人工智能及机器学习在心血管疾病中的应用

人工智能(AI)及机器学习(ML)因其独特的优势逐渐在医学领域得到了较为广泛的应用。在心血管疾病中,该技术在处理电子病历记录中繁杂的数据,预测分析疾病发展及预后,自动分析和识别心血管影像学及心律失常,发现疾病新亚型等方面已经取得了一定进展。AI及ML在心血管疾病研究中潜力巨大,将会为心血管领域带来全新的突破。     

电子病历中命名实体的智能识别

电子病历中命名实体的识别对于构建和挖掘大型临床数据库以服务于临床决策具有重要意义,而我国目前对此的研究相对较少。在比较现有的实体识别方法和模型后,采用条件随机场模型(CRF)机器学习的方法,对疾病、临床症状、手术操作3类中文病历中常见的命名实体进行智能识别。首先,通过分析电子病历的数据特征,选择以语言符号、词性、构词特征、词边界、上下文为特征集。然后,基于随机抽取的来自临床医院多个科室的电子病历数据,构建小规模语料库并进行标注。最后,利用条件随机场算法执行工具CRF++进行3次对照实验。通过逐步分析特征集中的多种特征对CRF自动识别的影响,提出在中文病历环境下CRF特征选择和模板设计的一些基本规则。在对照实验中,本方法取得了良好效果,3类实体的最佳F值分别达到了92.67%、93.76%和95.06%。     

关于电子病历评价模式应用状况的文献计量学评价

评价国内外电子病历评价模式的应用并比较优缺点,为我国电子病历应用效果的评价和评价体系的建立提供参考及理论指导。从Ovid-MEDLINE、EBSCOhost、EI、EMBASE、PubMed、IEEE以及中国生物医学文献数据库(CBM)和中国知网(CNKI)检索1990年1月-2012年12月的相关文献,并对这些文章的参考文献进行手工检索,共有1 736篇文章来自对以上数据库的计算机检索,通过手工检索另有16篇文章。按照纳入与排除标准选择文献,并对相关资料进行提取分析。在最终纳入的35篇文章中,美国在电子病历评价研究数量方面以54.28%处于领先位置,加拿大和日本分别以8.58%居于第二位。在评价模型应用方面,信息系统成功模型、技术接受模型(TAM)、创新扩散模型与成本-效益评估方法运用广泛,分别占25%、20%、12.5%和10%。本研究对电子病历评价模式的应用情况作了较全面的评估,为我国电子病历的相关评估工作提供借鉴。     

电子病历在医院信息化中的应用及存在的问题

在经济全球化、社会信息化的进程中,我国医院已进入了数字化和信息化时代,医院信息化使医院工作流程发生了改变和创新,并使医院得到了全面发展.医疗信息技术的核心内容是要解决在医疗卫生健康领域中各类信息的生成、融合、存储、传输、管理和利用的问题,由此产生的电子病历及其相关技术的研究和应用在近几年得到了迅速发展.电子病历在数字化医院中发挥了很重要的作用,本文就电子病历在医院信息化中的作用尤其是其临床价值,及存在的问题进行了阐述.     

医院信息系统中门诊电子病历的设计与研究

基于医院信息系统的设计与开发,对门诊电子病历进行了设计、研究与实现,并在此基础上分析了临床诊疗、医院管理工作对电子病历的要求,研究了电子医嘱模板的形式对临床诊疗的满足情况,与目前比较普遍采用的电子病历的设计方法作了对比。系统采用MSSQL2000数据库存储与电子病历相关的信息。利用PowerBuilder9.0编写代码与制作界面,实现整个系统的功能。     

