医学决策支持系统介绍

第八章医学决策支持系统第一节概述一、基本概念•决策支持系统:以管理学、运筹学、控制论和行为科学为基础，以计算机技术、仿真技术和信息技术为手段，针对半结构化的决策问题，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:指将医学知识应用到某一患者的特定问题，提出具有最佳费用/效果比的解决方案的计算机系统•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•决策支持基础–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、治疗作出决定。这些临床决定亦即临床决策（clinicaldecision）。•决策（decisionmaking）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。•临床决策支持系统:指帮助医务人员制定临床决策的计算机程序。二、医学决策基本过程•逻辑推理：–如A能推出B、B能推出C，则A一定能推出C。–由于医学中没有严格的规则，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，逐步求精。•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•决策分析的基本步骤：–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。–在以上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。三、医学决策支持系统的类型•建立目的划分：–更好了解患者状况的系统–试图提供最佳的治疗决策的系统•工作方式划分–被动系统–半自动系统–主动系统四、医学决策系统的功能•用药指导•传递行政信息•医师指令的饿自动评价•自动报警、提示和警戒•诊断帮助五、医学决策支持的基本方法（一）贝叶斯公式和决策理论1）事件及其相互关系•必然事件：在一定条件下必须出观的现象•不可能事件：在一定条件下必然不出现的现象。•随机事件：在一定条件下，可能出现也可能不出现。•“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，记作AUB;•事件“A1,A2,A3,….An中至少有一出现称为Al，A2…An的和，记为AlUA2…Un。•若“n个事件A1,A2,A3,….An都出现也是一事件，则称为A1，A2…，An的交，记作:A1∩A2∩…∩An。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出现的可能性,P(A)就称为事件A的概率。–较大的可能性用较大的数字来标志–较小可能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，还需要知道在“事件B已出现”的条件下，事件A出现的条件概率P（A|B）。例如，我们需要知道在某疾病B发生条件下，症状A出现的概率时就要计算条件概率P（A|B）。贝叶斯定理nP(Di|S)=P(Di)×P(S|Di)/∑P(Di)×P(S|Di)i=1•D1,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的症状S发生的概率；•P(Di|S)为症状S提示疾病Di发生的概率（后验概率）•先验概率,表示医生在具体诊断某患者前所掌握的疾病Di的发病情况。•P(S|Di)为在已知疾病Di条件下，各症状S出现的“条件概率”，即某临床症候A的可能性，它可以通过收集足够数量的病例容易地得到。•P(Di|S）称为后验概率，表示在患者症状S出现时,患疾病Di的可能性。•对于两个或更多个症状存在的情况，仍可用贝叶斯(Bayes)公式计算。在各个症状彼此独立前提下，则各个症状同时出现的概率是各自单独出现时其概率的乘积。因此假设各症状互相独立，贝叶斯(Bayes)公式可写为：•在运用贝叶斯模型时须要注意的问题–模型中j种疾病互斥，先验概率之和要为l(即要构成一个完整的疾病群).–先验概率的确定。参考文献报道和历史资料统计频率作为近似估计。–条件概率的确定。–用于鉴别诊断的症候指标是互相独立无关的。–当计算出各后验概率P(Hj|A)后，作为临床判断的依据只有当P(Hj|A)(j＝l，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0．85才下结论。应用举例一:如对某地区1207位阑尾炎思考的资料统计为表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(腹痛开始部位、恶心呕吐、大便、体温、体征及体检结果)。–若已知慢性阑尾炎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)＝0.391P(H2)＝0.493P(H3)＝0.116–现有一阑尾炎患者、开始上腹痛，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B＝B13·B23·B33·B42·B51·B61·B73,则其P(Hj|B)(j＝l，2，3，4)的大小可通过公式算得。•其中，P(B|Hj)＝P(B13·B23·B33·B42·B51·B61·B73|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)＝9．45×10-8P(H1)P(B|H1)＝0．351×9．45×10-8＝3．695×10-8同理P(H2)P(B|H2)=5.53×10-5P(H3)P(B|H3)=1.136×10-4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（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异–贝叶斯条件概率决策诊断模型及最大似然诊断模型使用时必须预先知道所规定的全部征候表现，然后再进行综合分析、判断。–临床医师的诊断过程常是根据已掌握的病人的临床表现，结合自己的知识与经验进行分析、判断和逐步问诊、检查后再分析及再判断，直至有足够把握作出结论。–贝叶斯逐步问诊模型就是仿效这种过程，进行逐步提问和逐步分析的计量诊断模型。•举例二：中风部位诊断。–基础资料：在因中风造成死亡的病例中选择发作后24小时仍处于昏迷状态的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症状中选择六项症状进行研究：•S1：呕吐•S2：陈施氏呼吸•S3：发作后血压上升到200mmHg以上•S4：单侧麻痹•S5：对光反射减弱或消失•S6：心房颤动–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，计算出各组内每一症状出现的频率。由于标本数不太多，所以症状出现率为0时以0.01表示，出现率为1时以0.99表示。•某患者出现的症状为S1，S3，S4，S5，而S2和S6症状没有出现，根据表2-7可分别计算出该患者分属三类的似然函数。于是，LG1＝0.83×(1-0.08)×0.54×0.83×0.79×(1-0.01)=0.27LG2＝0.83×(1-0.01)×0.17×0.33×0.83×（1-0.01）=0.04LG3＝0.29×(1-0.18)×0.01×0.99×0.24×（1-0.35）=0.0005比较上面三个似然函数的大小，最大函数为LG1，因而可以判断患者所得的病名属于G1类：大脑前、中动脉支配区域出血。•判断实验结果•在验证实验结果时除了上述47例外，还利用了原来没有考虑的脑干出血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例；病理诊断为G3类计17例，计量诊断符合16例。•若将病理诊断G1与G2合并后分为出血类(G1+G2)和栓塞类(G3)二大类，则病理诊断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，只有l例脑干栓塞误分在G1类中。•Byes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（二）决策树与决策分析•启发式推理形成树型决策树（p170）•决策树（decisiontree）是一种能够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扭转阑尾炎阑尾炎•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。（P171图8-1）•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。由JCSisson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可能受到损害。因此这项检查对病人是弊大于利，不宜使用。（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行推理和判断,以求解那些需要专家才能解决的复杂问题的一种智能计算机程序。•。•以专业知识来解决困难问题的计算机程序•以逻辑演绎或专家的经验法则来模拟人类的推理•其过程是透过对问题特征的了解，进而向系统中的专家知识库咨询，并藉由经验法则的应用，产生所需的答案•专家系统是一种具逻辑性推理能力，以其储存某特定领域或专家知识来解决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）灵活性：专家系统的组成（1）知识库•细菌感染病治疗专家系统MYCIN的一条规则如下:•如果:•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)有机体的形态是杆状的,且•4)有机体的需氧性是需氧的,•则:存在强有力的启发性证据说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、症状等以及推理而得的结果、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•它应具有下列功能:•(1)根据实践结果,发现知识库中不合理或错误的知识(规则),并予以删除。•(2)根据实践结果,总结出新知识,并加入知识库中。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:你怎么知道培养基是从无菌源取得的?MYCIN答:RULE001和RULE002提供了证据。•用户问:RULE001是如何触发的?MYCIN答:已知培养基的无菌性取决于对该培养基进行检验的方法,并且不知道是否小心地加以操作,所以有很大的可能性证明培养基是从无菌源取得的。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使用者