个人健康状况预测系统和个人健康信息维护系统。
第五阶段（3年）
研究与实现云端智能化健康信息服务平台，为广大用户提供智能化健康信息服务。
第六阶段（2年）
修正，改进与完善。
6、研究室目前工作进展
1、英文电子病历实体识别与实体关系抽取方面
1）从i2b2获取其在2010年举办病历信息抽取评测所使用的病历数据，该数据来自于不同的医疗机构。 2）针对电子病历实体识别任务，基于最大熵模型和CRF模型并提取有效特征，实现了两个基础系统，并在此基础上使用堆积策略融合了两个分类器的结果，实验表明融合分类器的方法效果十分明显。 3）针对用于机器学习的标注电子病历语料数量在国际范围内仍然稀少并且常常来源于不同医疗机构，不同的书写风格以及用词造成使用某一医疗机构病历数据训练的实体识别模型不能直接应用于其它医疗机构的病历数据上。为了解决这个问题，我们引入了迁移学习思想，使用TrAdaBoost技术尽量消除不同机构之间病历的差异化，使得来自其它医疗机构的病历数据可以被有效利用。 4）针对迁移学习的工作，撰写了一篇文章投于Journal of Biomedical Informatics（IF=2.131），现进入第二轮审稿状态。
2、中文电子病历语料库构建方面
1）第一阶段语料构建工作中，我们从哈尔滨医科大学附属第二医院获得5000份脑梗死病历，已整理出3738份病历文本，文本类型为住院病历中的首次病程记录和出院小结。其中近300份已进行实体与实体关系标注。 2）第二阶段语料构建工作已展开，我们从哈尔滨医科大学附属第二医院获得大约2TB病历，病历涵盖医院全科室，计划从2012年度病历中选择10000份进行加工，此次语料加工的目的是为了保证病历文本的多样性。
3、面向中文电子病历的分词、词性标注与句法分析技术研究方面
1）针对电子病历语料特有的语言现象，结合不同的中文标注规范，补充、细化宾州中文树库（PCTB）规范中未覆盖的歧义说明，制定了适用于中文电子病历的中文分词、词性标注及句法分析规范，并基于上述规范标注了用于实验研究的部分病历文本。中文分词规范属于针对中文电子病历的简则，整体分为总则、特殊词、组合词三大部分，其中特殊词和组合词根据是否具有组合性划分，共包括26项分词规则，均结合了中文电子病历中的实际例子进行说明。基于该规范人工标注了近500份的中文电子病历。 2）词性标注规范保留了PCTB规范30个词类，增加了名词下属的疾病名和药品名两个子类，并规定短语式疾病名中，相邻名词均标为疾病名。具体歧义说明为29项，其中部分说明针对中文电子病历的特点进行了调整。基于该规范人工标注了近100份的中文电子病历。 3）由于PCTB的句法标注规范内容庞杂，无法直接用于病历标注工作，我们过滤了原规范中的空结点标签、语义标签等冗余内容，按短语、从句、结构关系进行分类，结合北大标注规范作为补充，最终形成了49页适用于中文电子病历的句法标注规范。该规范目前处于迭代修订阶段。 4）改进了现有的通用标注工具及图形化工具，能够有效降低人工标注的复杂度。 5）实现了中文分词和词性标注的联合模型，并进行针对中文电子病历的初步改进，目前基于原始病历文本的词性标注结果精度为94.3%。
4、中文电子病历实体识别与实体关系抽取方面
1）命名实体和实体关系标注规范已初步制定完毕，正在修订当中。 2）用于命名实体和实体关系标注的图形化标注工具已开发完毕。 3）已完成电子病历命名实体识别和实体关系抽取研究的调研，并形成综述文章，文章投稿到《自动化学报》，已获得三位审稿人较高评价，目前修改稿已提交。 4）研究中文电子病历文本的无监督分词，初步实验已结束，实验方案还在调整当中。
5、UMLS的中文化与医疗健康词汇语义相似度计算方面
1）已掌握通过中文医疗健康词汇访问与获取UMLS中相关知识的方法。 2）借助UMLS中医疗健康知识实现了中文医疗健康概念间的语义相似度计算方法。
6、用户个人健康知识维护技术研究方面
1）针对用户个人健康知识不断变化这一特点，构建了借助用户反馈的持续学习模型来维护用户个人健康知识（包括知识属性和知识关系维护两方面）。该模型以适应性免疫原理（克隆选择（Clonal selection）和免疫网络（Immune network））为理论基础，借助基于面向自治的计算（Autonomy-Oriented Computing, AOC）的多主体复杂系统建模方法，将用户反馈中包含的健康知识视为人体外来入侵抗原构建抗原知识主体，其中知识的属性视为抗原受体；将用户个人健康知识视为人体免疫系统中的B淋巴细胞（简称B细胞）构建B细胞知识主体，其中知识的属性视为B细胞受体。进而将两类健康知识属性之间的匹配关系视为抗原和B细胞之间的特异性关系。