中的决策支持系统

1、第9章 HIS 中的决策支持系统n医院信息系统的决策支持 医学决策支持：医疗工作中的计算机辅助决策支持 管理决策支持：计算机辅助管理决策支持n决策支持基础 统计学 数据仓库 人工智能第1节 医学决策支持的基本概念1、基本概念n医学决策支持：临床医生经常为病人的诊断、治疗作出决定。这些临床决定亦即临床决策（clinical decision）。n决策（decision making）就是为达到同一目标在众多可以采取的方案中选择最佳方案。n决策分析的基本步骤有以下四步：1.供临床选择的治疗方法有时很多，此时要筛除一些“劣”的决策，有利于下一步的分析。2.确定各决策可能的后果，并设置各种后果发生的概

2、率。3.确定决策人的偏爱，并对效用赋值。4.在以下三步基础上去选择决策人最满意的决策，即期望效用最大的决策。2、医学决策基本过程n临床推理的类型： 逻辑推理 归纳推理 启发式推理第2节 医学决策支持的基本技术1、概率方法与决策分析nByes理论 nByes理论的局限： 难估计先验概率与条件概率 条件之间线性无关 早期医学决策使用2、决策树与决策分析n启发式推理形成树型决策树（p178）n权重系数n决策树（de-cision tree）是一种能够有效地表达复杂决策问题的数学模型。n决策树由一些决策点、机会点和决策枝、机会枝组成。一般用圆圈“”表示机会点，发生的结果不在医师的控制之下；小方框“”表

3、示决策点，在决策点，医师必须在几种方案中选取一种；决策点相应的分枝称为决策枝；机会点相应的分枝称为机会枝。由JC Sisson等人的一个关于胰腺癌的决策树模型n最可能患胰腺癌者包括40岁以上，中腹部疼痛持续13周的人。假设这类人中胰腺癌的发生率为12。如有一种不冒什么风险的早期诊断方法对胰腺癌的检出率为80（敏感度），但对有类似症状的非胰腺癌患者的假阳性率为5，用此法诊断确诊的胰腺癌患者手术死亡率为10，治愈率为45。n根据上述疾病概率，诊断概率和死亡、治愈概率，如对1000人进行诊断、治疗，其所获得的益处，是否比不进行诊断检查和手术更大？可以用一个决策树（图6-4）进行分析比较。n从以上决策

4、树可见，不作该项检查的死亡者为12例，均为胰腺癌病人。用该项检查手术后死亡12.5人，其中有5例为非胰腺癌病人。而且新的检查使44例非胰腺癌患者的胰腺功能因手术而可能受到损害。因此这项检查对病人是弊大于利，不宜使用。3 符号推理和专家系统n专家系统最成功的实例之一， 是1976年美国斯坦福大学肖特列夫（Shortliff）开发的医学专家系统MYCIN，这个系统后来被知识工程师视为“专家系统的设计规范”。4、神经网络和连接系统n人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称A.N.N.)是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统。n

5、人工神经网络首先要以一定的学习准则进行学习，然后才能工作。n现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。n这时如果输出为“1”(结果正确)，则使连接权值增大，以便

6、使网络再次遇到“A”模式输入时，仍然能作出正确的判断。如果输出为“0”(即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。第3节 几个典型的医学决策支持系统1、Mycin系统nMYCIN主要用于协助医生诊断脑膜炎一类的细菌感染疾病。在MYCIN的知识库里，大约存放着450条判别规则和1000条关于细菌感染方面的医学知识。它一边与用户进行对话，一边进行推理诊断。它的推理规则称为“产生式规

7、则”，类似于：“IF（打喷嚏）OR（鼻塞）OR（咳嗽），THEN（有感冒症状）”这种医生诊断疾病的经验总结，最后显示出它“考虑”的可能性最高的病因，并以给出用药的建议而结束。2 Internist-1和QMR系统n1982年，美国匹兹堡大学的Miller等发表了著名的Internist-内科计算机辅助诊断系统，其知识库中包含了572种疾病，约4 500种症状n系统使用一组参数表示： 相关频率 提示力度3 HELPHELP是Utah大学开发的智能化医院信息系统。n特点：帮助医护人员分析、解释、进一步处理临床数据。 呼吸系统疾病 临床实验室检查异常结果判断 传染病监控系统 用药合理性检查报警系统第

8、4节 管理决策支持与数据仓库技术1、管理决策简介n管理分层结构： 基层管理：处理流程性工作 中层管理：基层数据汇总、落实高层管理意见。 高层管理：决策n传统的决策方法： 管理人员经验 简单统计方法2、 决策支持系统与数据仓库技术n决策支持是从数据库中找出必要的数据，并利用数学模型的功能，为用户产生所需的信息。n本世纪80年代中期，“数据仓库之父”William H.Inmon先生在其建立数据仓库一书中定义了数据仓库的概念，随后又给出了更为精确的定义：数据仓库是在企业管理和决策中面向主题的、集成的、稳定的、包含历史数据的数据集合。2、决策支持系统与数据仓库n决策支持系统（DSS）：从数据库中找出

