--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能与大数据技术导论" author: null edition: null publisher: null year: null isbn: "9787302517986" library_document_id: "cd4f7678-cd9b-4971-bde0-e9ad46a6cc71" source_sha256: "5011cdcf83cd5e047c93a1ce7465f970fc88be69c93b94be3d7fa5fbddbb43f0" pdf_physical_page_count: 490 pdf_physical_page_index_base: 0 range_start: 430 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71?start=430&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=430&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=420&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=440&limit=10" --- # 人工智能与大数据技术导论 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=430 | PRINTED_PAGE=414 1. 数据获取 数据获取即根据应用主题从医院信息平台获取相关原始数据存储于医疗大数据平台数据库。 2. 数据整合 数据整合是将从医院信息平台抽取的业务数据按照统一的存储和定义进行集成。医院信息化经过多年的发展，积累了很多基础性和零散的业务数据。但是数据分散在临床、医技、管理等不同部门，致使数据查询访问困难，医院管理层人员无法直接查阅数据，若对数据进行分析利用，则需要综合不同格式、不同业务系统的数据。 3. 数据加工 将整合后的数据进行清洗、转换、加载，根据业务规则建立模型，对数据进行计算和聚合。 4. 数据展现 数据展现即数据可视化，为方便医护人员、患者和管理人员理解和阅读数据，而采用相关技术进行的数据转换。 5. 数据分析 医疗大数据分析可服务于患者、临床医疗和医院管理。如图14-2所示是一个基于患者就诊过程的医疗大数据分析与应用的模型。 该模型展现了从患者入院到出院过程中产生的相关数据，主要包括患者特征数据、病种数据、治疗方案与费用数据、治疗状态数据及在该过程中产生的管理类数据。 ●患者特征数据 人工智能与大数据技术导论 414 ## PDF_PHYSICAL_PAGE_INDEX=431 | PRINTED_PAGE=415 患者特征数据主要有主诉、现病史、检查检验类数据，涵盖疾病的主要症状、体征、发病过程、检查、诊断、治疗及既往疾病信息、不良嗜好，甚至是职业、居住地等信息。 ●病种数据 即患者疾病的诊断结果，一般有第一诊断、第二诊断、第三诊断等。目前医疗机构大多使用ICD-9/ICD-10进行疾病的分类与编码。 ●治疗方案与费用数据 根据诊断结果，为患者提供的治疗方案与费用数据主要包括药品、检查、检验、手术、护理、治疗六大类，此外，费用数据还有材料费、床位费、护理费、换药费用等。 ●治疗状态数据 治疗状态数据即患者出院时的治疗结局，一般分为治愈、好转、未愈、死亡4类。 管理类数据 除了患者就医过程产生的服务于医院管理的数据外，还包括医院运营和管理系统中的数据，如物资系统、HRP、财务系统、绩效考核系统等产生的数据。 