2019年智能临床辅助决策关键技术和实践.pdf

1、July 4 2019 智能临床辅助决策关键智能临床辅助决策关键技术和实践技术和实践CHIMA 2019111需求需求分析分析医生辅助决策场景医生辅助决策场景诊疗中诊疗中场景场景 循证搜索：循证搜索：复杂案例，科室讨论需要查找相关文献，归纳循证证据 临床科研：临床科研：了解关注领域的最新动态，研究热点；根据现阶段研究趋势，选定课题的方向诊疗诊疗旁旁场景场景痛点分析痛点分析 规范化诊疗程度仍不足：规范化诊疗程度仍不足：规范化诊疗路径是未来大趋势，但目前仍有提升空间 医生误诊漏诊率仍存在：医生误诊漏诊率仍存在：某些疑难杂症或疾病并发症的诊疗在大医院仍有误诊漏诊存在 个性化诊疗方案难：个性化诊疗方案

2、难：精准分群和数据驱动的诊疗方案在医院仍比较少见，难做到个性化治疗 医生知识医生知识/信息信息来源“分散”来源“分散”：多种医学信息需要跨3+平台查询，整合过程繁琐 搜索搜索匹配“粗略”匹配“粗略”：结果返回匹配精准度70ICD10:I60-I69HbA1C7.0%&FPG7.0 mmol/L&GLU=10.0mmol/L规则表示RETE3推理网络推理网络采用推理引擎将规则应用到患者数据，生成治疗方案知识推理Drools规则语言规则语言产生式规则，轻量级，将决策树翻译成可执行规则真实数据将规则应用至真实世界数据中，验证知识的完整性、正确性、有效性 从真实世界数据中发现没有被触发的规则 发现没有

3、合适规则的数据，来进一步完善规则Glucose management:150+decision rules80+treatment options50+patient attributesACHIMA 201999 9知识驱动的决策支持系统案例知识驱动的决策支持系统案例问诊问诊应用“Ask Mayo Clinic”原版决策树，包含 300+常见症状来进行精准的疾病问诊识别潜在疾病的主要标志，提供疾病的严重程度的判断，并给出是否就医的建议基层医疗基层医疗覆盖大量的医学证据和文献提供2000+疾病的鉴别诊断对每种鉴别诊断疾病，相关症状及实验室检验将被推荐，可以帮助加速诊断及降低漏诊门诊门诊覆盖 1

4、400+临床路径,2000+疾病知识图谱以及更新的临床指南基于指南和文献，推荐潜在疾病和医学证据生成疾病风险评估以及推荐相应的治疗计划“皮疹”的问诊决策树哮喘的诊断ACS 的诊断和治疗ACHIMA 20191010知识知识+数据驱动的决策支持数据驱动的决策支持-辅助诊断辅助诊断DiagnoDiagno基本信息基本信息 年龄：年龄：50岁 性别：性别：男 身高：身高：175cm 体重：体重：85kg 是否吸烟：是否吸烟：不吸烟主诉主诉 头晕头晕 贪食贪食 肥胖肥胖 多尿多尿病史病史 既往病史：既往病史：高血压病 过敏史：过敏史：无 家族史家族史：无诊断推荐模型诊断推荐模型基于基于STRIDE和和

5、PubMed的贝叶斯网络的贝叶斯网络基于医学知识图谱的规则模型基于医学知识图谱的规则模型融合知识和数据，保持与医学知识的高吻合度前提下给出个性化的疑似疾病推荐融合知识的深度学习网络融合知识的深度学习网络整合PubMed医学700万余文献信息和STRIDE的700万余病例信息，覆盖700+疾病。整合医学知识图谱信息，通过诊断路径给出疑似疾病推荐使用集成分类的方法，融合多个模型的诊断结果X模型权重疾病权重加和排序+X规则修正与鉴别诊断鉴别诊断鉴别诊断疑似疾疑似疾病列表病列表最终诊断最终诊断疾病与检查疾病与检查检验关系检验关系BCHIMA 2019111111reatmentreatment利用临床

6、数据构建模型，对基于指南利用临床数据构建模型，对基于指南构建的决策树进行进一步的细化构建的决策树进行进一步的细化知识知识+数据驱动的决策支持数据驱动的决策支持-治疗推荐治疗推荐DiagnoDiagno患者精准分群及疗效分析患者精准分群及疗效分析B,=采用度量学习技术（Metric learning）学习样本的马氏距离度量函数，并采用聚类技术将患者进行精准分群采用规则挖掘（Rule Mining）方法描述各亚组的规则通过频繁集挖掘发现常见治疗模式。采用倾向性评分匹配、多元回归分析对混杂因素进行校正，使实验组和对照组基线特征尽可能接近,比较不同治疗模式的临床结局CHIMA 20191212研究背景