詢證醫(yī)學論文精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的詢證醫(yī)學論文主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：詢證醫(yī)學論文范文

1.1有助于調(diào)動醫(yī)學生對文獻檢索課的積極性

在進行醫(yī)學文獻檢索的教學中，學生們是教學的主體，教師著重培養(yǎng)學生對于信息的感知以及查找的能力，不斷增進學生對醫(yī)學文獻信息的獲取能力。在傳統(tǒng)的教學工作中，學生們對于醫(yī)學文獻檢索存在著一定的誤解，認為這是一種工具?，F(xiàn)如今，將循證醫(yī)學模式引入到醫(yī)學文獻檢索中，學生們逐漸改變了對檢索課程的認識。在文獻檢索的課程中應(yīng)用循證醫(yī)學的研究方式，主要是通過問題的提出--討論--收集、檢索--解決問題等多個步驟和環(huán)節(jié)，在這一過程中，學生們的自主學習能力得到有效的改善，調(diào)動了學習的積極性。

1.2為醫(yī)學生將來臨床實踐奠定基礎(chǔ)

由于循證醫(yī)學的起步較晚，將其應(yīng)用到實際的醫(yī)學檢索工作還處于不斷探索的階段，因此，有些醫(yī)護人員對這一問題的認識程度還停留在表面。事實上，醫(yī)學的發(fā)展和社會的發(fā)展之間存在著較為密切的關(guān)系，其專業(yè)性和實踐性都相對較強，要經(jīng)過不斷的研究和發(fā)展，才能獲得作為科學的醫(yī)學理論知識。但是從課堂教學的方式以及學生的接受能力上看，其和實際的醫(yī)學發(fā)展之間存在著嚴重的脫節(jié)現(xiàn)象，滯后性較為突出。這種現(xiàn)象造成的主要問題就是在學生們在畢業(yè)之后，所掌握的醫(yī)學理論和進行的實踐操作都存在著過時的現(xiàn)象。因此，將循證醫(yī)學融入到實際的醫(yī)學文件檢索課程當中，為學生進行臨床實踐提供打下了堅實的基礎(chǔ)，進而提升了學生們對于醫(yī)學信息的鑒別能力。

1.3提高醫(yī)學生對文獻的檢索和分析技能

以往醫(yī)學文獻檢索教學更多的側(cè)重點是醫(yī)學文獻的查找，而查找到相應(yīng)文獻后，其分析利用其文獻一般講授的比較簡單，缺乏真正的操作練習。在文獻檢索教學過程中，體現(xiàn)循證醫(yī)學遵循最佳科學證據(jù)，讓學生通過臨床問題，制定嚴謹?shù)臋z索策略，選擇數(shù)據(jù)庫時，除書目型數(shù)據(jù)庫外，還要檢索臨床實踐指南數(shù)據(jù)庫和臨床證據(jù)數(shù)據(jù)庫等，檢索到讀者所需的最佳證據(jù)或形成最佳證據(jù)的文獻，再對獲得的文獻進行嚴格的評價與分析等。這對于加強學生采用信息技術(shù)與邏輯方法查詢、選擇、評估、運用最新原始信息的技能，建立科學的檢索思維，提高學生快速有效地查尋和鑒別相關(guān)文獻資料的能力具有積極的意義。

2循證醫(yī)學融入醫(yī)學文獻檢索課的教學改革

2.1加強教學實踐環(huán)節(jié)

實踐教學是培養(yǎng)學生信息素養(yǎng)能力的重要環(huán)節(jié)。循證醫(yī)學的實施具體包括以下5個步驟：a.確定和形成需要回答的臨床問題；b.尋找可以回答上述問題的最佳證據(jù)，收集有關(guān)問題的文獻；c.評價證據(jù)的正確性和有用性以及作用的大小和臨床上的實用性；d.使用最佳的證據(jù)，指導臨床決策，并獲得反饋信息；e.對所做的工作進行評估。利用實踐環(huán)節(jié)建立和加強EBM思維，有利于進一步提高學生的科研能力和奠定臨床實踐能力。