基于患者就诊过程的医疗大数据分析与应用模型，将医疗大数据分为患者特征、病种、治疗方案、费用、治疗状态、管理数据5种类型，主要的应用模式包括以下几个方面。 患者特征 根据患者居住地和就诊地的距离、医疗卫生服务水平等因素分析患者流向，通过患者、疾病、医疗机构多角度、深层次、全方位地分析影响患者跨域就诊的因素。 病种 通过对医院接诊患者的诊断结果可以分析医院疾病的种类和发病率，病种患者数量分布、病种科室分布等。 ●费用 对医院药占比、门诊病人次均医药费用、住院病人人均医药费用、门诊病人次均医药费用增幅、住院病人人均医药费用增幅、典型单病种例均费用、参保患者个人支出比例、医保目录外费用比例、检查和化验收入占医疗收入比重、卫生材料收入占医疗收入比重、挂号/诊察/床位/治疗/手术/护理收入总和占医疗收入比重、百元医疗收入消耗的卫生材料费用、管理费用率、资产负债率等进行分析。 患者特征-病种-治疗方案 包括病种与患者体征的关系、同一病种治疗方案选择的关系、病种与检查检验数据的关系、疾病与诊疗过程的关系、疾病和药物使用的关系等。 ●病种-治疗方案-费用-治疗状态 第14章 医疗大数据和人工智能 415 ## PDF_PHYSICAL_PAGE_INDEX=432 | PRINTED_PAGE=416 根据医疗机构的医疗费用和疗效数据，通过建立的成本-效果（疗效）分析模型，计算病种不同治疗方案的平均成本、平均效果、增量平均成本、增量平均效果等指标，以及成本-效果比（C/E）、增量成本-效果比（ICER）等效果指标，并进行相关指标的敏感度以及不同治疗方案的成本敏感度分析。 管理 基于医院信息系统产生的医疗业务、临床业务、医疗运营数据可开展动态化、过程化、精细化的医院管理。可以更有效地对各科室、各种医疗人员进行全面的医疗业务、医疗费用、医疗安全、医疗质量、医疗绩效的监管。 14.3 医疗大数据的 AI 应用 目前，行业治理、临床科研、公共卫生、管理决策、便民惠民以及产业发展已经成为我国健康医疗大数据的六大核心应用。AI应用以前三者为重点分析对象，聚焦于行业治理的体制改革评估、医院管理和医保控费；临床科研领域的临床决策支持药物研发、精准医疗等方面；公共卫生则在多元化数据检测的基础上构建重大突发事件预警和应急响应体系，同时探索开展个性化健康管理服务。在应用开发方面，IT巨头和数据驱动型创新企业各有特点，除此之外，拥有丰富资源的政府和医疗机构也开始扮演重要的角色。 下面我们阐述医疗大数据的几个AI应用：智能辅助诊疗、影像数据分析与影像智能诊断、合理用药、远程监控、精准医疗、成本与疗效分析、绩效管理、医院控费、医疗质量分析等。 14.3.1 智能辅助诊疗 借助大数据分析挖掘技术，在医院大量疾病临床资料的基础上，将同种疾病不同患者的就诊数据根据体征、环境因素、社会因素、心理因素、经济因素等多个角度划分为不同的组，以选择适合不同组的检查检验类型、治疗方案类型等。当有新的患者来医院就诊时，医生可进入系统，依据该患者的特征数据将其进行分类，然后为其选择个性化的诊疗方案。 14.3.2 影像数据分析与影像智能诊断 影像数据分析与影像智能诊断即借助PACS系统，在尽可能保持图像数据准确性和真实性的条件下，首先利用多维影像融合（CT/MRI/PET-CT）技术等对影像数据进行配准、分割、聚类，经过PACS处理的影像数据，进一步通过人工智能技术进行病灶识别等数据上的挖掘和应用，可有效减少医生的负担，提高医学判断的精准性。 14.3.3 合理用药 合理用药是根据疾病种类、患者状况和药理学理论选择最佳药物及其制剂，制定或调整给药方案，以期安全、有效、经济地预防和治愈疾病。