1、第八章 醫學決策支持系統第一節 概述一、根本概念決策支持系統:以管理學、運籌學、控制論和行為科學為根底，以計算機技術、仿真技術和信息技術為手段，針對半構造化的決策問題，支持決策活動的具有智能作用的人機系統。醫學決策支持系統:指將醫學知識運用到某一患者的特定問題，提出具有最正確費用/效果比的處理方案的計算機系統醫院信息系統的決策支持醫學決策支持：醫療任務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根底統計學數據倉庫人工智能醫學決策支持：臨床醫生經常為病人的診斷、治療作出決議。這些臨床決議亦即臨床決策clinical decision。決策decision making就是為

2、到達同一目的在眾多可以采取的方案中選擇最正確方案。臨床決策支持系統:指協助醫務人員制定臨床決策的計算機程序。二、醫學決策根本過程邏輯推理：如A能推出B、B能推出C，那么A一定能推出C。由于醫學中沒有嚴厲的規那么，所以用得少。歸納推理：啟發式推理：上一次推理得出的結論，做為第二次循環推理的前提，循環推理，逐漸求精。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：區分交集部分的不同集合。疾病A疾病B交集交集劃分非確定性的交集劃分疾病A疾病B交集決策分析的根本步驟：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。確定各決策能夠的后果，并設

3、置各種后果發生的概率。確定決策人的偏愛，并對成效賦值。在以上三步根底上去選擇決策人最稱心的決策，即期望成效最大的決策。三、醫學決策支持系統的類型建立目的劃分：更好了解患者情況的系統試圖提供最正確的治療決策的系統任務方式劃分被動系統半自動系統自動系統四、醫學決策系統的功能用藥指點傳送行政信息醫師指令的餓自動評價自動報警、提示和警戒診斷協助五、 醫學決策支持的根本方法一貝葉斯公式和決策實際1事件及其相互關系必然事件：在一定條件下必需出觀的景象 不能夠事件：在一定條件下必然不出現的景象。隨機事件：在一定條件下，能夠出現也能夠不出現。 “兩事件A,B中至少有一個出現也是一事件，稱此事件為A,B的和，記

4、作AUB; 事件“A1,A2,A3,.An中至少有一出現稱為Al，A2An的和，記為Al UA2Un。假設“n個事件A1,A2,A3,.An都出現也是一事件，那么稱為A1，A2，An的交，記作:A1A2A n。2概率與頻率概率:可用一個小于或等于1的正數P(A)來表示事件A出現的能夠性,P(A)就稱為事件A的概率。 較大的能夠性用較大的數字來標志較小能夠性的就用較小的數字來標志頻率:當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，還需求知道在“事件B已出現的條件下，事件A出現的條件概率PA|B。例

5、如，我們需求知道在某疾病B發生條件下，病癥A出現的概率時就要計算條件概率 PA|B。貝葉斯定理 nP(Di|S)=P(Di )P(S|Di)/ P(Di )P(S|Di) i=1D1,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(疾病發生的概率)。S為用于這些疾病鑒別診斷的某一臨床表現或檢驗結果的組合癥候P(S|Di)為疾病Di的病癥S發生的概率；P(Di|S)為病癥S提示疾病Di發生的概率后驗概率先驗概率,表示醫生在詳細診斷某患者前所掌握的疾病Di的發病情況。P(S|Di)為在知疾病Di條件下，各病癥S出現的“條件概率，即某臨床癥候A的能夠性，它可以經過搜集

6、足夠數量的病例容易地得到。P(Di|S稱為后驗概率，表示在患者病癥S出現時,患疾病Di的能夠性。對于兩個或更多個病癥存在的情況，仍可用貝葉斯(Bayes)公式計算。在各個病癥彼此獨立前提下，那么各個病癥同時出現的概率是各自單獨出現時其概率的乘積。因此假設各病癥相互獨立，貝葉斯(Bayes)公式可寫為：在運用貝葉斯模型時需求留意的問題模型中j種疾病互斥，先驗概率之和要為l(即要構成一個完好的疾病群).先驗概率確實定。參考文獻報道和歷史資料統計頻率作為近似估計。條件概率確實定。用于鑒別診斷的癥候目的是相互獨立無關的。當計算出各后驗概率P(Hj|A)后，作為臨床判別的根據只需當P(Hj|A)(jl，

