数据挖掘在生物医学数据分析中的应用

随着信息技术的发展,采集、存储和管理数据的手段日益完善,数据挖掘学科应运而生。文章阐述数据挖掘的概念;通过给出各种数据挖掘方法在生物医学研究领域中的应用实例,分析数据挖掘与生物医学领域中统计学的关系,并就国内生物医学数据挖掘的应用现状、需要解决的问题以及今后研究的发展方向等进行综述。     

生物医学数据挖掘技术与应用

数据库技术的发展解决了海量数据的存储和数据检索的效率问题,但是,生物医学数据库的建立和应用存在“数据丰富。信息贫乏”的现象,为了解决其中的“知识发现”问题,数据挖掘技术得NT广泛的重视。简述了生物医学数据挖掘的特殊性和关键问题,并分析了数据挖掘技术在生物医学中的应用研究及应用缺乏的原因。     

数据挖掘在医学上的应用

数据挖掘是一门新兴技术,即利用人工智能、机器学习、数理统计等方法从数据中提取有价值的信息。数据挖掘有广阔的应用前景,其在医学方面的应用包括:在生物医学／DNA、临床医学、医疗质量管理、医学图像、药品／毒理学等的应用,以下对数据挖掘及其在医学领域的应用进行综述。     

共现分析技术在生物医学信息文本数据挖掘中的应用

介绍了共现分析技术的基本理论及其分析研究流程,对其在生物医学信息领域的文本数据挖掘进行了详细的阐述。     

生物医学文本知识发现的研究进展

目前,如何解决海量文本信息与知识增长缓慢的矛盾,以可信的方式发现文本中有用的模式是一项严峻的挑战。本文就国际上有关文本挖掘在生物医学领域的应用进行阐述。概念识别和发现关系研究已经取得丰硕成果,而元数据挖掘正处于起步阶段。利用元数据进行生物医学文本挖掘以及建立知识库是现阶段文本知识发现的重要任务。     

数据挖掘在公共卫生领域的研究现状

随着公共卫生信息化的迅速发展,公共卫生领域也迎来了大数据时代的潮流。从海量的数据中甄别、过滤有价值的信息就涉及到数据挖掘技术。本文对数据挖掘进行了概述,探讨了数据挖掘在疾病预测与预防、个性化健康预测、流行病学病因研究、传染病预警预报、公共卫生管理5个方面的具体研究现状,并对数据挖掘在公共卫生领域面临的挑战进行了阐述,展望了数据挖掘在公共卫生领域的应用前景。     

专题述评:医学文献群中隐含信息的揭示与表达

发展医学信息学,开展生物医学数据分析与文本挖掘技术研究是卫生部《医学科技发展"十二五"规划》中提出的重点任务之一。医学数据挖掘在当前医学信息学研究中,利用丰富的数据库资源和科学有效的方法挖掘、分析和发现医学领域的研究热点、学术前沿和学科发展方向是一项很有学术前景的研究内容,研究结果可以为推动医学科技的创新发展提供信息支撑。     

数据挖掘技术及其在中医药领域中的应用

数据挖掘(Data Mining)是一个涉及多学科交叉研究的领域,它融合了数据库技术、人工智能、机器学习、统计学、知识工程、神经网络等最新技术的研究成果,介绍数据挖掘技术的概念、产生背景、理论基础、分类、软件的发展及其数据挖掘技术在中医药领域的应用.     

嵌入式系统技术在医学领域的应用

随着嵌入式系统技术的日趋成熟,嵌入式系统越来越多地应用于医学领域。嵌入式系统在医学仪器领域的应用,已成为现代医学电子仪器的研究热点及发展方向。嵌入式医疗仪器是先进的嵌入式技术与生物医学的完美融合,是生物医学和计算机技术、电子技术、半导体技术相结合的产物,是生物医学工程发展的结晶、反映了当代最新技术的先进水平。而且嵌入式系统技术在医学领域的应用会越来越广泛。     

机器学习在静脉血栓栓塞疾病中的研究进展

<正>近年来人工智能(artificial intelligence, AI)在生物医学研究和医疗保健领域中的应用逐渐兴起^[1-2],在疾病的预测、诊断与治疗方面取得了进步^[3]。AI在健康领域的应用大致可分为四个大类,包括专家系统、机器学习、自然语言和信号处理,机器学习算法是数据挖掘领域的主要方法^[4]。1 机器学习的典型应用静脉血栓栓塞(venous thromboembolism, VTE)是全球三大常见血管源性疾病之一,     