除了执行国家药物政策、规范医疗行为、加强药学服务等措施之外，通过临床合理用药审核、咨询系统来规范临床医师的用药行为也是提高合理用药水平的有效措施。可采用大数据技术，依据患者的病历病史、疾病诊断、医嘱信息、用药信息、过敏信息等进行用药安全警示，如药物禁忌审查、配伍禁忌审查、药物相互作用审查等，及时发现不合理的用药问题。此外，可对医院历史处方数据进行大数据挖掘，分析抗菌药、注射剂、基本药物等占处方药的百分比，检验医院处方开具的不合格率，为规范医疗行为提供数据支持。 人工智能与大数据技术导论 416 ## PDF_PHYSICAL_PAGE_INDEX=433 | PRINTED_PAGE=417 14.3.4远程监控 远程病人监护系统包括家用心脏检测设备、血糖仪、芯片药片等。远程监控系统中包含大量的医疗数据，可从远程监护系统中进行患者相关体征数据的收集，经分析后再将结果反馈至监控设备，围绕体征数据的采集，对相应波动规律进行分析和判断，结合患者的病史资料，确定今后的用药和治疗方案。同时可减少患者的住院时间，缓解医院门、急诊排队拥堵的现象。 14.3.5精准医疗 大数据分析技术通过收集电子病历系统患者个人的完整临床诊疗记录、同病种相似患者的临床诊疗记录，并结合患者的基因信息，利用生物信息学分析工具、本体、数据挖掘等大数据分析技术，对所收集的数据进行整合分析，以精准查找致病病因，形成精准临床诊断报告，并为患者提供最佳治疗方案，达到治疗效果最大化和副作用最小化的目的。 14.3.6成本与疗效分析 以生存期和生活质量为临床疗效评价指标，通过比较不同治疗方案之间的健康效果差别和成本差别，从而为包括单病种控费、总额控制等在内的多种支付方式提供支持，实现在有效控制医疗费用的前提下提供最佳的临床诊疗方案。 14.3.7 绩效管理 通过大数据技术对医院床位使用率、财务收支、门/急诊量等医疗绩效指标数据进行分析，提供全方位的、精细化的、个性化的绩效评价体系。以美国为例，为减少再住院率，特地建立了一个模型来评估再住院风险。部分医院依靠这个模型，预测准确性可以达到79%，减少了约30%的再住院病例，为医院和病人节省了大量开支。 14.3.8医院控费 药品收入占比较大、大型医用设备检查治疗和医用耗材的收入占比增加较快、不合理就医等导致的医疗服务总量增加较快等，均是导致医院医疗费用不合理增长的原因。通过大数据技术测算各病种诊疗过程中的药品、检查、检验、手术、护理、治疗等方面的合理费用及补偿水 第14章 医疗大数据和人工智能 417 ## PDF_PHYSICAL_PAGE_INDEX=434 | PRINTED_PAGE=418 平，同时针对医疗费用控制的主要监测指标进行数据分析和挖掘，积极控制医院费用的不合理增长，实现医院精细化管理。 14.3.9 医疗质量分析 医疗质量是评价医院医疗服务与管理整体水平最重要的标准，一直以来都是医院管理工作的核心。利用大数据分析技术将医疗质量数据转换为管理人员所需要的指标信息，按照患者特征、历史资料、图表信息等为管理层提供数据支撑和依据，是医疗大数据重要应用的体现。 此外，医疗大数据和人工智能在疾病发病趋势预测、健康状况评估、患者需求与行为分析、心电数据分析与心电智能诊断方面的应用也将越来越广泛。 14.4 人工智能的医疗应用场景 “分级诊疗”被认为是解决目前“看病难”问题的最佳方案。所谓“分级诊疗”，就是按照疾病的轻重缓急及治疗的难易程度进行分级，不同级别的医疗机构承担不同疾病的治疗。这种模式源自西方且目前正在被西方各国普及，其主要特点是“全科医生（家庭医生）”和“专科医生”的划分与分工协同。分级诊疗面临的核心问题是优质医疗资源有限。分级诊疗的有效实施特别需要大量有能力、可信赖的全科医生来覆盖和满足大部分人日常医疗的需求。 