7、2，,n)間差距達五倍以上時方可下結論，或是當某一后驗概率值達085才下結論。 運用舉例一: 如對某地域1207位闌尾炎思索的資料統計為表3-1。按慢性闌尾炎、急性闌尾炎、闌尾炎穿孔三類統計癥候頻率(腹痛開場部位、惡心嘔吐、大便、體溫、體征及體檢結果)。假設知慢性闌尾炎H1、急性闌尾炎H2、闌尾炎穿孔H3發生的先驗概率分別為：P(H1)0.391 P(H2)0.493 P(H3)0.116現有一闌尾炎患者、開場上腹痛，之后嘔吐，腹瀉，人院體溫37全身腹肌緊張，壓痛，WBC(白細胞)數達19350。 顯然其癥侯為BB13B23B33B42B51B61B73 ,那么其P(Hj|B)(jl，2，3，

8、4)的大小可經過公式算得。 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) 94510-8 P(H1)P(B|H1)0351945 10-8 3695 10-8 同理P(H2) P(B|H2) =5.53 10-5 P(H3) P(B|H3) =1. 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

9、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設計實現貝葉斯模型與傳統醫生診斷的差別貝葉斯條件概率決策診斷模型及最大似然診斷模型運用時必需預先知道所規定的全部征候表現，然后再進展綜合分析、判別。臨床醫師的診斷過程常是根據已掌握的病人的臨床表現，結合本人的知識與閱歷進展分析、判別和逐漸問診、檢查后再分析及再判別，直至有足夠把握作出結論。 貝葉斯逐漸問診模型就是仿效這種過程，進展逐漸提問和逐漸分析的計量診斷模型。 舉例二：中風部位診斷。根底資料：在因中風呵斥死亡的病例中選擇發作后24小時仍處于昏迷

10、形狀的47例為對象(62歲-87歲)。 方法：在中風即刻到24小時內患者所表現的病癥中選擇六項病癥進展研討：S1：嘔吐S2：陳施氏呼吸S3：發作后血壓上升到200mmHg以上S4：單側麻木S5：對光反射減弱或消逝S6：心房顫抖診斷疾病分類：G1：大腦前、中動脈支配區域的出血與下丘腦出血G2：小腦出血與蛛網膜下腔出血G3：大腦中動脈支配區域的栓塞診斷表編制步驟：對47例病人按G1，G2，G3三類分組，計算出各組內每一病癥出現的頻率。由于標本數不太多，所以病癥出現率為0時以0.01表示，出現率為1時以0.99表示。某患者出現的病癥為S1，S3，S4，S5，而S2和S6病癥沒有出現，根據表2-7可分

11、別計算出該患者分屬三類的似然函數。于是，LG10.83(1-0.08)0.540.830.79(1-0.01)=0.27LG20.83(1-0.01) 0.170.330.831-0.01=0.04LG30.29(1-0.18) 0.010.990.241-0.35=0.0005比較上面三個似然函數的大小，最大函數為LG1，因此可以判別患者所得的病名屬于G1類：大腦前、中動脈支配區域出血。判別實驗結果在驗證明驗結果時除了上述47例外，還利用了原來沒有思索的腦干出血3例，腦干栓塞1例，其結果見表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

12、例；病理診斷為G3類計17例，計量診斷符合16例。假設將病理診斷G1與G2合并后分為出血類(G1+G2)和栓塞類(G3)二大類，那么病理診斷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，只需l例腦干栓塞誤分在G1類中。 Byes實際的局限：難估計先驗概率與條件概率條件之間線性無關早期醫學決策運用二決策樹與決策分析啟發式推理構成樹型決策樹p170決策樹decision tree是一種可以有效地表達復雜決策問題的數學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改動闌尾炎闌尾炎決策樹由一些決策點、時機點和決策枝、時機

13、枝組成。普通用圓圈“表示時機點，發生的結果不在醫師的控制之下；小方框“表示決策點，在決策點，醫師必需在幾種方案中選取一種；決策點相應的分枝稱為決策枝；時機點相應的分枝稱為時機枝。P171圖8-1舉例：決策樹的運用：最能夠患胰腺癌者包括40歲以上，中腹部疼痛繼續13周的人。假設這類人中胰腺癌的發生率為12。如有一種不冒什么風險的早期診斷方法對胰腺癌的檢出率為80敏感度，但對有類似病癥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死亡率為10，治愈率為45。根據上述疾病概率，診斷概率和死亡、治愈概率，如對1000人進展診斷、治療，其所獲得的益處，能否比不進展診斷檢查和手術更大？可以用