2.2有針對性的介紹可供醫(yī)學研究證據(jù)查詢的來源

在文獻檢索課程教學過程中除了傳統(tǒng)的檢索方法、對象、手段等基礎(chǔ)概念的講解之外，還應(yīng)有針對性的多介紹一些可供醫(yī)學研究證據(jù)查詢的來源，包括數(shù)據(jù)庫、期刊、指南等。特別是Cochrane協(xié)作網(wǎng)中“Cochrane圖書館”的使用，以及通過各國Cochrane中心網(wǎng)站檢索臨床證據(jù)的方法。在介紹文獻計量學法時應(yīng)著重于循證醫(yī)學常用的薈萃分析(Meta-analysis)方法的內(nèi)容，此節(jié)內(nèi)容應(yīng)該與本校統(tǒng)計學教研室老師進行聯(lián)合承擔教學任務(wù)。

2.3改革考核方式

改革考核方式是今后醫(yī)學文獻檢索課程的重點，現(xiàn)如今多數(shù)的醫(yī)學院校在進行考核課程設(shè)置時，忽略了循證醫(yī)學，只是將其作為醫(yī)學文獻信息檢索工作的一個重要組成部分。因此，學生在課堂上的實際接受能力和運用程度就成了空談?？梢妼⑵渥鳛榭己苏n程的一部分的必然性和可操作性。但從現(xiàn)如今醫(yī)學院校的發(fā)展現(xiàn)狀上看，為了進一步促進資金的有效應(yīng)用，可以將這一內(nèi)容和學生平時的作業(yè)相結(jié)合，提升學生的創(chuàng)新能力和操作能力。

2.4增強教師的綜合素質(zhì)

教學效果及質(zhì)量的好壞，關(guān)鍵在教師。目前，許多的醫(yī)學文獻檢索課教師是圖書情報、英語、計算機專業(yè)教育背景，而醫(yī)學專業(yè)教育背景的寥寥可數(shù)。如果要講授循證醫(yī)學知識，不僅需要有豐富的臨床和基礎(chǔ)知識，而且要較高的英語水平和情報學知識?？傮w而言，授課教師不斷加強自身知識儲備，有利于提高綜合素質(zhì)。

3結(jié)論

第2篇：詢證醫(yī)學論文范文

(一)對象

我院臨床醫(yī)學本科專業(yè)2011級學生(男349例，女279例)，年齡19-23歲，其中A班241人、B班238人、C班249人，均系大學三年級上學期，已經(jīng)完成醫(yī)學基礎(chǔ)理論課程學習的學生。

(二)方法

1．分組。A班實施傳統(tǒng)方法教學，B班實施EBM+CBL，C班學生前部分章節(jié)進行傳統(tǒng)方法教學，剩余章節(jié)(各論)采取EBM+CBL。

2．案例準備。針對除去緒論和疾病概論余下各章的教學目標和教學內(nèi)容進行研讀，甄選設(shè)計合適的案例，深刻剖析，提煉要點和難點并構(gòu)思和提出問題。

3．教學實施。

(1)案例導入。提前將案例發(fā)給學生，讓學生自己提出不懂的問題，并通過查找資料預(yù)先嘗試解決。上課時首先將案例生動展現(xiàn)，并結(jié)合學生已查資料，對案例中超出學生學習范圍的檢測指標和術(shù)語加以簡要說明，然后提出問題，鼓勵學生進行初步分析。

(2)圍繞問題講解。讓學生以準臨床醫(yī)生的角色分析案例，身臨其境，講授完某個知識點，組織學生分析討論，教師以循證為原則指導學生整理資料，自行查閱文獻搜集證據(jù)，分析評價，自我完成推論的論證過程。

(3)總結(jié)分析。知識點講解結(jié)束，教師總結(jié)解決案例的思路和方法，分析指出學生在討論中出現(xiàn)的問題，再次強化需要掌握的知識點。