通过模拟适应性免疫反应过程中抗原和B细胞之间的持续不断交互过程实现抗原知识主体和B细胞知识主体之间的不断交互，进而实现用户个人健康知识属性及其关系维护目的。该模型现已在依存句法关系（Dependency parsing）维护和情感要素抽取（Aspect-based sentiment analysis）任务中显示出有效性。 2）为了更好的理解和使用最新发现的免疫原理来完善持续学习模型，构建了人工免疫系统平台。该平台模拟的免疫细胞和分子包括B细胞、T细胞、抗原、抗体、浆细胞以及记忆B细胞等，涉及的免疫原理包括T细胞的正、负反馈原理、克隆选择原理以及免疫网络原理等。借助此平台可实现百万级免疫细胞规模的免疫反应过程模拟，并且已经能够模拟克隆选择、体细胞高频突变（Somatic hypermutation）和浆细胞负反馈（Plasma cell negative feedback）等免疫原理及现象。
7、情感极性分析
曾三次在国内评测中单向任务名列第一，该项技术也有望应用于用户心理信息抽取方面。
已经完成的工作
词典资源授权使用协议书
NSFC2013申请书面向中文电子病历基于UMLS的用户健康信息抽取及知识表示与维护技术研究
WI研究室语料加工协议书
Words are Analogous to Lymphocytes A Multi Word Agent Autonomous Learning Mode
中文电子病历命名实体和实体关系标注规范（正式稿）
电子病历命名实体识别研究综述（修改稿完成）
WI输入法开发团队访谈
三星用户健康信息学合作项目
proposal
其他资料
意大利医生怒了:中国的医药界太黑暗了
意大利医生怒了:中国的医药界太黑暗了 2013-10-17 网转 点燃正能量 彼路易•切奇博士是一位有着30多年临床经验的意大利儿科专家。两年前，他受意大利ZF派遣，作为意方负责人到北京执行两国卫生合作项目。在北京儿童医院特需门诊坐诊的两年间，切奇先生以一位西方医生诚实、敏锐的眼光，观察到了目前在中国医学界普遍存在的难以理解的现象，而其中的某些现象决不能简单归结为是由中国的国情或中西方文化的差异造成的。以下为他在接受记者数次采访时所谈到的主要内容。——我被请到北京房山，去给一个当时只有11岁的男孩看病。他的家人从孩子一出生就带他到各个医院治了10年，花了很多的钱。居然就没有一个医生告诉孩子的家人患的是什么病，告诉家长这种病根本无法治。这是非常不道德的。 ——你们习惯打吊针，好让孩子的体温降下来，那是靠药物强制性降体温，对孩子的恢复没有积极的意义。我再强调一遍，如果患儿没有出现细菌感染，就不要使用抗生素。 ——现在你们这里还给孩子做“心脏瓣膜手术”，其实根本没有必要做这种手术，孩子长大了自然就会好了。在西方，医生是不给孩子做这类手术的。 ——一个医生不应让患者花太多的钱去做无谓的治疗，这一点很重要。我认为一个好医生应该是诚实的、谦虚的。 为什么不用药或少用药世界上的妈妈都害怕自己的孩子生病，一生病就吓得不得了，一有病就带孩子看医生。方才，一个小孩的姥姥带着她的外孙急急忙忙来看皮肤病，你们的儿科医生要给孩子抽血检验。我检查一看，那是蚊子咬的一个包，不用抽血。最后老太太给在香港工作的孩子妈妈打了一个长途电话，孩子的妈妈坚决反对给孩子抽血，才算了事。结果我也没给孩子开药。这就是属于患者家属的无知。 意大利的妈妈在30年前，也是这样想的，认为用一根针扎到身体里（输液），要比口服的药物药效发生得更快。不是我不用药或少用药，而是没有必要给这些孩子开药。可是他们的妈妈会说：“我们的孩子有病了，你为什么不给我们药吃？”这是家长的问题，不是孩子本身的问题。 现在感冒、咳嗽、腹泻患儿，是来北京儿童医院就诊量最大的一部分。感冒发烧在39度以下，我们西方医生从来不给患儿开药，建议家长回家给孩子用冰袋降温，同时要给孩子喝大量的水，几天就可以好。一般孩子咳嗽，是他生理本能的自卫反应。小孩子不会咳痰，尤其睡觉时把鼻涕流到喉咙，早晨起来就咳嗽，这不用吃药。但是如果孩子的咳嗽是由细菌引起的，如支气管感染、肺炎、百日咳等，就需要用抗生素。 儿童腹泻，一般多是因为受凉，或消化不良引起的。我们西方的医生会建议家长在24小时之内不要给孩子进食，只喝水，很快就会好。有个腹泻患儿的妈妈明白我为什么不开药的道理，她很高兴地抱着孩子走了，事实证明不用药病也好了。如果是细菌性腹泻，那就要用抗生素治疗。我所说的这些是大部份患儿的普通症状，不用开药，只要给家长解释清楚，就可以了。关键是医生在诊断时一定要和家长交流，一定要搞清楚患儿症状的原因。 你们习惯打吊针（输抗生素），好让发烧的孩子的体温降下来，那是靠药物强制性降体温，对孩子病情的恢复没有积极的意义。 现在还流行给孩子注射什么“流感疫苗”，预防流感。