医学决策支持系统介绍ppt课件

1、第八章 医学决策支持系统第一节 概述一、根本概念决策支持系统:以管理学、运筹学、控制论和行为科学为根底，以计算机技术、仿真技术和信息技术为手段，针对半构造化的决策问题，支持决策活动的具有智能作用的人机系统。医学决策支持系统:指将医学知识运用到某一患者的特定问题，提出具有最正确费用/效果比的处理方案的计算机系统医院信息系统的决策支持医学决策支持：医疗任务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决策支持根底统计学数据仓库人工智能医学决策支持：临床医生经常为病人的诊断、治疗作出决议。这些临床决议亦即临床决策clinical decision。决策decision making就是为

2、到达同一目的在众多可以采取的方案中选择最正确方案。临床决策支持系统:指协助医务人员制定临床决策的计算机程序。二、医学决策根本过程逻辑推理：如A能推出B、B能推出C，那么A一定能推出C。由于医学中没有严厉的规那么，所以用得少。归纳推理：启发式推理：上一次推理得出的结论，做为第二次循环推理的前提，循环推理，逐渐求精。临床上的鉴别诊断：不同的疾病为不同的概念集合，而不同疾病之间有很多交集。鉴别诊断：区分交集部分的不同集合。疾病A疾病B交集交集划分非确定性的交集划分疾病A疾病B交集决策分析的根本步骤：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。确定各决策能够的后果，并设

3、置各种后果发生的概率。确定决策人的偏爱，并对成效赋值。在以上三步根底上去选择决策人最称心的决策，即期望成效最大的决策。三、医学决策支持系统的类型建立目的划分：更好了解患者情况的系统试图提供最正确的治疗决策的系统任务方式划分被动系统半自动系统自动系统四、医学决策系统的功能用药指点传送行政信息医师指令的饿自动评价自动报警、提示和警戒诊断协助五、 医学决策支持的根本方法一贝叶斯公式和决策实际1事件及其相互关系必然事件：在一定条件下必需出观的景象 不能够事件：在一定条件下必然不出现的景象。随机事件：在一定条件下，能够出现也能够不出现。 “两事件A,B中至少有一个出现也是一事件，称此事件为A,B的和，记

4、作AUB; 事件“A1,A2,A3,.An中至少有一出现称为Al，A2An的和，记为Al UA2Un。假设“n个事件A1,A2,A3,.An都出现也是一事件，那么称为A1，A2，An的交，记作:A1A2A n。2概率与频率概率:可用一个小于或等于1的正数P(A)来表示事件A出现的能够性,P(A)就称为事件A的概率。 较大的能够性用较大的数字来标志较小能够性的就用较小的数字来标志频率:当概率值不易求出时我们往往取频率作为概率的近似值，频率的概念比较简单可以很方便地求出。 3贝叶斯定理条件概率:有时除了要知道事件的概率P(A)外，还需求知道在“事件B已出现的条件下，事件A出现的条件概率PA|B。例

5、如，我们需求知道在某疾病B发生条件下，病症A出现的概率时就要计算条件概率 PA|B。贝叶斯定理 nP(Di|S)=P(Di )P(S|Di)/ P(Di )P(S|Di) i=1D1,D2,Dn分别表示n种互斥的疾病,Di为第i个疾病;P(Di)为Di的先验概率(疾病发生的概率)。S为用于这些疾病鉴别诊断的某一临床表现或检验结果的组合症候P(S|Di)为疾病Di的病症S发生的概率；P(Di|S)为病症S提示疾病Di发生的概率后验概率先验概率,表示医生在详细诊断某患者前所掌握的疾病Di的发病情况。P(S|Di)为在知疾病Di条件下，各病症S出现的“条件概率，即某临床症候A的能够性，它可以经过搜集

6、足够数量的病例容易地得到。P(Di|S称为后验概率，表示在患者病症S出现时,患疾病Di的能够性。对于两个或更多个病症存在的情况，仍可用贝叶斯(Bayes)公式计算。在各个病症彼此独立前提下，那么各个病症同时出现的概率是各自单独出现时其概率的乘积。因此假设各病症相互独立，贝叶斯(Bayes)公式可写为：在运用贝叶斯模型时需求留意的问题模型中j种疾病互斥，先验概率之和要为l(即要构成一个完好的疾病群).先验概率确实定。参考文献报道和历史资料统计频率作为近似估计。条件概率确实定。用于鉴别诊断的症候目的是相互独立无关的。当计算出各后验概率P(Hj|A)后，作为临床判别的根据只需当P(Hj|A)(jl，