4．效果評價。通過問卷調(diào)查、筆試成績和病例討論成績，比較傳統(tǒng)教學方法與EBM+CBL對效果的影響。

5．統(tǒng)計分析。SPSS13．0軟件分析結(jié)果，數(shù)據(jù)以均數(shù)±標準差表示，采用方差分析和q檢驗。

二、結(jié)果

(一)問卷調(diào)查。為了比較傳統(tǒng)教學方法與EBM+CBL對教學效果的影響，我們對B班和C班進行問卷調(diào)查，結(jié)果顯示，絕大部分學生對EBM+CBL持認同觀點，認為EBM+CBL優(yōu)于傳統(tǒng)的灌輸式教學(見表1)。

(二)筆試成績。我們針對全書內(nèi)容運用同樣試卷對A、B和C班進行筆試，來考察學生對理論知識掌握的具體情況，卷面總分值100。結(jié)果發(fā)現(xiàn)，B班和C班的成績高于A班，差異具有統(tǒng)計學意義(P＜0．05)(見表2)。

(三)病例討論成績。我們選取一個臨床綜合病例進行書面測試，課堂完成對病例的分析、診斷和治療，總分值20，以此考察EBM+CBL對學生自我分析、解決臨床實際問題能力的影響。結(jié)果顯示B班和C班的病例討論成績明顯高于A班，差異具有統(tǒng)計學意義(P＜0．05)

三、討論

第3篇：詢證醫(yī)學論文范文

1.1調(diào)查對象

哈爾濱醫(yī)科大學2009級醫(yī)學影像專業(yè)的120名學生，全體學生都參加了涵蓋循證醫(yī)學知識的超聲實踐課程。

1.2調(diào)查方法

調(diào)查方法為問卷調(diào)查，全部實習課程結(jié)束后，向?qū)W生發(fā)放調(diào)查問卷，學生獨立填寫并當場收回，共計發(fā)放問卷120份，全部收回，有效率達100%。問卷內(nèi)容包括:學生對循證醫(yī)學的熟知情況，循證醫(yī)學在超聲實踐教學中存在的問題，循證醫(yī)學聯(lián)合超聲實踐教學效果評價等。

1.3數(shù)據(jù)分析

調(diào)查問卷經(jīng)編碼后錄入計算機，數(shù)據(jù)分析采用SPSS17.0，主要對數(shù)據(jù)進行描述性統(tǒng)計分析。

2討論

第4篇：詢證醫(yī)學論文范文

只有在同一時間同一地區(qū)大量采集樣本，才有可能滿足RCT隨機對照實驗的樣本要求。RCT樣本問題可望在大數(shù)據(jù)時代得到解決，隨著泛在隨時采集樣本的大數(shù)據(jù)時代的到來，以及不間斷采集醫(yī)療數(shù)據(jù)的可佩戴設(shè)備出現(xiàn)，樣本數(shù)據(jù)的稀缺等問題將隨巨量數(shù)據(jù)消失。而隨著新型大數(shù)據(jù)分析挖掘工具的出現(xiàn)，特別是深度學習技術(shù)的不斷發(fā)展和應(yīng)用，證據(jù)及其結(jié)論的準確可信性必將大大提高。目前，深度學習識別5749個人臉的精度已達99.15%，其準確程度已經(jīng)超過人眼和大腦。因此，深度學習必將為循證醫(yī)學帶來一場新的革命。本文將分析循證醫(yī)學在數(shù)據(jù)證據(jù)獲取、分析、制作等方面所面臨的挑戰(zhàn)，介紹醫(yī)療大數(shù)據(jù)時代的數(shù)據(jù)采集、整合、分析和處理方法，介紹面向醫(yī)療大數(shù)據(jù)的深度學習技術(shù)自動提取疾病特征的原理和方法，以及醫(yī)療大數(shù)據(jù)及基于云計算的深度學習對循證醫(yī)學所帶來的各種變革。面向大數(shù)據(jù)的深度學習將特征提取與決策分析過程合二為一，大大降低了醫(yī)生在臨床及醫(yī)學研究中應(yīng)用循證醫(yī)學的勞動強度。結(jié)合醫(yī)療大數(shù)據(jù)、云計算和深度學習的循證醫(yī)學，將克服過去數(shù)據(jù)證據(jù)稀少、偏頗、失信、不公、過時等不足，將具有更加廣闊的推廣應(yīng)用前景和發(fā)展動力。