实际上流感是无法预防的，因为流感病毒每年都在变化，你去年研究的疫苗，怎么预防今年的流感？西方医生和中国医生都知道，世界上没有有效治疗和预防感冒的药。 ■滥用抗生素的危害 去年4月，有一个家长带着一个11个月大的男孩子来我们这里看病，这个孩子咽喉扁桃体肿大，一直发烧不退，在北京朝阳区的一家医院治疗了一个月，那里的医生一直给这小孩子用各种抗生素医疗，但是孩子的烧一直没退，让人家花了1万多块钱。孩子这时已经出现菌种紊乱现象，产生了“抗药性”，这就是滥用抗生素的结果。 我告诉孩子的爸爸，如果孩子发烧在38度5以上，可以给他吃点退烧药，如果在38度5以下不要吃退烧药，采用物理降温，大量喝水，用冰袋降温。结果孩子的爸爸按照我说的去做，很快孩子的体温就降下来了。 我并没有给这个孩子开任何药。如果我发现孩子症状是由细菌感染引起，需要服用抗生素，我会给孩子服用抗生素。一般口服抗生素的效果与打吊针（输液）的效果是一样的，但前者更便于治疗。想用抗生素来预防疾病，这是不正确的观念。我再强调一遍，如果患儿没有出现细菌感染的现象，就不要使用抗生素。如果这个孩子需要治疗、开药，我肯定会给他治疗和开药的。 有时医生也很为难，做母亲的总是让医生多开药，开好药。我认为医生和家长之间有一个很重要的问题，就是一定要把孩子的病情讲得很清楚。医生要多和家长交流，来教育家长如何看待孩子的这个病，同时向家长普及一些一般的医疗卫生常识。但是要让家长理解这个问题就要花一定的时间。 我给孩子看病一定要把孩子的衣服都脱光来检查。你们的家长就担心孩子感冒了怎么办？给孩子看病不脱光了衣服是没法检查的，否则你怎么知道孩子有什么病？方才有一个8个月大的小女孩，表面上看是咳嗽，但是我还要通过对她身体状况的观察，确定她的咳嗽是否由别的病因引起，她要是穿着衣服我怎么看得出来？我看一个患儿要1个小时，就是这个道理。这样的门诊模式在中国目前要实行起来还很困难。 ■医疗系统的不完善 在意大利，我们在各个社区都建有门诊诊所，每个家庭都有自己的家庭医生，出诊治疗是免费的。在我们那里做心脏手术、住院治疗4月以下的患者全部是免费。当然这在中国目前还是很不现实的。 北京的医疗系统建立时间还不长，许多地方需要改进。这里的人们一有病就上北京的各大医院来，一天的门诊量就达到三四千人，医生每三五分钟就要看一个病人。你们的医院要想效益好，医生就得多看病人，一天下来头昏脑涨，非常疲倦。这样也很容易出现误诊。中国是一个人口众多的国家，这个问题确实不好解决。我也没有什么好的办法。 北京周边省市的患者也到北京的大医院来，因为北京的医疗条件和医生的水平是很高的。我个人认为，如果在各个社区都有像这样的大医院下属的医疗诊所，把各大医院的医生分散到各个社区的医院，患者就可以得到分流，在社区医院对患者可以作一个初步的筛选，把重病患者送到大医院就诊，这样既减轻了大医院门诊医生的负担，提高了诊断质量，也给患者提供了享受一流医疗水准就医的便利。 中国在今后的医疗改革方面应该能做到这一步。听说北京的某些地区已经开始尝试。你们可以在医院建立一些高档的诊室和有空调的高级病房，为高收入患者提供一流的医疗条件，可以多收他们钱，用他们交的费用承担低收入者的医疗费用，让低收入者也能享受一流的医疗服务。同时我认为中国医生有很丰富的医学知识，虽然他们拿的钱并不多。 ■职业道德问题 我认为一个好的医生应具有的品质有两条。 第一，他首先要诚实，谦虚，尊重患者。医生当然不是圣人，他们也要养家糊口，但是医生挣钱要像中国一句古老的格言那样：“君子爱财，取之有道”。 我上学的时候，我的老师就教导我，做医生一定要每时每刻地考虑这样的问题：不能给患者误诊，要很慎重地考虑你下的药是否对患者的疾病有效。 做一个医生一定要谦虚，自己的知识不够，看不懂的病一定要向有经验的医生请教，或请有经验的医生会诊，不要怕在患者面前丢面子，不懂装懂会造成误诊，给患者和家属带来很大的悲哀。 第二，作为医生一定要注重自己的职业道德，如果你诊断的这个患者的病确实治不好了，就要告诉他的家人不要再花钱治疗了。如果明明知道患者的病不能治，你还给他治，让人家花很多的钱，这是非常不道德的。 我举个例子。2000年，我被请到北京房山县北海镇，去给一个当时只有11岁的男孩看病。这是一个长得非常漂亮的男孩，他的两条大腿肌肉萎缩，这种病叫 “迪何二氏肌萎缩”，是一种罕见的家族遗传性疾病，根本无法治愈。我估计他只能再活10年到15年就要离开人世。但是他的家人从孩子一出生就带他到各个医院治了10年，花了很多的钱……居然就没有一个医生告诉孩子的家人他患的是什么病，告诉家长这种病根本无法治。这是非常不道德的。 我对孩子的家人说，你们不要再带他去医院治疗了，染上这种病，从孩子出生起就根本治不好。