既然好医生不够是核心问题，那么如何既快又好地建立起好医生队伍，就成为医疗行业发展的根本。而人工智能技术恰好非常适合优化和加速这个过程。医疗行业是一个存在大量数据，目前又特别依靠专家经验的行业。所谓诊断，大多是医生对病人的各种化验、影像等数据和信息的个人经验处理与判断。首先，人工智能特别适合快速高效地处理海量数据，尤其能够分析出人无法察觉的数据差异，而这点差异可能就决定了对疾病的判断；其次，通过机器学习，人工智能可将专家经验转换为算法模型，使得专家经验实现低成本复制，大量的基层医疗机构因此可以更方便地用人工智能专家进行诊断，这将有效支持分级诊疗的实现。 场景一：人工智能+家庭医生=健康监测 对于大部分国人而言，拥有一个家庭医生基本上是不可能的。而随着亚健康、慢性病的情况越来越普遍，拥有了解自己健康情况、能长期提供治疗指导的家庭医生服务，又显得越来越有必要。人工智能技术对海量数据的处理能力能够有效满足健康监测的需求，尤其对于患有慢性病的人群特别有用，可以有效降低其疾病风险和看病成本。 过去慢病管理主要靠病人自己，现在则可以借助互联网和人工智能技术，将病人、家属和医生都拉入慢病管理体系中，为各方都带来了益处。通过一些智能化的可穿戴设备，首先可以让用户更全面地掌握病情，用户能够随时查看自已连续的数据记录和图表统计；其次让用户的家人更放心，能够通过微信等方式随时监测用户的情况；最后让医生治疗更精准及时，医生能够更全面、实时地了解病人的体征变化，并提出更有效的保健或治疗方案。 人工智能与大数据技术导论 418 ## PDF_PHYSICAL_PAGE_INDEX=435 | PRINTED_PAGE=419 场景二：人工智能+全科医生=辅助诊疗 分级诊疗体系的成功建立，需要重点补充大量全科医生，以满足广大群众中日常病患的处理。而目前我国基层的医疗机构中，医生的学历、经验等普遍偏低，全科诊疗能力明显不足。利用人工智能学习和复制优秀医生的经验，补充并辅助基层医生的诊疗工作，是较快推动医疗体系落地的好办法。例如，某公司的AI辅诊系统就是一个借助人工智能技术，能够根据病人症状描述快速给出疾病判断和诊疗建议的智能系统。其工作原理主要包括三步： （1）基于机器视觉和自然语言处理技术，学习、理解并归纳现有的医疗信息和数据（包括医学文献书籍、诊疗指南和病例等），自动构建出“医学知识图谱”。 (2)基于深度学习技术，系统自动学习海量临床诊断病例，构建出“诊断模型”，实现根据症状输入、输出疾病判断和诊疗建议功能。 (3）实际参与诊断，对比专家医生的诊断结果进行模型优化。 这类AI辅诊系统对于缺乏专家等资源的基层医院特别有用：一是能帮助提高疾病风险排查率，通过提供疾病的预测建议降低基层医生对高危疾病漏诊的巨大风险；二是能帮助提高病案管理效率，目前国内的病案一般依赖病案室人力或数据公司整理，要投入大量的人力和资金，准确率也得不到保障。人工智能可以实现病案智能化管理，输出结构化病例，让医生从烦琐的病案工作中解脱，提升诊疗效率。 一些企业的AI辅诊系统据说已经能够识别预测500多种疾病，差不多覆盖了大部分科室，包括白内障、青光眼等常见病和肺癌、宫颈癌等重大疾病。诊疗风险预测准确率高达96%，已达到甚至超过普通医生的水平，能够有效补充和增强基层医生的诊疗能力。一些企业声称类似系统已经在100多家三甲医院落地，让人工智能辅诊成为高效的“助理医生”。 场景三：人工智能+专科医生=疾病筛查 对于专科医生，尤其是名医来说，海量需求带来的高强度工作是最头疼的问题。如何能够为这类医生节约时间是人工智能最大的价值。因此，在一些需要大量数据处理、重复性和规律性较强的环节，可以借助人工智能技术进行补充甚至替代。