基于在线健康社区的病患知识发现和个性化诊疗推荐方法研究

The demand for health and aged service keeps growing in China, due to rapidly ageing populations and increasingly burden of chronic disease. As the lack of resources for health and aged service, and increasingly popular online social media, more and more patients and doctors share health knowledge via online health community. An important approach of innovating China’s health and aged service is to fully exploit the “latent knowledge” of online health community and combine the knowledge with clinical practice of precise health care. A scientific problem that needs to be solved urgently is how to discover patients’ experience knowledge from large volume, non-standard and low-value density data, and integrate it with the characteristics of patients. By comprehensively using content analysis, data mining, and case study, this research analyzed on the features of network structure, individual patient, and the data of online health community; explored knowledge discovery method driven by online health data based on known algorithms; and studied personalized recommendation method in consideration of individual patient features, online network features, and patient’s knowledge discovery. Theoretically, we proposed a relatively complete framework for research on knowledge discovery of online health community, which not only provided a new data driven perspective, but also offered a new method or personalized knowledge recommendation research. The findings enrich the research of online health community to some extent. Besides, it also provided methodological guidance for the use of data resources embedded in online health community.

我国快速到来的老龄化和不断增加的慢病负担引发了健康和养老服务需求的不断增长。资源短缺加之互联网技术发展，越来越多的病患和医生通过在线健康社区共享医疗健康知识，获取医疗健康服务。基于在线健康社区充分发掘其“潜在知识”并与精准医疗实践相结合，是我国健康医养服务创新的一条重要路径。如何从大数据量、不规范、低价值密度数据中进行病患经验知识发现并融入病患特征进一步提供个性化诊疗推荐方法的研究，是当前亟待解决的一个科学问题。本研究综合运用文本分析和数据挖掘及案例分析等方法，分析在线健康社区的网络结构特征、病患个体特征和数据特征，并依此提出在线健康数据驱动的知识发现方法和个性化诊疗推荐方法。理论上，提出了较为完整的在线健康社区知识发现研究框架，为研究拓展了数据驱动的新视角同时又为个性化推荐领域增添了新方法。研究结果不仅丰富了在线健康社区相关研究，而且为利用在线健康社区的数据资源提供了方法论的指导。

本项目开展了在线健康社区知识管理、基于大数据的慢病风险预测，以及医疗养老等服务系统的可及性及生态系统三个方面的深入研究。.首先基于在线健康社区的大数据环境，分析在线健康社区的网络结构特征、病患个体特征和数据特征，整合在线健康社区用户交流的碎片化潜在知识，绘制了知识网络图，构建了用户知识网络以及用户知识交流、关注以及核心热点子网络。随着线上线下相结合，线上信息影响线下就诊，研究将在线健康社区(OHC)信息分为客观信息和主观信息，调查了这两种信息如何影响患者从在线医生转向线下医疗服务的决策，并探讨这两种影响之间相互作用的性质。基于精细加工可能性模型(ELM)和服务质量的相关理论，探究不同路径下的患者择医行为的影响因素和疾病风险的调节作用。研究结果表明ELM 理论的中心路径和边缘路径的因素会影响患者的在线择医行为意向；OHC 信息与患者从医生在线切换到线下医疗服务有很大关系。这些研究有利于挖掘用户信息需求，辅助网站建设者和医生进行知识管理和诊疗判断。. 结合线下医疗病例等大数据，项目开展了典型慢病风险、慢病二次入院风险等预测研究工作。基于模糊多属性等多种理论和人工神经网络、机器学习算法等，将病患知识发现、病患特征和实际医学案例特征进行融合推断，构建了脑卒中、糖尿病、慢阻肺等典型慢病风险的预测模型，扩展了以往关于慢病研究的预测方法，将集成学习算法和人工神经网络应用到糖尿病预测方面，促进风险预测工具的推广和提升应用价值，为基于知识的个性化诊疗推荐提供模型和方法支持，为精准医疗提供辅助决策支持。. 还针对医疗养老等资源供需严重不平衡和分配不均问题，从服务资源分配公平性与地理位置相关性等视角，对以广州市为代表的一线城市医疗养老等服务资源的可及性及生态系统开展研究。探索影响服务资源可及性和满意度的因素，研究生态系统稳健性。研究为优化医疗养老等服务，协调区域医疗服务供应网络，改善地区医疗服务资源配置不平等提供理论支撑和建议。