如果你们真为他好，就给他买一辆残疾人的电动车，改善一下他的生活质量吧。 后来，我们这些在北京的使馆、企业、医疗系统工作的意大利人，捐款买了一辆残疾人的电动车，送给这个孩子，他得到这辆车，高兴极了。啊，那是个非常漂亮的小男孩！他太不幸了。 还有像恶性肿瘤患者，绝大多数是无法治愈的，住院治疗是没有用的。对于这种情况，医生就应该劝告患者或他的家人，不要再为患者治疗了，在家里护养就很好，只要能抑制患者的疼痛，在他疼痛时给他服止痛的药就可以了。 在你们这里还给孩子做“心脏瓣膜手术”，其实根本没有必要做这种手术，孩子长大了自然就会好了。在西方，医生是不给孩子做这类手术的。一个医生不应让患者花太多的钱去做无谓的治疗，这一点很重要。我认为一个好医生应该是诚实的，谦虚的，对患者应该是尊重的。
移动医疗健康的机遇与挑战
医疗行业大数据应用的15个场景
临床操作
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
付款、定价
检测欺诈行为的自动化系统
基于卫生经济学和疗效研究的定价计划
研发
预测建模
提高临床实验设计的统计工具和算法
临床实验数据的分析
个性化治疗
疾病模式的分析
新的商业模式
汇总患者的临床记录和医疗保险数据集
网络平台和社区
公众健康
循证医学基础知识
医药企业的发展归根结底来自于临床医学的诊治需求，因此对于有远见的医药生产企业如何让自己的市场和营销工作更深入的满足临床需要就是个非常重要的课题，在这方面投入的越早，在未来的竞争中就越有优势。而对于医药股投资者来说及早开始跟踪在这方面有动作的药企就能更早发现投资机会。 一、循证医学定义 循证医学（Evidence-based Medicine，EBM）即遵循证据的医学，是国际临床领域近年来迅速发展起来的一种新的医学模式。其核心思想是：任何医疗决策的确定都应基于客观的临床科学研究依据；任何临床的诊治决策，必须建立在当前最好的研究证据与临床专业知识和患者的价值相结合的基础上。这是David Sackett 教授对于循证医学的定义。这句话定义了临床医学的新模式，强调最佳证据、专业知识和经验、患者需求三者的结合，并且指出三者缺一不可，相辅相成，共同构成循证思维的主体。医学的循证化要求临床医生从更多方面来把握疾病，把握医患关系。其结果是医生和患者形成诊治联盟，使患者获得最好的临床结果和生命质量。 二、循证医学基本思想 任何医疗决策的确定，都要基于临床科研所取得的最佳证据，即无论临床医生确定治疗方案和专家确定治疗指南，都应依据现有的最佳证据进行；证据是循证医学的基石，其主要来源是医学期刊的研究报告，特别是临床随机对照试验(RCT)的研究成果，以及对这些研究的Meta分析；运用循证医学思想指导临床实践，最关键的内容是根据临床所面临的问题进行系统的文献检索，了解相关问题的研究进展，对研究结果进行科学评价以获得最佳证据。 三、循证医学的起源 希波克拉底著述中将观察性研究首次引入医学领域；中国宋代的《本草图经》提出通过人体试验验证人参效果；中国清朝《考证》中第一次提出循证思维；1747年苏格兰航海外科医生Lind进行首次治疗坏血病的对照试验，试验橘子、柠檬及其他干预的疗效，与其同时，其他研究人员将观察性试验和定量试验研究，创造性的陆续引入内科学和外科学；1816年Alexander Hamilton首次报道爱丁堡的一项大型对照试验，评价放血疗法的效果，这是采用交替法产生对照组的最早记载之一；1898年丹麦医生Fibiger通过半随机对照试验，验证血清治疗白喉的效果；1904年Pearson接种肠热病疫苗与生存率之间的相关关系的研究，开创了将多个研究资料合并进行统计学分析的先例；1907年Gold Berger鉴定伤寒菌尿症的文献中，制定特定标准选择、提取分析的资料以及统计学分析，成为Meta-分析的雏形；1948年英国领导开展了世界上第一个临床随机对照试验(RCT)，肯定了链霉素治疗肺结核的疗效；1982年Thomas C Chalmers提出累计性Meta-分析概念，即将每一项新的随机试验结果，累加到已知的针对某病某干预措施的随机临床试验Meta-分析结果中；1987年Cochrane根据妊娠与分娩的RCT结果撰写的系统评价，成为RCT和系统评价真正的里程碑，同时指出其他专业也应遵循这种方法；1992年底，英国国家卫生服务中心成立英国Cochrane中心，旨在促进和协调医疗保健方面RCT系统评价的生产和保存，以便依据最好的科学进展和研究结果服务于临床医疗、卫生管理和高层决策；1996年中国循证医学/Cochrane中心正式成立，出版了由王家良教授主编的中国第一部循证医学专著。 四、循证医学产生的背景 （1）疾病谱的改变。