Data Mining in Healthcare and Biomedicine: A Survey of the Literature

As a new concept that emerged in the middle of 1990’s, data mining can help researchers gain both novel and deep insights and can facilitate unprecedented understanding of large biomedical datasets. Data mining can uncover new biomedical and healthcare knowledge for clinical and administrative decision making as well as generate scientific hypotheses from large experimental data, clinical databases, and/or biomedical literature. This review first introduces data mining in general (e.g., the background, definition, and process of data mining), discusses the major differences between statistics and data mining and then speaks to the uniqueness of data mining in the biomedical and healthcare fields. A brief summarization of various data mining algorithms used for classification, clustering, and association as well as their respective advantages and drawbacks is also presented. Suggested guidelines on how to use data mining algorithms in each area of classification, clustering, and association are offered along with three examples of how data mining has been used in the healthcare industry. Given the successful application of data mining by health related organizations that has helped to predict health insurance fraud and under-diagnosed patients, and identify and classify at-risk people in terms of health with the goal of reducing healthcare cost, we introduce how data mining technologies (in each area of classification, clustering, and association) have been used for a multitude of purposes, including research in the biomedical and healthcare fields. A discussion of the technologies available to enable the prediction of healthcare costs (including length of hospital stay), disease diagnosis and prognosis, and the discovery of hidden biomedical and healthcare patterns from related databases is offered along with a discussion of the use of data mining to discover such relationships as those between health conditions and a disease, relationships among diseases, and relationships among drugs. The article concludes with a discussion of the problems that hamper the clinical use of data mining by health professionals.     

生物医学科研数据管理服务的研究

基于生物医学领域科研人员对科研数据管理服务的需求,分析国外生物医学领域学科馆员的为科研用户提供研究数据管理服务,重点分析美国NIH生物医学学科馆员支持科研课题研究数据管理服务的模式、内容和效果,探讨我馆学科馆员如何参与生物医学数据管理服务。     

生物医学文献的知识发现与数据整合

通过整合生物医学文献与科学数据,创建数据和文献能够交互操作的开放式环境,充分发现生命科学领域新的知识,已经成为当前数据密集型科学发现的研究热点之一。系统分析和阐述了国内外生物医学文献挖掘与科学数据整合领域的整合方式和研究内容,调研了不同整合方式的对应系统,展望了生物医学文献与科学数据整合领域的发展趋势。     

国外生物医学科研数据管理服务与启示

基于生物医学领域科研人员对科研数据管理服务的需求,分析了国外生物医学领域学科馆员为科研用户提供的数据管理服务,美国NIH生物医学学科馆员支持科研课题研究数据管理服务的模式、内容和效果,探讨了国外生物医学数据管理服务对我馆学科化服务的启示。     

国际生物医学科学数据审编研究热点探析

以2015-2016年两届国际生物医学审编会议上领域专家讨论的报告和会议论文集,以及PubMedCentral中近5年来有关Biocuration和Data Biocuration的研究文献为数据源,采用内容分析法对生物医学科学数据审编的研究主题进行分析、归纳和总结,重点从Biocuration的工作机制、生物医学数据标准构建与应用、集成与可视化、审编与应用、生物医学文本挖掘等方面进行梳理,以期为我国生物医学科学数据审编的发展提供国际经验。     

An algorithm of linear modelling for biomedical data analysis

Ａｎａｌｇｏｒｉｔｈｍｏｆｌｉｎｅａｒｍｏｄｅｌｌｉｎｇｆｏｒｂｉｏｍｅｄｉｃａｌｄａｔａａｎａｌｙｓｉｓ￥ＸｕＹｏｎｇｙｏｎｇ（徐勇勇）；ＣａｏＸｉｕｔａｎｇ（曹秀堂）；ＸｉａＪｉｅｌａｉ（夏结来）（ＤｅｐａｒｔｍｅｎｔｏｆＨｅａｌｔｈＳｔａｔｉｓ...     

一种基于内容的数据挖掘方法

决策离不开知识,从数据库中采掘知识是解决从大信息量中获取有用知识的有效途径。本文对当前的一些常用的数据挖掘方法,如神经网络、决策树、K-means聚类算法,粗集和模糊集理论等方法的研究现状进行了评述和总结。在此基础上提出了一种基于内容的数据挖掘算法,它是两阶段检索技术,再加上粗集,近似匹配(模糊集理论),K-means聚类等数据挖掘方法以及用户反馈机制等相结合的算法。最后本文还指出了数据挖掘的未来发展前景。     

第二代互联网医学：从数据到价值

互联网医学是在互联网、云计算、可穿戴设备、社会网络等相关技术的迅猛发展下,尤其是生物医学大数据背景下出现的新医学范式。生物医学数据的收集、存储、信息互联互通、隐私性保护、本体构建和数据共享、相关信息平台的构建等是第一代互联网医学的主要关注点和数据层次上的准备。第二代互联网医学将更关注生物医学大数据的深度挖掘、价值实现和精准应用。从互联网医学发展的社会经济生态、技术融合生态、学术交叉生态等视角,探讨了第二代互联网医学的发展趋势,讨论从精准临床治疗到个性化健康管理范式转变的科学挑战和应用前景。     

基于数据仓库和数据挖掘的医院决策支持系统设计

医院信息系统(HIS)的研究与开发是实现数字化医院的根本途径。基于数据仓库和数据挖掘技术的决策支持系统是对HIS数据的高层次开发。首先介绍了数据仓库、数据挖掘以及决策支持系统的技术特点,在此基础上,提出了基于数据仓库和数据挖掘技术的医院决策支持系统体系结构,并研究和分析了这种体系结构的优越性。