1循證醫(yī)學與數(shù)據(jù)證據(jù)

循證醫(yī)學，簡之就是“遵循證據(jù)的醫(yī)學”，又被稱為實證醫(yī)學。循證醫(yī)學重視醫(yī)生的臨床經(jīng)驗，即傳統(tǒng)意義上的經(jīng)驗醫(yī)學，同時又強調(diào)診斷、治療等決策應(yīng)在臨床證據(jù)最為符合病癥的基礎(chǔ)上作出[1]。在循證醫(yī)學的創(chuàng)立、發(fā)展與傳播方面，英國的科克倫(ArchiebaldL.Cochrane)、美國的費恩斯坦（AlvanR.Feinstein）以及薩克特（DavidL.Sackett）做出了重大貢獻，成為循證醫(yī)學的奠基人?？瓶藗悘娬{(diào)大規(guī)模隨機臨床試驗的重要性。他認為只有在大規(guī)模臨床試驗中使用隨機分組策略，才能避免因樣本分組而產(chǎn)生的選擇性偏差，保持對照組和試驗組樣本的背景因素平衡，從而才能做出最終正確的比較與評價。他建議及時將切實醫(yī)學證據(jù)傳播給使用者，接受專家評估并對可信度進行適當分級，以使醫(yī)學證據(jù)能被及時整理、歸納與更新。費恩斯坦奠定了現(xiàn)代流行病學的數(shù)理統(tǒng)計與邏輯基礎(chǔ)。從1970年到1981年，他在美國《臨床藥理學與治療學》雜志（ClinicalPharmacologyandTherapeutics）上，以“臨床生物統(tǒng)計學”（ClinicalBiostatistics）為題連續(xù)發(fā)表了57篇論文，將數(shù)理統(tǒng)計學和邏輯學導入到臨床流行病學，科學系統(tǒng)地建立了臨床流行病學的有關(guān)理論體系。薩科特則為循證醫(yī)學的傳播與發(fā)展做出了巨大貢獻。他發(fā)起并主編了與循證醫(yī)學有關(guān)的兩本著名雜志：《美國內(nèi)科醫(yī)師學會雜志俱樂部》和《循證醫(yī)學》。

1997年，他還主編出版了《循證醫(yī)學》一書，該書被譯為多種文字并在世界上廣為傳播。正是在《美國內(nèi)科醫(yī)師學會雜志俱樂部》上，加拿大蓋亞特(rdonH.Guyatt)于1991年首次提出了循證醫(yī)學一詞[3]。從循證醫(yī)學與數(shù)理統(tǒng)計和邏輯學的淵源，便可以看出循證醫(yī)學注重證據(jù)的內(nèi)涵。它是一門非常強調(diào)證據(jù)制作的學科，同時又非常重視醫(yī)學證據(jù)的傳播和評估，這正是它區(qū)別于以往醫(yī)學的特點。通過評估產(chǎn)生可信證據(jù)，通過傳播發(fā)揮證據(jù)價值。醫(yī)生在診斷與治療過程中，不僅基于經(jīng)驗直觀判斷，而且結(jié)合證據(jù)科學決策，更加客觀地進行診斷與治療。短短十多年的時間，在世界各國醫(yī)學研究與臨床實踐中，循證醫(yī)學得到了廣泛深入的應(yīng)用。科克倫最初創(chuàng)建的世界循證醫(yī)學協(xié)作網(wǎng)已經(jīng)包括約50個專業(yè)協(xié)作小組，所收集的醫(yī)療證據(jù)幾乎覆蓋所有臨床醫(yī)學領(lǐng)域。1996年，我國華西醫(yī)科大學建立了中國循證醫(yī)學中心，并于1999年正式加入世界循證醫(yī)學協(xié)作網(wǎng)；2001年，中國循證醫(yī)學中心創(chuàng)辦了《循證醫(yī)學》雜志，發(fā)表在各類雜志的循證研究論文達45842篇。但是，循證醫(yī)學也有其面臨的問題，如對證據(jù)進行科學評價等問題。臨床證據(jù)目前還沒有完整、科學的定義，證據(jù)評價標準及推薦級別尚未完全統(tǒng)一，不同國家不同疾病的證據(jù)質(zhì)量分級不盡相同。而且，隨著人類對疾病認識的加深以及診療手段的革新，評價標準還會隨這些因素的變化而變化。