20世纪中叶，随着经济社会发展和医学进步，传染性疾病发病率下降，与心理和社会因素有关疾病显著增加，健康问题已从传染病和营养缺乏等，转变为肿瘤、心脑血管疾病和糖尿病等多因素疾病。由于病因的多样化，使得疾病的发病机制、病理表现、临床预后等各不相同，需要获取最新的临床证据，针对具体病例做出切合实际的临床决策。由于人类疾病谱发生了变化，从单因性疾病向多因性疾病改变，为此相应的治疗也就变成了综合性治疗。 （2）随机对照试验(RCT)。在综合性治疗中,每一种干预措施可能都只产生很小的疗效,因此对其评价就必须要借助特定方法,即大样本、多中心临床试验。1948年,英国人进行了人类第一项链霉素治疗结核病的随机对照试验(RCT),结果证实链霉素疗效非常好。如此确切的疗效,再加上严格的研究方法,使其结果很快得到公认。从此，RCT被确立为评价临床疗效的最有效方法。但是，尽管使用的都是RCT,不同研究者针对同一个问题得出的结果可能大相径庭。而每项RCT都号称是最高级别的证据，都是权威专家做出来的。面对各不相同的结果,临床医师应该相信谁？类似的问题越积越多,因此方法学也应运而生，其可以保证把应用相同干预措施治疗相同疾病的所有高质量临床研究都集中起来，最终拿出一个结论，从而解决临床医师无所适从的问题。大规模的临床随机对照试验（RCT）研究的迅速发展，并作为一种临床科研方法和标准被广泛接受。 （3）Meta分析。Meta分析是1976年由心理学家Glass首次提出的统计学方法，并首次将其运用于教育学研究领域中对多个研究结果的综合定量。后来，这一研究方法被应用于医学领域，并日益受到重视。Meta分析的基础是建立在全面、系统的对文献研究质量评价上，因此，学术界也把对于医学文献全面系统的评价称之为“系统分析”，当应用特定的统计方法定量地进行系统分析时称之为Meta分析。20世纪80年代之后，Meta分析逐步被引入临床随机对照试验，Meta分析取得一大批成果并作为可靠的证据，使循证医学有证可循。 （4）计算机和网络技术。计算机和网络技术是20世纪科技发展的重要标志之一，计算机和网络技术、国际Cochrane协作网和世界各国Cochrane中心网的建立与发展，为临床医生快速地从光盘数据库及网络中获取循证医学证据，提供了现代化技术手段。 （5）临床流行病学。流行病学研究方法的迅速进展与日益成熟，不仅为预防医学提供了开展人群研究的技术，也被临床各学科开展研究所青睐。临床流行病学成为循证医学的基础，也为开展循证医学保证了高质量证据的来源。 五、循证医学发展三阶段 十几年来，循证医学的发展历经三个阶段。 第一个阶段起始于1992年由加拿大人首先提出循证医学概念,当时是完全针对“如何评价临床多因性疾病及其综合性治疗的疗效”而提出。循证医学提出之初，非常强调对RCT的系统评价。但时至今日人们发现，大样本多中心RCT数量很少,而且有些情况下根本不可能做RCT。此外,临床研究中存在着大量设有对照组的临床试验(CCT)。基于这样的现实,循证医学专家们正在研究怎样把CCT中的有效成分拿出来的方法学并予以权重。循证医学原来仅着眼于临床治疗,现在已逐渐扩展到诊断、中医药、外科和基础研究等各个领域。 第二个阶段20世纪90年代中后期（1996年-1998年） 英国人运用循证医学理念、方法和证据进行政府决策,解决公共卫生、公共产品、公共服务和公共体系中的问题,提出了循证卫生保健的概念,将高级别证据用于社区人群和大众。 第三个阶段2000年～中国Cochrane中心主任李幼平教授，根据循证医学的哲学理念，将其外延到各个需要证据决策的领域中，提出广义循证观，并定义广义的循证观三要素为:①凡事都要循证决策；②要与时俱进，根据新出现的高级别证据不断补充和完善现有评价；③后效评价,止于至善。2003年该概念首次在Cochrane年会上提出，即被全世界循证医学同行认可。 六、中国循证医学的发展 中国的循证医学尚处于起步阶段。从20世纪80年代起，我国连续派出数批临床医师到加拿大、美国、澳大利亚学习临床流行病学，有多名医师跟随Dr. Sackett查房，学习如何用流行病观点解决临床问题（循证医学的雏形），并在上海医科大学和华西医科大学分别建立了临床流行病培训中心，开展这方面的工作。1996年，上海医科大学中山医院王吉耀教授在《临床》杂志上，发表了我国第一篇关于循证医学文章“循证医学的临床实践”；1997年，四川大学华西医院神经内科医生刘鸣教授，在Cochrane图书馆发表第一篇Cochrane系统评价“循证医学最好的证据”；1996年四川大学华西医院(原华西医科大学附属第一医院)引进循证医学和Cochrane系统评价，创建了中国循证医学/Cochrane中心（网址http://www.chinacochrane.org），1997年7月获卫生部正式批准；1999年3月正式注册成为国际Cochrane协作网的第14个成员国之一，也是中国和亚洲的第一个中心。