基于卫生信息平台的电子病历信息共享研究和实现

研究信息共享的关键技术,通过电子病历的标准化和结构化处理、传输和交换,实现电子病历信息的共享。在卫生部电子病历数据标准的基础上,结合采用情景分析法和层次分析法,通过Delphi法专家咨询确定电子病历可以结构化的数据项,实现电子病历的标准化和结构化处理;然后运用SWOT分析法,结合应用可扩展标记语言（XML）和临床文档结构标准（CDA）两项技术,实现电子病历的标准化传输和交换,使得电子病历信息在传输和交换过程中能够被机器自动识别,实现数据的自动化传输和交换;最后,研发电子病历完整性测试系统,实现电子病历完整性的自动测试。完成电子病历信息标准化和结构化处理、传输和交换全流程的技术研究,形成技术规范。有123家医院实现电子病历标准化上传省级卫生信息平台,有16家电子病历提供商具备了电子病历标准化和结构化处理、传输和交换能力。初步实现了电子病历的信息共享,电子病历数据传输技术规范作为浙江省地方标准正式颁布实施。     

腹腔镜阑尾切除术76例的临床分析

电子病历是医院信息化建设、计算机网络化应用的必然结果.在国外电子病历已经有了相当程度的普及和应用,而我国的电子病历发展尚在起步阶段.本文在对国外电子病历建设中术语标准化、互操作性和隐私权保护三个关键方面进行综述的基础上,对我国电子病历发展提出三点启示.     

虚拟现实技术在计算机模拟病例系统中的应用

背景：虚拟现实技术在医学领域的应用研究已经取得了丰硕的成果,展现出了很好的应用前景,是医学数字化研究的重要工具。 目的：介绍基于虚拟现实技术的计算机模拟病历系统的应用与设计。 方法：应用计算机检索CNKI数据库、维普数据库、万方数据库和EBSCO数据库,以“虚拟现实,模拟病例”为中文检索词,“case simulations,CCS,virtual reality”为英文检索词,检索了1991/2011国内外相关研究文献85篇,最终纳入符合标准的文献20篇。 结果与结论：虚拟现实技术在医学领域中的应用越加广泛,利用虚拟现实技术设计实现的模拟病历系统为医学工作者提供了新的互动式技能培训方式。实现了由计算机软件人机交互地对患者疾病状况的模拟,较逼真地模拟医生看病的临床过程。实现了对使用者的基本检查能力、高新诊断技术运用判断能力、检查结果判断能力、诊断能力、药物治疗能力、非药物治疗手段运用能力、综合治疗能力等实践技能的测评。模拟病历系统虚拟平台在医学教学发展和临床技能培训等方面有着良好的应用前景。     

手外科电子病历的设计与实现

目的 设计开发手外科电子病历系统.方法 以SQL Server 2005为后台数据库、以Delphi 7.0为前台开发工具,建立结构化手外科电子病历.结果 系统运行良好,实现了用计算机技术管理手外科病人医疗信息.结论 该系统能有效提高医生书写病历的效率与质量,减轻医生的工作量,为将来全面实现电子病历打下基础.     

基于超声病历的数据库管理与分析系统

为了解决超声医学技术的快速发展带来的病历数激增而难以管理的问题,完成了超声病历数据库管理与分析系统的设计与验证。系统基于SQL Server数据库技术、Visual C#窗体应用程序技术、医学数据统计分析技术成功构建了一套以超声为核心的病历数据库管理与分析系统,同时系统留有电子病历、实验室检查、病理检查等数据接口,并将病历数据的常用统计分析算法结合起来。通过导入原有病历数据试验,超声科医生对于病历数据库的管理分析及相关课题研究效率提升50%以上。试验结果表明该系统有助于超声科医生对于病历数据的管理与分析,对提高医疗科研效率具有实际意义。     

机器学习在抑郁症辅助诊断中的应用进展

随着抑郁症诊疗技术的发展，各种抑郁症相关的临床数据量急速扩增，机器学习技术恰好适用于大数量、多维度、多模态的数据，通过机器学习技术自动学习抑郁症诊疗数据中的特征，利用数据特征对抑郁症进行疾病诊断、疗效预测，达到抑郁症辅助诊断的目的。本文从机器学习在不同种类临床数据上应用的角度对文献进行了系统性分析，总结了机器学习在抑郁症辅助诊断领域的通用研究流程及常用研究方法，并展望未来的研究方向以及面临的挑战。     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

基于深度学习的医学图像识别研究进展

近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战。深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路。首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;最后对深度学习在医学图像识别中存在的问题进行分析及展望.     