例如，AI影像系统就是以人工智能训练学习海量的影像数据，实现对特定疾病智能筛查的系统。该系统能够有效助力医生提升筛查诊断效率，从而提高早期患者的治愈率和存活率。其主要工作过程如下： （1）把医疗传统影像系统里的患者影像传送到AI影像系统中。 (2）对图片进行预处理，包括去掉片子里拍到的其他部位、进行3D化增强等，形成机器可识别的图片。 (3)将图片放到后台模型中，判断该部分是否有病变，标识出病变位置，亮点越亮表示病变风险系数越高。 (4)最关键的一步——分辨到底是炎症还是癌症，除了进行图像切分和识别外，还可能结合患病位置、大小、周围环境等其他信息，最终对病变进行判断，从而达到较高的识别准确性。 第14章 医疗大数据和人工智能 419 ## PDF_PHYSICAL_PAGE_INDEX=436 | PRINTED_PAGE=420 目前，该系统已实现了对早期食管癌、早期胃癌、早期乳腺癌、糖尿病性视网膜病变等多种重大疾病的识别和诊断，每月可处理上百万张影像，准确率已达到较高水平(如食管癌达到90%，糖网达到97%）。 国内已有多家医院（包括中山大学附属肿瘤医院、广东省第二人民医院、四川大学华西第二医院和第四医院等)加入了人工智能医学影像联合实验室。未来计划将该系统整合到核磁共振等医疗仪器中，让病人检查完直接出结果，省去系统间图像的传输过程，实现更高效的病症筛查。 在分级诊疗的体系中，人工智能确实可以有效实现对医疗资源和能力（尤其是基层）的补充和强化，从而加快整个分疗体系建设的完善。 14.5 人工智能要当“医生” 当然，人工智能要进入医疗行业，尤其是要承担部分甚至全部的医生职责，还面临很多挑战。其中最核心的问题，也是当前医疗行业最难建立的是：信任，尤其是病人对医生的信任。在过去的医疗体系改革进程中，商业化、市场化等负面影响逐渐增大，病人对医生“赚了钱治不好病”的问题越来越耿耿于怀，医患矛盾时有发生。往大医院跑成为病人的无奈选择，因为除了“名院名医”的招牌外，没有更好的信任建立和维护的手段。人工智能要在这个信用不太充分的行业获得患者、医生乃至监管部门的信任，可以说非常困难，但这也是必经之路。推动信任建立，至少有4个方面值得研究探索。 一是技术信任。人工智能在医疗行业的应用需要建立一系列的技术性能指标体系，并重点明确正式商用的指标水平要求，从而确保人工智能达到甚至超过人类医生的基准要求，比如疾病识别的敏感度、特异度、准确率等。 二是职责信任。人工智能使得传统人类医生的工作部分被智能机器接替，那么随之而来的问题是，这部分工作的质量和出错的风险应该由谁负责？是使用人工智能的医生、医院，还是人工智能供应商？这种根据具体情况而有所差异的责任归属容易让人产生模糊感。因此，需要重点明确责任归属的原则，以打消病人对“出了事找不到人”的顾虑。比如，在有付费交易的情况下，可按直接发生交易的双方确认责任主体。病人付费给医院得到治疗，用了院方提供的人工智能服务，出现问题时应由院方对病人全权负责。 三是隐私信任。病人采用人工智能诊疗服务，需要提供大量的个人健康医疗信息。这些信息大多私密性较高，一旦泄露会对个人声誉乃至安全产生风险，在数据隐私重点保护的范围之内。因此，应用人工智能进行诊疗需要与病人签订相关的数据隐私保密协议，让病人放心。比如协议中可明确规定，治疗期间所采集的个人数据，未经病人同意不得用作其他用途等。 四是情感信任。疾病治疗并非仅是生理治疗，心理、情感的疏导在病人的整个治疗过程中也非常重要。而目前由于医患资源的不匹配，医生对病人很少会进行有效的心理沟通和疏导，医患之间难以建立情感信任。而人工智能借助对病人个人情况的连续记录和洞察，有望提供个性化辅诊和陪护服务，从而成为医患情感信任建立的有益补充。