作为国际cochrane协作网的成员之一和中国与国际协作网的唯一接口，该中心的主要任务是：建立中国循证医学临床试验资料库，为中国和世界各国提供中国的临床研究信息；开展系统评价、随机对照试验、卫生技术评估，以及循证医学有关的方法学研究，为临床实践和政府的卫生决策提供可靠依据；提供循证医学方法与技术培训，传播循证医学学术思想，推动循证医学在中国的发展。2000年11月，在广州成立广东省循证医学科技中心。目前国内己有60余种医学杂志发表循证医学文章。循证医学专著、循证医学普及读物、循证医学杂志、循证医学信息、循证医学网页等传播载体相继出台，为中国的循证医学迅速发展起到了重要的推动作用。 七、循证医学的开创性研究 循证医学的开创性研究是与英国著名流行病学家、内科医生阿尔希•考科蓝(Archie Cochrane 1909—1988)的名字相联系的。1972年，他出版了《疗效与效益:健康服务中的随机对照试验》专著，明确提出“由于资源终将有限，因此应该使用已被恰当证明有明显效果的医疗保健措施”，并强调“应用随机对照试验证据之所以重要，因为它比其他任何证据来源更为可靠”。医疗保健有关人员应收集所有随机对照试验结果进行评价，为临床治疗提供当前最好的证据。考科蓝的创新性研究，对健康服务领域存在的如何达到既有疗效、又有效益的争论产生了积极的影响。1979年，Cochrane又提出“应根据特定病种/疗法将所有相关的随机对照试验联合起来进行综合分析，并随着新临床试验的出现不断更新，从而得到更为可靠的结论。” l987年，Cochrane根据长达20年以上对妊娠和分娩后随访的大样本随机对照的试验结果，进行系统评价研究，获得了令人信服的证据，向世人揭示了循证医学的实质。他认为这些研究“成为临床研究和医疗保健评估方面的一个真正的里程碑”，并指出其它专业也应该遵循这种方法。Cochrane也被公认为循证医学的先驱，他的姓氏Cochrane成为循证医学的同义词。 20世纪80年代初期，在临床流行学发源地的McMaster Universi-ty，以David L.Sackett为首的一批临床流行病学家，在该医学中心的临床流行病学系和内科系，率先对年轻的住院医师进行循证医学培训，取得很好效果。1992年起在JAMA等杂志上发表一系列循证医学文献，受到广泛关注。并由Brian Haynes和David L.Sackett发起，在美国内科医师学院组织了一个杂志俱乐部(ACPJC)，开始对国际上30余种著名杂志发表的论著进行系统评价，并以专家述评的形式在Annals of In-ternal Medicine上发表。1992年，David Sackett教授及其同事正式提出了“循证医学”概念，他普及了医学文献严格评价的原理，并教授和指导了世界上几乎所有循证医学运动的领导人。Brian Haynes开创性地建立结构式文摘二次文献数据库及Cochrane协作网，成为循证医学早期发展史上的重要里程碑，而循证医学原理和思想则直接源自他们的工作。 1993年国际上正式成立Cochrane Collaboration，广泛地收集临床随机对照试验（RCT）的研究结果。在严格的质量评价基础上，进行系统评价（RS）以及荟萃分析（meta-analysis），将有价值的研究结果推荐给临床医生以及相关专业的实践者，以帮助实践循证医学。1996年Sackett教授在《英国医学杂志》上发表专论，将循证医学明确定义为“明确、明智、审慎地应用最佳证据做出临床决策的方法”。2000年David Sackett教授在新版《怎样实践和讲授循证医学》中，再次定义循证医学为“慎重、准确和明智地应用当前所能获得的最好的研究依据，同时结合临床医师的个人专业技能和多年临床经验、考虑病人的价值和愿望，将三者完美地结合制定出病人的治疗措施。” 1992年成立“英国Cochrane中心”以来，全世界的循证医学中心包括中国Cochrane（考科蓝）中心在内，至今已发展到15个。“循证医学协作网”和“Cochrane中心”的建立和发展，以及循证医学研究成果的扩大和应用，有力地促进了临床医学从经验医学模式向循证医学转变，促进了循证医学的发展。1995年，美国医学会和英国医学杂志联合创办《循证医学》杂志。 八、传统医学与循证医学的区别 循证医学的兴起和发展固然是由它优于传统医学模式的特点而决定，但它的出现决不意味着取代传统医学模式，而是两种模式互相依存、互相补充、共同发展。循证医学不是、也不能否定和取代所有的经验医学，经验医学能解决的问题将不需要循证医学的研究；经验医学解决不了的问题，循证医学若能解决，则必定提供高质量证据予以证实，若解决不了，则还需经验医学和循证医学研究并行探索。