一种基于知识发现方法的临床检验决策支持新模式研究

临床检验是医生了解病人健康状况、制定正确的治疗方案的基本手段之一。然而，近年来临床检验项目的应用呈现出过快增长的趋势。有研究表明，其中有很多检验项目是不必要的或者不适当的，不仅降低了诊疗效率，还造成了医疗资源的极大浪费。导致这种现象的主要原因是医生在临床检验决策时缺乏支持，而以疾病为中心的临床指南在此问题上无能为力。因此，亟需一种新方法对医生进行有效的决策支持。本课题针对这一具体问题展开研究，探索一种从历史数据中发现知识，并将其应用于临床决策支持的新模式。基本思想是采用自组织映射（SOM）神经网络技术，从过去积累的数据中挖掘出专家经验基础上的、代表多数人意见的临床检验项目的应用规律（知识），然后通过实例推理机制（CBR）将这些规律应用于新病例的决策中。本研究在合理应用临床检验项目、提高诊疗效率、控制医疗费用等方面具有重要的意义，所建立的方法学还可以为其它医学领域的相关研究提供新的思路。

我国医院信息系统运行多年来积累了海量数据，在这些数据中蕴涵着丰富的信息，但这些信息还没有被有效的挖掘出来变成知识，从而造成了一方面临床医生缺乏有力的证据进行决策支持，另一方面蕴涵着丰富信息的数据被闲置的现象。在此研究背景下，本课题针对临床检验领域医生在开检验单时缺乏有效的决策支持这一问题展开研究，采用自组织映射神经网络技术（SOM），从过去积累的数据中挖掘出专家经验基础上的临床检验项目的应用规律（知识），并探讨了将这些规律应用于临床决策支持的机制。. 本课题按照任务书中制定的技术路线实施，达到了预期的研究目标，主要成果有：（1）提出了一种应用于临床检验领域的决策支持模式，探索并构建了相应的“数据挖掘-决策支持”模式理论。研究结果表明该模式在理论上可行，且具有一定的可操作性。（2）构建了自组织映射神经网络模型及其算法。对现有的SOM模型算法进行了比较，并进行了相应的改进，以实际的临床检验样本数据构建了SOM模型，通过反复尝试，获得了较好的聚类效果，并具有一定的临床意义。编写了SOM聚类算法的Matlab相关程序。（3）在临床检验领域的信息标准化表达方面进行了深入的研究，构建了相应的信息模型，为建立实例知识库、建立决策支持系统提供了理论基础。. 本课题的意义在于可以提高现有的临床数据的利用效率，为建立临床检验领域的决策支持系统提供理论基础，在提高诊疗效率、控制医疗费用等方面具有重要的理论意义和实用价值，有较好的应用前景。. 下一步的研究计划是在目前的研究结果基础上，进一步探索这种数据挖掘与决策支持相结合的模式：（1）着重在提高数据质量的基础上进一步提高聚类效果；（2）在细化聚类结果的基础上构建实例知识库。