因此，对于医疗行业而言，推动情感机器人发展也是未来的一大重要方向。 人工智能与大数据技术导论 420 ## PDF_PHYSICAL_PAGE_INDEX=437 | PRINTED_PAGE=421 希望未来的某一天，我们每个人都能拥有一个值得信赖的专属“医生”。在它的帮助下，病人不再需要挤破脑袋寻找名医，医生也不必心力交瘁地加班治病。如果能进一步打破机构间数据的壁垒，更广泛有效地训练这个人工智能“医生”的话，相信这一天不会太远。 14.6 医院大数据 当前，我们正处于一个数据爆炸性增长的时代，各类信息系统在医疗卫生机构的广泛应用以及医疗设备和仪器的逐步数字化使得医院积累了更多的数据资源，这些数据资源是非常宝贵的医疗卫生信息，对于疾病的诊断、治疗、诊疗费用的控制等都是非常有价值的。如何在大数据的趋势下做好医疗卫生信息化建设，是值得我们去探索的问题。 就现在来说，大数据在医疗行业的应用情况，国外比国内要多一些。国外一些医疗机构利用大数据提供个性化诊疗、个性化治疗、研制新药和预测分析等。而国内大数据的发展，目前来看大部分都是由一些公司自己进行开发的。例如，百度开发的疾病预测平台，利用用户的搜索数据和位置数据构建了疾病预测模型。 从现在的技术和需求来看，大数据的发展趋势分为数据收集、数据预测、提供决策支持分析、数据的价值提取4个阶段。就医院而言，在这个数据发展阶段，可以承担多重角色：既可以是原始数据供应者（主要是内部数据、结构化数据），也可以是数据产业投资者、数据价值消费者。目前，医疗大数据的发展正处于数据集成阶段。医院对于数据的收集和管理主要集中在结构化临床业务数据、影像数据与病历扫描图像数据、科研文献资料数据等。像医疗设备日志数据、生物信息数据、基因数据、人员情绪数据和行为数据等都还未进行收集和产生。 大数据趋势下，建设医疗信息化的几个关键要点如下。 ●加强数据集成 中国医院信息化起步相对较晚，很多医院没有从宏观高度统筹规划和系统设计的信息化工作，没有共享信息平台，更没有国家规范与标准，各开发商提供的所谓点对点数据接口也形形色色。异构系统是医院信息系统发展的必然形态。异构数据库系统的目标在于实现不同数据库之间的数据信息资源、硬件设备资源和人力资源的合并和共享。随着信息化技术的发展，医院的信息化已经从一体化发展阶段迈入了集成化阶段。集成化作为当前医院信息化建设的关键，是医院信息化建设的主要内容，在更大层面上体现着医院信息化的效益，更加考验医院和信息中心的建设能力。医院信息化的集成工作不单纯是把电子病历集成化，其他一些非电子病历的数据也需要做集成化处理。只有打通各个系统的数据，才能为以后进行大数据分析打下扎实的基础。 第14章 医疗大数据和人工智能 421 ## PDF_PHYSICAL_PAGE_INDEX=438 | PRINTED_PAGE=422 人工智能与大数据技术导论 ●提升数据质量 医院信息系统每天采集、传输、存储和处理大量的数字医疗数据，这些医疗数据支撑着整个信息系统的运行，成为医院管理和医疗业务工作的基础。医疗数据质量的高低直接影响和决定着医疗数据和统计信息的使用价值。提升数据质量方面，首先要保证数据的完整性，对电子病历进行结构化处理，更有效地进行数据的收集。同时，也要个性化地发展，专科电子病历作为比较火热的领域，为医院的大数据科研打下了非常好的基础。在数据的可用性方面，数据质量一定要有标准可以遵循，医院对于数据的质量要有一个监控的过程。医生利用系统查找出来的数据是三年以前的，这样的数据利用起来的话肯定会出问题的。在遵循标准的同时，数据采集的过程中也要进行规范化和标准化的管理。 ●提高数据安全 医疗数据和应用呈现指数级的增长趋势，也给动态数据安全监控和隐私保护带来了极大的挑战。