因此，它们之间的区别是相对的，主要体现在： (1)临床证据的来源不同传统模式用以动物实验为主要研究手段的病理生理学成果，解释疾病的发病机制和生化指标等，并用这些指标评价临床疗效。循证医学模式认为，掌握疾病发病机制和观察各种临床指标的变化是必要的，但更强调来自临床随机对照试验及Meta分析的最佳证据。经验医学的证据来源于教科书和零散的临床研究，而循证医学的证据则完全来源于临床研究，且多为前瞻性研究。 (2)评价结果的指标不同即终点指标的不同。循证医学强调终点指标，即病人的生存能力、生活质量和工作能力，而非中间指标，因而更接近病人的需求。 (3)对临床医生的要求不同传统模式主要是以医生的知识、技能和临床经验积累为临床实践基础。循证医学除此以外,还强调掌握临床科研方法,强调利用现代信息技术手段，不断学习和掌握医学证据，利用科学方法正确评价和使用证据。传统医学很难做到系统与全面，而循证医学则一定要求系统与全面，并有一套方法和一系列的伺服系统保证其系统与全面。 (4)临床决策依据不同传统模式重视专业知识和个人临床经验，循证医学模式既重视临床经验，又特别强调利用最好的临床研究证据，认为“有权威的医学”是专业知识、临床经验和最佳证据的结合。传统医学并无要求评价证据，而循证医学则要求对证据进行严格评价，而且有一套严格的评价方法。 (5)治疗方案的选择不同传统模式以疾病和医生为中心，病人不参与治疗方案的选择。循证医学模式强调以病人为中心,考虑病人自己的愿望和选择。 (6)卫生资源配置和利用不同 传统模式很少考虑成本—效益问题，循证医学则将“成本—效益分析”作为临床决策的一个重要证据。 [转载]循证医学基础知识 九、循证医学“两核心” 循证医学两大核心：“证据要分级,推荐有级别”；循证医学的证据要不断地“与时俱进(updating)”。临床研究证据分级别是循证医学所提出的要求, 按质量和可靠程度可分为五级(可靠性依此降低)：即大样本多中心RCT或者收集这些RCT所作的系统评价和/或荟萃分析；单个的大样本RCT；设有对照组的临床试验；无对照组的系列研究；专家意见、描述性研究和病案报告。 十、循证医学“三要素” ①参考当前所能得到的最好的临床研究证据；②参照医师自己的临床经验和在检查病人过程中所得到的第一手临床资料。临床医学是一个高度实践的科学，医师的经验和技能在任何时候都必不可少；③尊重病人的选择，将病人的意愿提到很高的程度上。 十一、循证医学“四原则” 循证医学“四原则”,即基于问题(临床关注的问题或重大的科学问题)的研究；参考当前最好的证据决策；关注实践的效果；后效评价、止于至善。 以上内容从网络下下载，作者佚名
机器学习在脑影像分析及疾病诊断中的应用
Google health
MOOCs和SPOCs来了 你准备好了吗？
An Introduction to Electronic Health Records
The creative destruction of medicine
Markov Logic for Machine Reading
无监督语义分析
knowledge based systems
tools of artificial intelligence
knowledge-based systems (KBSs)
rule-based
model based
case-based reasoning
computational intelligence (CI)
Types OF KNOWLEDGE-BASED system
Expert Systems
An expert system is intended to act like a human expert who can be consulted on a range of problems within his or her domain of expertise. Typically, the user of an expert system will enter into a dialogue in which he or she describes the problem – such as the symptoms of a fault – and the expert system offers advice, suggestions, or recommendations.
Rule-Based Systems
e.g. if then
Two important types of inference engine
forward chaining
data driven