14、一個決策樹以下圖進展分析比較。由JC Sisson等人的一個關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而能夠遭到損害。因此這項檢查對病人是弊大于利，不宜運用。三人工智能和專家系統技術人工智能是用機器來模擬推理,學習與聯想的功能。 專家系統是指運用一個或多個專家提供的特殊領域知識進展推理和判別, 以求解那些需求專家才干處理的復雜問題的一種智能計算機程序。 。以專業知識來處理困難問題的計算機程序以邏輯演繹或專家的閱歷法那么來模擬人類的推理其過程是透過

15、對問題特征的了解，進而向系統中的專家知識庫咨詢，并藉由閱歷法那么的運用，產生所需的答案專家系統是一種具邏輯性推理才干，以其儲存某特定領域或專家知識來處理現實問題的計算機系統專家系統的優點1具有高度的針對性：2具有啟發性：3透明性：4靈敏性：專家系統的組成 1知識庫細菌感染病治療專家系統MYCIN 的一條規那么如下:假設: 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) 有機體的形狀是桿狀的,且4) 有機體的需氧性是需氧的,那么: 存在強有力的啟發性證聽闡明有機體的類別是腸細菌科。專家系統的組成2數據庫在醫療專家系統中, 數據庫中存放的是當前患者的姓名、年齡、病癥等以及推理而

16、得的結果、病情等 。專家系統的組成3推理機在專家系統中, 推理方式有 ：正向推理 ：反向推理： 正反向混合推理 ：專家系統的組成知識獲取模塊 它應具有以下功能: (1)根據實際結果, 發現知識庫中不合理或錯誤的知識( 規那么) , 并予以刪除。(2) 根據實際結果, 總結出新知識,并參與知識庫中 。專家系統的組成(5) 解釋接口 如MYCIN中用戶與系統的對答:用戶問:他怎樣知道培育基是從無菌源獲得的?MYCIN 答:RULE 001 和RULE 002 提供了證據。用戶問: RULE 001 是如何觸發的?MYCIN 答: 知培育基的無菌性取決于對該培育基進展檢驗的方法, 并且不知道能否小心

17、地加以操作, 所以有很大的能夠性證明培育基是從無菌源獲得的。 專家系統的架構知識庫知識擷取副系統推理機解釋副系統自然語言介面運用者問題情況問題表達任務區專家或知識工程師國外的開發的醫學專家系統我國開發的專家系統的疾病覆蓋情況醫學專家系統：MYCIN斯坦福大學 1975 年開發細菌感染的醫學診斷1)血液中的細菌感染2)腦膜炎感染輸入：與醫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的構造咨詢程序解釋程序提問/回答程序知識獲取程序.病人數據庫知識庫MYCIN 系統MYCIN主要用于協助醫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條判別規那么和10

18、00條關于細菌感染方面的醫學知識。它一邊與用戶進展對話，一邊進展推理診斷。它的推理規那么稱為“產生式規那么，類似于：“IF打噴嚏OR鼻塞OR咳嗽，THEN有感冒病癥這種醫生診斷疾病的閱歷總結，最后顯示出它“思索的能夠性最高的病因，并以給出用藥的建議而終了。四神經網絡和銜接系統人工神經網絡(ARTIFICIAL NEURAL NETWORK，簡稱A.N.N.)是在對人腦組織構造和運轉機智的認識了解根底之上模擬其構造和智能行為的一種工程系統。人工神經網絡首先要以一定的學習準那么進展學習，然后才干任務。現以人工神經網絡對手寫“A、“B兩個字母的辨以為例進展闡明，規定當“A輸入網絡時，應該輸出“1，而

19、當輸入為“B時，輸出為“0。所以網絡學習的準那么應該是：假設網絡作出錯誤的的判決，那么經過網絡的學習，應使得網絡減少下次犯同樣錯誤的能夠性。首先，給網絡的各銜接權值賦予(0，1)區間內的隨機值，將“A所對應的圖象方式輸入給網絡，網絡將輸入方式加權求和、與門限比較、再進展非線性運算，得到網絡的輸出。在此情況下，網絡輸出為“1和“0的概率各為50%，也就是說是完全隨機的。第二節 醫學決策系統支持相關技術決策支持系統DSS：從數據庫中找出必要的數據，并利用數學模型的功能，為用戶產生所需的信息。一、數據倉庫技術數據倉庫概念：是一個面向主題的、集成的、與時間相關的、不可修正的、包含歷史數據的數據集合。它