7、2，,n)间差距达五倍以上时方可下结论，或是当某一后验概率值达085才下结论。 运用举例一: 如对某地域1207位阑尾炎思索的资料统计为表3-1。按慢性阑尾炎、急性阑尾炎、阑尾炎穿孔三类统计症候频率(腹痛开场部位、恶心呕吐、大便、体温、体征及体检结果)。假设知慢性阑尾炎H1、急性阑尾炎H2、阑尾炎穿孔H3发生的先验概率分别为：P(H1)0.391 P(H2)0.493 P(H3)0.116现有一阑尾炎患者、开场上腹痛，之后呕吐，腹泻，人院体温37全身腹肌紧张，压痛，WBC(白细胞)数达19350。 显然其症侯为BB13B23B33B42B51B61B73 ,那么其P(Hj|B)(jl，2，3，

8、4)的大小可经过公式算得。 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：诊断为阑尾炎穿孔

9、H3). 得：P(H1|B)=0.02%P(H2|B)=32.2%P(H3|B)=67.76%所以：诊断为阑尾炎穿孔H3). 3、贝叶斯临床决策系统设计实现贝叶斯模型与传统医生诊断的差别贝叶斯条件概率决策诊断模型及最大似然诊断模型运用时必需预先知道所规定的全部征候表现，然后再进展综合分析、判别。临床医师的诊断过程常是根据已掌握的病人的临床表现，结合本人的知识与阅历进展分析、判别和逐渐问诊、检查后再分析及再判别，直至有足够把握作出结论。 贝叶斯逐渐问诊模型就是仿效这种过程，进展逐渐提问和逐渐分析的计量诊断模型。 举例二：中风部位诊断。根底资料：在因中风呵斥死亡的病例中选择发作后24小时仍处于昏迷

10、形状的47例为对象(62岁-87岁)。 方法：在中风即刻到24小时内患者所表现的病症中选择六项病症进展研讨：S1：呕吐S2：陈施氏呼吸S3：发作后血压上升到200mmHg以上S4：单侧麻木S5：对光反射减弱或消逝S6：心房颤抖诊断疾病分类：G1：大脑前、中动脉支配区域的出血与下丘脑出血G2：小脑出血与蛛网膜下腔出血G3：大脑中动脉支配区域的栓塞诊断表编制步骤：对47例病人按G1，G2，G3三类分组，计算出各组内每一病症出现的频率。由于标本数不太多，所以病症出现率为0时以0.01表示，出现率为1时以0.99表示。某患者出现的病症为S1，S3，S4，S5，而S2和S6病症没有出现，根据表2-7可分

11、别计算出该患者分属三类的似然函数。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比较上面三个似然函数的大小，最大函数为LG1，因此可以判别患者所得的病名属于G1类：大脑前、中动脉支配区域出血。判别实验结果在验证明验结果时除了上述47例外，还利用了原来没有思索的脑干出血3例，脑干栓塞1例，其结果见表2-8，由表可知：病理诊断为G1类计24例，计量诊断符合20例；病理诊断为G2类计6例，计量诊断符合4

12、例；病理诊断为G3类计17例，计量诊断符合16例。假设将病理诊断G1与G2合并后分为出血类(G1+G2)和栓塞类(G3)二大类，那么病理诊断G1+G2类计30例计量诊断符合28例；栓塞17例中符合16例；同时，3例脑于出血全部符合，只需l例脑干栓塞误分在G1类中。 Byes实际的局限：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运用二决策树与决策分析启发式推理构成树型决策树p170决策树decision tree是一种可以有效地表达复杂决策问题的数学模型主诉腹部疼痛左上腹疼痛右上腹疼痛胆囊炎右下腹疼痛左下腹疼痛阑尾炎宫外孕卵巢囊肿改动阑尾炎阑尾炎决策树由一些决策点、时机点和决策枝、时机

13、枝组成。普通用圆圈“表示时机点，发生的结果不在医师的控制之下；小方框“表示决策点，在决策点，医师必需在几种方案中选取一种；决策点相应的分枝称为决策枝；时机点相应的分枝称为时机枝。P171图8-1举例：决策树的运用：最能够患胰腺癌者包括40岁以上，中腹部疼痛继续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，但对有类似病症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。根据上述疾病概率，诊断概率和死亡、治愈概率，如对1000人进展诊断、治疗，其所获得的益处，能否比不进展诊断检查和手术更大？可以用