在2017年6月，国务院发布了促进健康医疗大数据发展行动纲要的指导意见，将健康医疗大数据作为国家重要的基础性战略资源。国家对于健康医疗大数据的安全十分重视，“规范有序，安全可控”作为“意见”基本原则中最重要的一项。健康医疗大数据应警惕数据安全，保护患者隐私，才能真正实现数据融合共享、开放应用。 ●推进大数据应用的三大维度 在大数据时代的发展当中，医院的信息管理方式出现了非常明显的转变，其中的信息数据已经呈现出了非常显著的特征。但是，大数据距离临床业务发展成熟仍然是有距离的，目前科研还是大数据应用的主要战场。要更好地推进大数据的发展，首先，要扩大医疗信息化的覆盖面；其次，信息化在一个领域中要有深入的应用，比如高值耗材要深入到床旁、手术台旁等；最后，医院要利用信息化进行互联互通，产生协同效应。 14.7 机器学习在医疗行业中的应用实例分析 我们来看一个实际例子。如图14-3所示，日本横滨市从2008年起开始构建“119紧急电话对紧急程度/病情严重程度的识别（call triage）”预测模型系统。横滨市的call triage指的是从通话内容中预测拨打119电话的患者病情的严重程度，根据具体症状来调整急救人员的种类和规模。因为现在增加急救人员的人手存在困难，如何有效地安排就显得非常重要。这时，最重要的一点是“不能把重症的患者判断为轻症”，哪怕允许“把轻症的患者判断为重症”，也绝不允许系统把重症患者判断为轻症。也正因为如此，系统最初的预测精准度还不到30%。 422 ## PDF_PHYSICAL_PAGE_INDEX=439 | PRINTED_PAGE=423 基于30万份诊断数据，横滨市构筑了对病情严重程度进行预测的模型。为了提高准确度，始终在更新机器学习的方法。从最初的“1ogistic回归”分析到“贝叶斯网络”“支持向量机(SVM)”，再到现在的“随机森林”，随着每一次方法的改进，系统的预测精准度都有所提升，现在已经达到80%以上。有意思的一点是，比起在构建预测模型时参考了医生意见的贝叶斯网络，没有参考医生意见的SVM及随机森林的预测精确度反而更高。“电脑竟然能比医生更准确地判断患者病情的严重程度”，这对一般人来说可能在感情上很难接受。 通过在各个领域不断尝试机器学习并评估其成效，寻找可以应用的新领域，这种态度是非常重要的。制药公司过去依靠的是实验和建模方式，而现在它们开始利用机器学习进行新药研发。2014年，日本的非营利组织(Non-Profit Organization，NPO)“并列生物信息处理Initiative”举办了“用电脑创造制药原料”大赛。在这场大赛中，引进了机器学习的风险企业“信息数理生物”公司拔得了头筹。比赛的主题是从220万种化合物中寻找出拥有某种疗效的、可用于制药的化合物。在这里需要找出损伤蛋白质活性的化合物，这是造成疾病的原因。目前共有两种方法可以找出这种化合物：①进行真实的实验；②通过电脑建模的方式再现蛋白质和化合物的构造，并据此进行模拟实验。但是，化合物共有220万种，如果对每一种都进行实验或建模，从成本到时间上都很难做到。该公司以“结构相似的化合物，其作用也相似”这一生物规则为线索，让电脑“针对现有839医药品的结构进行机器学习，寻找结构相似的化合物”。实践证明，利用这种方法确实找到了有望作为药品发挥作用的化合物。 在素材和材料领域也能看到同样的探索。在“信息材料学”方面，现在正通过机器学习寻找可用于制造超导体及太阳能电池材料、锂离子电池材料的化合物。 第14章 医疗大数据和人工智能 423 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71.md?start=440&limit=10)