临床决策支持理论与方法是.pptVIP

临床决策支持理论与方法;教学目标;*;临床决策理论方法;什么是临床决策？;*;拥有足够的知识 充分的病人资料;*;指导性学习 ;非指导性学习 ;*;*;*;概率（p）：把医生对某事件发生的可能性的意见表示为0~1的一个数字。 P[A]：事件A发生的概率 P[A-]或P[-A] ：事件A不发生的概率 P[A] =1：事件A必然发生 P[A] =0：事件A不可能发生 P[A]+ P[A-]=1 P[A，B]或P[AB] ：事件A和B同时发生的概率 A和B为独立事件：一个事件出现的概率不影响另一个事件出现的概率，则 P[A，B]= P[A]× P[B] P[A|B]：已知事件B发生，事件A发生的概率，即B发生的条件下A的概率。;*;主观概率估计 启发式认知——经验法则;客观概率估计 利用群体或群体的某一亚组中某疾病的患病率或临床预测结果 临床预测规则：对从对有某种特定诊断问题的患者的系统研究发展而来，定义了医生如何综合使用临床现象来估???患病概率。 ;依据——降低不确定性的程度 ;检验结果异常的判定 ; ;检验性能的度量——ROC曲线 ;*;阳性检验的贝叶斯定理;贝叶斯定理的含义 疾病的验后概率随验前概率的增加而增加 验前概率低，阳性检验结果影响大，阴性检验结果影响小 验前概率高，阳性检验结果影响小，阴性检验结果影响大 ;*;为什么需要鉴别诊断？ 同一特征可能属于不同的疾病，即不同疾病都具有该特征 ;模式识别 把一个对象集合分成许多不同类的应用技术 利用同类事物的相似性和异类事物的差异性;句法模式识别 统计学模式识别 ;指导性模式识别 通过特征在不同类之间的统计分布差异来识别类 理想的（不交叠的）特征分布往往并不存在 利用多维的非理想特征提高总判别力 特征向量：对象的特征集合，如对象A具有特征a，b，c，…，则对象A的特征向量为 A=[a,b,c,…] a，b，c，… 为该特征向量的分量 类的识别：基于类的向量分量的均值、标准差及分量之间的相关性 ;指导性模式识别 最近相邻法则 不估计类的条件概率，直接得到验后概率 没有真正的学习阶段，学习集的所有对象均与其类成员关一起保存 缺点：需要极大的数据集，长时间的运算，且与特征值大小有关 ;非指导性模式识别 ;*;*;*;*;流程图 用结构的方法显示每一条规则按顺序过程作估计 ;*;*;*;*;*;决策分析结果的可靠性分析 需回答的问题：当概率和结果估计被赋予合理范围内的其他值时，关于优先选择的结论会发生变化吗？ 敏感度分析：在一个宽泛的概率和效用（或价值）的假设范围内，对结论的可靠性的检验。;长期健康结果决策——马尔科夫模型;分析患者症状后怀疑其患有某种疾病的医生有三个选择：;治疗阈值概率计算 决策树 假设治疗和不治疗的期望效用相等， 计算出治疗阈值概率;关于治疗、检验或不做处理的决策;临床决策支持系统;What is Clinical Decision Support System （CDSS）？ ;信息管理工具 提供数据和临床医生所需要的知识，但一般不帮其应用某特定的信息以完成决策任务。 如：临床信息系统、信息检索系统、专业知识管理工作站等 引起关注工具 提醒用户可能被忽略的诊断、药物配伍禁忌等问题 如：标志异常值的实验室系统、警示配伍禁忌的药房系统 提供针对患者建议的工具 基于针对患者的数据集合，提供专门为用户设计的评估或建议;*;按应用模式 提示提醒型 评判型 建议型 自主型;提示提醒 集成到临床信息系统（或电子病历系统）的临床决策支持系统 基于简单的逻辑判断，对临床信息进行主动的提示和提醒 ;评判型 事先根据相关信息生成一个决策建议，如果医生的决策与之不符，则给出决策建议。 适于医生愿意自己决策，并需要系统确认或评价，以辅助其修正决策 与提示提醒系统的不同之处：提供和用户的对话交互。;建议型 基于决策模型对患者状况进行推理，给出建议，供医生参考 系统独立、被动 医生需知道何时需要建议，并主动访问系统 医生需输入数据描述案例，并请求建议 允许医生控制系统的推理 ;自主型 与提示提醒、评判、建议系统的区别 由系统直接采用建议 应用领域 麻醉、呼吸机控制、给药系统等 主要功能 定时测定某些参数，决定是否实施当前治疗。 一旦发现参数改变，系统自动启动输液泵或呼吸机的设置，将监测的参数控制在目标范围内。 主要危险 设备或传感器失常也可能导致监测的参数异常;*;患者数据获取与验证 医学知识获取与验证 医学知识表示与推理 与临床工作流程结合 系统性能评估;所有这些方法都具有局限性 开发有效技术以准确、完整、有效地获取患者数据非常具有挑战性 超越数据录入的主要障碍 缺乏标准的计算机可理解的表达大多数临床情况的方法 电子病历是不完整的信息来源，可能未包括具体患者的某些必要数据;