基于知识的放射治疗技术研究

文章介绍了基于知识的放射治疗技术（KBRT）相关概念和KBRT技术的实现方法,重点介绍了KBRT中的特征检索法以及在机器学习上的应用。随后回顾了当前KBRT在多部位肿瘤放疗中的应用及对于剂量学评价标准的改进、KBRT模型相关参数和离群值的研究以及KBRT与多种放疗技术相结合等研究热点。文章还指出了KBRT技术在现阶段遇到的问题和挑战,从而进一步提出了KBRT在今后研究中的发展方向,并对KBRT在多中心合作、自适应放疗以及在机器学习方法的深入研究等相关话题展开讨论。     

Learning from heterogeneous temporal data in electronic health records

Electronic health records contain large amounts of longitudinal data that are valuable for biomedical informatics research. The application of machine learning is a promising alternative to manual analysis of such data. However, the complex structure of the data, which includes clinical events that are unevenly distributed over time, poses a challenge for standard learning algorithms. Some approaches to modeling temporal data rely on extracting single values from time series; however, this leads to the loss of potentially valuable sequential information. How to better account for the temporality of clinical data, hence, remains an important research question. In this study, novel representations of temporal data in electronic health records are explored. These representations retain the sequential information, and are directly compatible with standard machine learning algorithms. The explored methods are based on symbolic sequence representations of time series data, which are utilized in a number of different ways. An empirical investigation, using 19 datasets comprising clinical measurements observed over time from a real database of electronic health records, shows that using a distance measure to random subsequences leads to substantial improvements in predictive performance compared to using the original sequences or clustering the sequences. Evidence is moreover provided on the quality of the symbolic sequence representation by comparing it to sequences that are generated using domain knowledge by clinical experts. The proposed method creates representations that better account for the temporality of clinical events, which is often key to prediction tasks in the biomedical domain.     

消化道内窥镜图像异常的人工智能诊断方法研究进展

随着深度学习的出现,图像处理不再局限于人工提取特征,转而对图像进行端到端的预测,实现了人工智能在图像处理领域的又一历史性飞越。作为人工智能医疗领域的热点应用,内镜图像异常检测能够准确快速地筛选整个消化道的异常,为医生提供诊断帮助。该文围绕消化道图像最为常见的息肉、出血、溃疡等异常,对其智能诊断方法展开研究,并探讨机器学习在消化内镜异常检测的应用现状,最后展望了未来消化道内窥镜病灶智能诊断的研究方向。     

Assessing explicit error reporting in the narrative electronic medical record using keyword searching

BACKGROUND: Many types of medical errors occur in and outside of hospitals, some of which have very serious consequences and increase cost. Identifying errors is a critical step for managing and preventing them. In this study, we assessed the explicit reporting of medical errors in the electronic record. METHOD: We used five search terms "mistake," "error," "incorrect," "inadvertent," and "iatrogenic" to survey several sets of narrative reports including discharge summaries, sign-out notes, and outpatient notes from 1991 to 2000. We manually reviewed all the positive cases and identified them based on the reporting of physicians. RESULT: We identified 222 explicitly reported medical errors. The positive predictive value varied with different keywords. In general, the positive predictive value for each keyword was low, ranging from 3.4 to 24.4%. Therapeutic-related errors were the most common reported errors and these reported therapeutic-related errors were mainly medication errors. CONCLUSION: Keyword searches combined with manual review indicated some medical errors that were reported in medical records. It had a low sensitivity and a moderate positive predictive value, which varied by search term. Physicians were most likely to record errors in the Hospital Course and History of Present Illness sections of discharge summaries. The reported errors in medical records covered a broad range and were related to several types of care providers as well as non-health care professionals.