• 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。
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)＝0.391 P(H2)＝0.493 P(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。
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。
• 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。
• 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（clinical decision）。 • 决策（decision making）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JC Sisson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。
–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。
（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
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
n
P(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）
（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Al UA2…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∩…∩A n。
胆囊炎
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。
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
显然其症侯为B＝B13·23·33·42·51·61·73 ,则 B B B B B B
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(B13·23·33·42·51·61·73 B B B B B B |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) ＝9．45×10-8 P(H1)P(B|H1)＝0．351×9．45× 10-8 ＝3．695× 10-8 同理P(H2) P(B|H2) =5.53 × 10-5 P(H3) P(B|H3) =1.136 × 10-4
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。
疾病A 交 集 疾病B 交 集
疾病A
疾病B
交集划分
非确定性的交集划分
• 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
• 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。