9、必要的数据，并利用数学模型的功能，为用户产生所需的信息。n数据仓库和数据挖掘 数据仓库：是一个面向主题的、集成的、稳定的包含历史数据的数据集合。 主题：数据仓库的信息按主题进行组织。 集成：信息是整个企业的全局信息 稳定：数据出长期被保留 历史数据：是一段时间的数据n数据仓库的根本任务：把信息加以整理归纳并及时提供给管理决策人员。n主要作用：提供报表和图表、支持多维分析、数据挖掘的基础。n数据挖掘：所谓数据挖掘，就是从数据库中抽取隐含的、以前未知的、具有潜在应用价值的信息的过程。数据挖掘是KDD最核心的部分。数据挖掘与传统分析工具不同的是数据挖掘使用的是基于发现的方法，运用模式匹配和其它算法决

10、定数据之间的重要联系。数据挖掘的步骤 第一步是描述描述数据 - 计算统计变量（比如平均值、均方差等），再用图表或图片直观的表示出来，进而可以看出一些变量之间的相关性（比如有一些值经常同时出现）。 历史数据建立一个预言模型建立一个预言模型，然后再用另外一些数据对这个模型进行测试测试 。 验证验证你的模型 n数据仓库系统的四个层次体系结构：（1）数据源：整个系统的数据源泉 内部信息 外部信息 （2）数据的存储与管理：不同于传统的数据库，决定了外部数据的表现形式。 大部分情况下，数据挖掘都要先把数据从数据仓库中拿到数据挖掘库或数据集市中。数据源数据仓库各分公司数据集市分析数据集市数据挖掘数据集市图1

11、：数据挖掘库从数据仓库中得出n数据挖掘库可能是你的数据仓库的一个逻辑上的子集，而不一定非得是物理上单独的数据库。n可以把一个或几个事务数据库导到一个只读的数据库中，就把它当作数据集市，然后在他上面进行数据挖掘。 数据源数据挖掘库图2：数据挖掘库从事务数据库中得出 （3）联机分析处理（OLAP）：对分析需要的数据进行有效集成，按多维模型进行组织，以便进行多角度、多层次的分析，并发现趋势。 传统的查询和报表工具是告诉你数据库中都有什么（what happened），OLAP则更进一步告诉你下一步会怎么样（What next）、和如果我采取这样的措施又会怎么样（What if）。（4）前端工具：报表

12、工具、数据分析工具、查询工具、数据挖掘工具。（P183图9-7)3、数据挖掘中常用技术（1）传统主观导向系统n采用的方法从简单的走向分析直至高深数学基础的分析理论。n这种技术需要有经验模型为前提.属于这类商品有美国的Metastak,SuperCharts,CandlestickForecaster和WallStreetMoney等（2）传统的数据分析n这类技术包括相关分析、回归分析及因子分析等。一般先由用户提供假设,再由系统利用数据进行验证。n属于这类商品有美国的SAS,SPSS和Stargraphis等。（3）神经元网络（NN）技术n当需要复杂或不精确数据中导出概念和确定走向比较困难时，利

13、用神经网络技术特别有效。经过训练后的NN可以想像具有某种专门知识的“专家”，因此可以像人一样从经验中学习。nNN有多种结构，但最常用的是多层BP（backpropagation）模型。它已广泛地应用于各种DM（KDD）工具和软件中。有些是以NN为主导技术，例如俄罗斯的PolyAnalyst,美国的BrainMaker,Neurosell和OWL等n在知识工程领域，决策树是一种简单的知识表示方法，它将事例逐步分类成代表不同的类别。n在系统中采用这种方法的有美国的IDIS，法国的SIPINA。英国的Clementinc和澳大利亚的C5.0。（4）决策树n决策树提供了一种展示类似在什么条件下会得到什

14、么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图7是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。 n决策树结构：决策树结构：每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。n建立决策树的过程建立决策树的过程：即树的生长过程是不断的把数据进行切分的过程，每次切分对应一

15、个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。n训练过度训练过度: :对最终要拿给人看的决策树来说，在建立过程中让其生长的太“枝繁叶茂”是没有必要的，这样既降低了树的可理解性和可用性，同时也使决策树本身对历史数据的依赖性增大，也就是说这是这棵决策树对此历史数据可能非常准确，一旦应用到新的数据时准确性却急剧下降，我们称这种情况为训练过度。解决办法：是设定决策树的最大高度（层数）来限制树的生长。是设定每个节点必须包含的最少记录数，当节点中记录的个数小于这个数值时就停止分割。树建立好之后对其进行修剪。先允许树尽量生长，然后再把树修剪到较小的尺寸，当然在修剪的同时要求尽量保持决

16、策树的准确度尽量不要下降太多。n这种方法的独特思路是：系统自动生成有关目标变量对其他多种变量依赖关系的务种假设，并形成以内部编程语言表示的程序。内部程序（假设）的产生过程是进化式的，类似于遗传算法过程。当系统找到较好地描述依赖关系的一个假设时，就对这程序进行各种不同的微小修正，生成子程序组，再在其中选择能更好地改进预测精度的子程序，如此依次进行，最后获得达到所需精度的最好程序时。n这种方法的商用产品还只见诸俄罗斯的PolyAnalyst。（5）进化式程序设计（6）基于事例的推理方法（CBR）n当预测未来情况或进行正确决策时，系统寻找与现有情况相类似的事例，并选择最佳的相同的解决方案，这种方法能用于很多问题求解，并获得好的结果，其缺点是系统不能生成汇总过去经验的模块或规则。n采用这种方法的系统有美国的PatternRecognitionWorkbench和法国的KATEtools.（7）遗传算法n遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借用了生物遗传学的观