14、一个决策树以下图进展分析比较。由JC Sisson等人的一个关于胰腺癌的决策树模型从以上决策树可见，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能够遭到损害。因此这项检查对病人是弊大于利，不宜运用。三人工智能和专家系统技术人工智能是用机器来模拟推理,学习与联想的功能。 专家系统是指运用一个或多个专家提供的特殊领域知识进展推理和判别, 以求解那些需求专家才干处理的复杂问题的一种智能计算机程序。 。以专业知识来处理困难问题的计算机程序以逻辑演绎或专家的阅历法那么来模拟人类的推理其过程是透过

15、对问题特征的了解，进而向系统中的专家知识库咨询，并藉由阅历法那么的运用，产生所需的答案专家系统是一种具逻辑性推理才干，以其储存某特定领域或专家知识来处理现实问题的计算机系统专家系统的优点1具有高度的针对性：2具有启发性：3透明性：4灵敏性：专家系统的组成 1知识库细菌感染病治疗专家系统MYCIN 的一条规那么如下:假设: 1) 有机体的本性不知道,且2) 有机体的染色是革兰氏阴性,且3) 有机体的形状是杆状的,且4) 有机体的需氧性是需氧的,那么: 存在强有力的启发性证听阐明有机体的类别是肠细菌科。专家系统的组成2数据库在医疗专家系统中, 数据库中存放的是当前患者的姓名、年龄、病症等以及推理而

16、得的结果、病情等 。专家系统的组成3推理机在专家系统中, 推理方式有 ：正向推理 ：反向推理： 正反向混合推理 ：专家系统的组成知识获取模块 它应具有以下功能: (1)根据实际结果, 发现知识库中不合理或错误的知识( 规那么) , 并予以删除。(2) 根据实际结果, 总结出新知识,并参与知识库中 。专家系统的组成(5) 解释接口 如MYCIN中用户与系统的对答:用户问:他怎样知道培育基是从无菌源获得的?MYCIN 答:RULE 001 和RULE 002 提供了证据。用户问: RULE 001 是如何触发的?MYCIN 答: 知培育基的无菌性取决于对该培育基进展检验的方法, 并且不知道能否小心

17、地加以操作, 所以有很大的能够性证明培育基是从无菌源获得的。 专家系统的架构知识库知识擷取副系统推理机解释副系统自然語言介面运用者问题情况问题表达任务区专家或知识工程師国外的开发的医学专家系统我国开发的专家系统的疾病覆盖情况医学专家系统：MYCIN斯坦福大学 1975 年开发细菌感染的医学诊断1)血液中的细菌感染2)脑膜炎感染输入：与医师访谈后所得诊断与治疗法的建议输出：诊断与治疗的各种建议MYCIN的构造咨询程序解释程序提问/回答程序知识获取程序.病人数据库知识库MYCIN 系统MYCIN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条判别规那么和10

18、00条关于细菌感染方面的医学知识。它一边与用户进展对话，一边进展推理诊断。它的推理规那么称为“产生式规那么，类似于：“IF打喷嚏OR鼻塞OR咳嗽，THEN有感冒病症这种医生诊断疾病的阅历总结，最后显示出它“思索的能够性最高的病因，并以给出用药的建议而终了。四神经网络和衔接系统人工神经网络(ARTIFICIAL NEURAL NETWORK，简称A.N.N.)是在对人脑组织构造和运转机智的认识了解根底之上模拟其构造和智能行为的一种工程系统。人工神经网络首先要以一定的学习准那么进展学习，然后才干任务。现以人工神经网络对手写“A、“B两个字母的辨以为例进展阐明，规定当“A输入网络时，应该输出“1，而

19、当输入为“B时，输出为“0。所以网络学习的准那么应该是：假设网络作出错误的的判决，那么经过网络的学习，应使得网络减少下次犯同样错误的能够性。首先，给网络的各衔接权值赋予(0，1)区间内的随机值，将“A所对应的图象方式输入给网络，网络将输入方式加权求和、与门限比较、再进展非线性运算，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。第二节 医学决策系统支持相关技术决策支持系统DSS：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。一、数据仓库技术数据仓库概念：是一个面向主题的、集成的、与时间相关的、不可修正的、包含历史数据的数据集合。它

20、用于支持运营管理中的决策制定过程。数据仓库的概念对搜集不同来源的数据重新的角度提出了一种新的构造方法数据仓库的根本义务：把信息加以整理归纳并及时提供应管理决策人员。主要作用：提供报表和图表、支持多维分析、数据发掘的根底。数据仓库的主题：是指用户运用数据仓库进展决策时所关怀的重点方面。面向主题：数据仓库内的信息是按主题进展组织，为按主题进展决策的过程提供信息。集成：指信息是经过系统加工、汇总和整理。时间性变化：数据进入数据仓库后，将长期被保管。包含历史数据：从过去某一时点到目前的各个阶段的信息。数据仓库系统的四个层次体系构造：1数据源：整个系统的数据源泉2数据的存储与管理：不同于传统的数据库，决