20、用于支持運營管理中的決策制定過程。數據倉庫的概念對搜集不同來源的數據重新的角度提出了一種新的構造方法數據倉庫的根本義務：把信息加以整理歸納并及時提供應管理決策人員。主要作用：提供報表和圖表、支持多維分析、數據發掘的根底。數據倉庫的主題：是指用戶運用數據倉庫進展決策時所關懷的重點方面。面向主題：數據倉庫內的信息是按主題進展組織，為按主題進展決策的過程提供信息。集成：指信息是經過系統加工、匯總和整理。時間性變化：數據進入數據倉庫后，將長期被保管。包含歷史數據：從過去某一時點到目前的各個階段的信息。數據倉庫系統的四個層次體系構造：1數據源：整個系統的數據源泉2數據的存儲與管理：不同于傳統的數據庫，決

21、議了外部數據的表現方式。大部分情況下，數據發掘都要先把數據從數據倉庫中拿到數據發掘庫或數據集市中。數據源數據倉庫各分公司數據集市分析數據集市數據發掘數據集市圖1：數據發掘庫從數據倉庫中得出數據發掘庫能夠是他的數據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據庫?？梢园岩粋€或幾個事務數據庫導到一個只讀的數據庫中，就把它當作數據集市，然后在他上面進展數據發掘。數據源數據發掘庫圖2：數據發掘庫從事務數據庫中得出3聯機分析處置OLAP：對分析需求的數據進展有效集成，按多維模型進展組織，以便進展多角度、多層次的分析，并發現趨勢。傳統的查詢和報表工具是通知他數據庫中都有什么what happene

22、d，OLAP那么更進一步通知他下一步會怎樣樣What next、和假設我采取這樣的措施又會怎樣樣What if。4前端工具：報表工具、數據分析工具、查詢工具、數據發掘工具。P173圖8-2)二、在線分析處置技術一關系聯機分析處置二多維聯機在線分析處置三混合聯機在線分析處置 P174 圖8-3三、數據發掘技術所謂數據發掘，就是從數據庫中抽取隱含的、以前未知的、具有潛在運用價值的信息的過程。數據發掘是KDD最中心的部分。數據發掘與傳統分析工具不同的是數據發掘運用的是基于發現的方法，運用方式匹配和其它算法決議數據之間的重要聯絡。一數據發掘支持技術數據庫技術和人工智能技術二數據發掘方法與過程方法：決策

23、樹關聯規那么人工神經網絡粗糙集實際遺傳算法過程：對數據庫數據整理，抽取出用來完成特定發掘目的的數據集。選擇適宜的發掘方法和工具，在領域專家指點下進展知識獲取研討對事物的開展進展預測數據采集與處置：從數據倉庫中選取相關的數據集合。知識庫：指點數據發掘和評價發掘結果。數據發掘：對數據倉庫中提取的數據進展分析處置。知識評價：是以興趣度作為衡量規范來查找和選擇對最終決策活動友有益的的知識。HIS 中的數據處置模型 四數據發掘在醫學決策支持系統中的運用關聯規那么的發現例如根據數據庫發掘出以下三條規那么: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 )

24、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%)規那么a、b、c 闡明不鍛煉、吸煙、喝酒這三個危險要素假好像時存在, 將明顯添加高血壓病的發生率( 22% 26% ) 。(2) 分類規那么的發現在HIS運用中, 可以經過決策樹方法、神經網絡方法等算法對數據庫中的病歷記錄進展發掘, 參照國際疾病的編碼(ICD 9) 規范, 根據系統中存在疾病的相應特征, 構造出相應疾病的分類模型, 并對每種疾病尋覓出一種效果較好的治療方案。臨床運用時, 可以將病人的病癥數據與模型中

25、的數據相比較, 確定出疾病的類型。(3) 序列方式的發現例如: 某疾病40% 的病人會發生在7、8、9 三個月內。另外,為了發現序列方式, 不僅需求知道某事件能否發生，而且需求確定知道此時間發生的時間。在HIS中, 記錄有大量病人病情變化的時間記錄。可以搜集對病人變化情況, 利用相關發掘技術發現序列方式。發現序列方式便于醫療任務人員預測病人的病情開展趨勢, 確定病情的開展時間, 從而有針對性地防止某些疾病的發生(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, 在進展聚類之前并不知道將要劃分為哪幾種類別。聚類就是將數據分到不同的類中, 要求同類數據間具有很高的類似性, 而不同類間的數據盡量不相關。在醫學中, 一些特定病癥的聚集能夠預示某種特定的疾病。HIS 中數據發掘實例分析HIS 中數據發掘實例分析 ( 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%