Chapter15 决策支援的方式.PPT

Chapter15 決策支援的方式 邱鈴怡 N9770101 98.04.25 Introduction 醫療照護決策支援的方法與技術。在病患照護的過程 中，收集到的資料都會影響決策，本章節主要探討的兩 決策： 與診斷有關的決策，也就是利用病患個體的資料經電腦輔助來診斷疾病，如：EKG。 與治療相關的決策，也就是以證據為基礎來決定最適的下一步檢查與治療，如：抽血結果。 醫療知識的形成 知識的兩種形態： 科學或正規知識：在認知(cognition)與推論演繹(deduction)，需了解生物程序的準則及病理情況與疾病徵狀間的關係。 經驗知識：集結可驗證的病患資料庫，與識別(recognition)和歸納(induction)有關。如醫師過去看過的經驗，因而判定為某一種疾病。 醫療知識的形成 需要電腦輔助的原因： 人常常會犯錯。(To err is Human) 醫師無法跟上不斷增長的醫療知識。 有效率的對大量的經常性選擇做出決策。 減少照護成本下提高醫療品質。 醫療知識的形成 阻礙電腦決策制定支援的原因： 醫療知識不斷增長，但人腦卻有限。 病患資料通常不足。 特定病患的問題通常是新問題且是不重複的。 人機學習 學習過程是經由教育和訓練，認知的層次則在考試時測驗出來的。如果考試的結果是滿意的，知識的擷取就可以應用在實物上。 特徵(Features) 為解了某些疾病的徵狀與徵後，必須透過學習在研究中了解，或是從經驗中成長。 病候與疾病 第一型(疾病→徵候)是科學研究與臨床實驗的觀察結果。 第二型(徵候→疾病)由醫師個人的實際經驗得來。 貝式定理(Bayes’rule)。 變異性 相同病患在不同疾病階段或環境改變時也會有很大的變異性。 人機學習 特徵選擇 決策支援電腦之訓練的主要部份，是從不同的健康或病理條件或不同的疾病中定義哪一個徵狀，徵候或評估方法是最重要的。 特徵與決策模型 決策模型能夠幫助選擇最佳的特徵，若是選擇了最佳的特徵決策模型就能夠達到最佳化。 人機學習 指導性學習 電腦在訓練集合中每一個病患的疾病或健康狀態，然後電腦依據識別力被要求排序這些特徵。 非指導性學習 電腦以一組一組的方式將不同的疾病診斷特徵集合分類。 決策支援模型 診斷決策制度與從某一些事件中偵測其他類似的事件。事件的偵測或是疾病的診斷越困難，必須花費的努力也越多。 決策支援模型 單一特徵：單一決策門檻 決策模組的工作就是將錯誤判斷的機率最小化（FP與 FN），給特徵參數，找出疾病發生的優先機率及每一個決策的成本。 TP→正確判斷有 TN→正確判斷無 FP→沒有判斷無 FN→有判斷沒有 接收者操作特徵 決策模組的效能 決策模組的效能： TP= a/(a+b) →敏感性（sensitivity） TN= d/(c+d) →明確度（specificity） a /(a+c) → 陽性預測值 （positive predictive value） d /(b+d) → 陰性預測值 （negative predictive value） 成本和風險 成本和風險 例：人口篩檢找出太多FP(無→判斷有)高血壓病患，導致檢驗成本過 高，但太多的FN使篩檢結果無用處，產出太多錯誤警告(FP)將會 導致人員對正確的陽性(TP)警報減少注意。 特定決策門檻的選擇是依據： 　1.疾病發生的優先可能性 　2.FP和FN的決策與成本的相關 　3.制定正確決策的利潤和效能 貝氏定理 貝氏定理：運用發生疾病的優先可能性p(D)和疾病症狀p(S/D) 的基本知識計算出疾病發生的後續可能性和症狀 p(D/S)。 公式： 多重特徵/複合性疾病 多重特徵：應用統計方式更進一步的使用多種特徵來作多 種疾病的診斷，可分為指導性學習及非指導性學 習。 複合性疾病：診斷超過兩個疾病時可以應用兩種單一特徵的決策 方式同樣的規則。 K × L 矩陣（K欲區分疾病的數量， L 是真正發生疾病的數量） 定性決策支援方法 定性方法是以人類的感覺為主的一種方式，較沒有正規。 一般使用推論法或邏輯作業的符號模型為主的經驗法則來敘述問題解決途徑。 制定電腦的經驗決策有三個不同的策略需要遵守： 使用所有微決策模擬：決策表或真值表 依據順序使用微決策：流程圖或決策樹 在模擬規則中使用微決策：規則導向或定性法 規則導向推論：1.前授推論 (資料驅動推論) 沒有規則在主要資料集或結論時，整個程序就停止。