21、议了外部数据的表现方式。大部分情况下，数据发掘都要先把数据从数据仓库中拿到数据发掘库或数据集市中。数据源数据仓库各分公司数据集市分析数据集市数据发掘数据集市图1：数据发掘库从数据仓库中得出数据发掘库能够是他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。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，然后在他上面进展数据发掘。数据源数据发掘库图2：数据发掘库从事务数据库中得出3联机分析处置OLAP：对分析需求的数据进展有效集成，按多维模型进展组织，以便进展多角度、多层次的分析，并发现趋势。传统的查询和报表工具是通知他数据库中都有什么what happene

22、d，OLAP那么更进一步通知他下一步会怎样样What next、和假设我采取这样的措施又会怎样样What if。4前端工具：报表工具、数据分析工具、查询工具、数据发掘工具。P173图8-2)二、在线分析处置技术一关系联机分析处置二多维联机在线分析处置三混合联机在线分析处置 P174 图8-3三、数据发掘技术所谓数据发掘，就是从数据库中抽取隐含的、以前未知的、具有潜在运用价值的信息的过程。数据发掘是KDD最中心的部分。数据发掘与传统分析工具不同的是数据发掘运用的是基于发现的方法，运用方式匹配和其它算法决议数据之间的重要联络。一数据发掘支持技术数据库技术和人工智能技术二数据发掘方法与过程方法：决策

23、树关联规那么人工神经网络粗糙集实际遗传算法过程：对数据库数据整理，抽取出用来完成特定发掘目的的数据集。选择适宜的发掘方法和工具，在领域专家指点下进展知识获取研讨对事物的开展进展预测数据采集与处置：从数据仓库中选取相关的数据集合。知识库：指点数据发掘和评价发掘结果。数据发掘：对数据仓库中提取的数据进展分析处置。知识评价：是以兴趣度作为衡量规范来查找和选择对最终决策活动友有益的的知识。HIS 中的数据处置模型 四数据发掘在医学决策支持系统中的运用关联规那么的发现例如根据数据库发掘出以下三条规那么:a ) 不锻炼 ( 43 年龄 48 ) 不吸烟不喝酒 女性高血压(s=1.6%，c=20%)b )

24、不锻炼 ( 43 年龄 48 ) 不吸烟 喝酒 女性高血压(s=2.3%，c=22%) c ) 不锻炼 ( 43 年龄 48 ) 吸烟 喝酒 女性高血压(s=2.9%，c=26%)规那么a、b、c 阐明不锻炼、吸烟、喝酒这三个危险要素假好像时存在, 将明显添加高血压病的发生率( 22% 26% ) 。(2) 分类规那么的发现在HIS运用中, 可以经过决策树方法、神经网络方法等算法对数据库中的病历记录进展发掘, 参照国际疾病的编码(ICD 9) 规范, 根据系统中存在疾病的相应特征, 构造出相应疾病的分类模型, 并对每种疾病寻觅出一种效果较好的治疗方案。临床运用时, 可以将病人的病症数据与模型中

25、的数据相比较, 确定出疾病的类型。(3) 序列方式的发现例如: 某疾病40% 的病人会发生在7、8、9 三个月内。另外,为了发现序列方式, 不仅需求知道某事件能否发生，而且需求确定知道此时间发生的时间。在HIS中, 记录有大量病人病情变化的时间记录。可以搜集对病人变化情况, 利用相关发掘技术发现序列方式。发现序列方式便于医疗任务人员预测病人的病情开展趋势, 确定病情的开展时间, 从而有针对性地防止某些疾病的发生(4) 聚类分析聚类分析不同于分类分析, 输入的记录是一组未分类的记录, 在进展聚类之前并不知道将要划分为哪几种类别。聚类就是将数据分到不同的类中, 要求同类数据间具有很高的类似性, 而不同类间的数据尽量不相关。在医学中, 一些特定病症的聚集能够预示某种特定的疾病。HIS 中数据发掘实例分析HIS 中数据发掘实例分析 ( 1 ) IF (性别= 男) AND (体重= 肥胖)AND (47 年龄 55) AND (97 血糖 571 ) THEN 高血压比率= 66. 20%( 2 ) IF (性别= 男) AND (体重= 肥胖) AND(50 年龄 55) AND (103 血糖 571 )THEN 高血压比率= 79. 12%