backward-chaining
goal driven
if then
Using the inference network
deduction
从条件到结论
abduction
丛结论反推到条件
医疗诊断属于此种
induction
Inferring a rule from a set of example cases of cause and effect is termed induction.
总结
• deduction: cause + rule ⇒ effect • abduction: effect + rule ⇒ cause • induction: cause + effect ⇒ rule
Logic Programming
Prolog language
backward chaining
pattern matching
list manipulation
Symbolic Computation
list
Uncertainty
Uncertainty in the Rule Itself
Uncertainty in the Evidence
Use of Vague Language
solutions
Bayesian updating
Bayesian updating has a rigorous derivation based upon probability theory, but its underlying assumptions, e.g., the statistical independence of multiple pieces of evidence, may not be true in practical situations
certainty theory
Certainty theory does not have a rigorous mathematical basis, but has been devised as a practical and pragmatic way of overcoming some of the limitations of Bayesian updating
Decision Support and Analysis
model-based reasoning (MBR)
rather than storing a huge collection of symptom–cause pairs in the form of rules, these pairs can be generated by applying underlying principles to the model
Case-based reasoning (CBR)
A characteristic of human intelligence is the ability to recall previous experience whenever a similar problem arises. This is the essence of casebased reasoning (CBR), in which new problems are solved by adapting previous solutions to old problems(Bergmann, 2003).
FUTURE TRENDS
The DARPA High-Performance Knowledge Bases Project
Bayesian Networks without Tears
The Brain as a Statistical Inference Engine—and You Can Too
Suitability of Logic for Knowledge Representation
Mining Heterogeneous Information Networks
ARTIFICIAL INTELLIGENCE, LOGIC AND FORMALIZING COMMON SENSE
large graph mining
Handbook Of Knowledge Representation
Encyclopedia AI
Handbook of evolutionary computation
Computer-Based Diagnostics and Systematic Analysis of Knowledge
Large Scale Machine Learning for Information Retrieval