HIS中的决策支持系统.pptVIP

第9章 HIS 中的决策支持系统;第1节 医学决策支持的基本概念;决策分析的基本步骤有以下四步： 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。 确定各决策可能的后果，并设置各种后果发生的概率。 确定决策人的偏爱，并对效用赋值。 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 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;;2、决策树与决策分析 启发式推理形成树型决策树（p178） 权重系数 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。 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。（P178图9-5） ;举例：决策树的应用： 最可能患胰腺癌者包括40岁以上，中腹部疼痛持续1～3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％。 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（下图）进行分析比较。 ;;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;4、神经网络和连接系统;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。;这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“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。的模式也就越多。;第3节几个典型的医学决策支持系统;;;第4节管理决策支持与数据仓库技术;2、决策支持系统与数据仓库;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定数据之间的重要联系。 第一步是描述数据 --- 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，然后再用另外一些数据对这个模型进行测试 。 验证你的模型 ;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 （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。;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。 ;（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;（3）神经元网络（NN）技术;NN技术概要;度。 ???????????????????????????????