循證醫(yī)學的基礎(chǔ)是數(shù)理統(tǒng)計學，要求RCT的實驗樣本及環(huán)境一致，以便排除個體差異及環(huán)境干擾，但這在現(xiàn)有條件下近乎不可能實現(xiàn)。號稱大規(guī)模隨機對照實驗的樣本偏少，對照組和試驗組難有條件一致的個體，環(huán)境隨時間空間變化造成實驗對照控制困難。目前，大規(guī)模的醫(yī)學樣本采集困難，幾百個樣本已經(jīng)算是比較大的樣本了；而根據(jù)統(tǒng)計理論如要達到90%的敏感度，至少需要約1300個的數(shù)據(jù)樣本。為了克服RCT樣本不足的問題，Meta分析方法得到了廣泛應(yīng)用：通過綜合已有研究多個樣本集的結(jié)果，可以推得大規(guī)模樣本集的綜合結(jié)果。Meta分析取得了很多有價值的研究成果，但是，Meta分析的基礎(chǔ)也是數(shù)理統(tǒng)計學，其運用的前提是樣本及實驗環(huán)境一致，正是在這一點上它備受質(zhì)疑。首先，不同樣本集的權(quán)重控制難于完全公正，因為其實驗環(huán)境難于恰當評價和把控，實驗結(jié)果難免有過度包裝和偏頗之嫌。Meta分析存在的另一個問題是：它所依賴的數(shù)據(jù)往往不是最新的即時案例，制作的證據(jù)可能因環(huán)境與氣候的變化而失去應(yīng)用價值?？傊?，循證醫(yī)學所面臨的問題包括：證據(jù)的稀缺性、偏倚性、可靠性、及時性、公正性，以及環(huán)境的一致性等方面的問題。由于證據(jù)的一致性和及時性存在問題，基于歷史數(shù)據(jù)進行Meta分析備受質(zhì)疑。2014年，《英國醫(yī)學雜志》在名為《循證醫(yī)學瀕臨破產(chǎn)》的文章中指出[5]：循證醫(yī)學的證據(jù)屬于間接證據(jù)，基礎(chǔ)建立在已經(jīng)發(fā)表的研究文獻上，利益沖突容易影響證據(jù)的公正性，證據(jù)環(huán)境與臨床決策環(huán)境存在距離；循證醫(yī)學助長了過度診斷、過度治療，并可能存在淪落為利益集團代言人的危險。

2大數(shù)據(jù)對循證醫(yī)學的影響

大數(shù)據(jù)（Bigdata）又稱巨量或海量數(shù)據(jù)，是指數(shù)據(jù)規(guī)模巨大以至在合理時間內(nèi)，無法通過當前主流軟件工具，獲取、處理、分析以便決策的結(jié)構(gòu)復(fù)雜的數(shù)據(jù)[6]。大數(shù)據(jù)如下具有4V特點：Volume（巨量）、Velocity（瞬速）、Variety（多樣）、Value（價值）。巨量是指已經(jīng)不能再用GB（即1024MB）和TB（即1024GB）為單位，來衡量大數(shù)據(jù)的存儲容量或規(guī)模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）為單位來計量數(shù)據(jù)容量。在巨量的醫(yī)療大數(shù)據(jù)中，各種條件的樣本都會存在，因此，證據(jù)的稀缺已經(jīng)不是問題。瞬速是指兼具方向的快速變化，即數(shù)據(jù)隨時間和空間快速變化。大數(shù)據(jù)中的樣本通常是全空間的、多維度的、全時間的及瞬時變化的。由于大數(shù)據(jù)地域環(huán)境廣，數(shù)據(jù)樣本量巨大、正反樣本齊全，證據(jù)的“制作”已不再必要，而是隨時隨地客觀地存在。瞬速性通過可佩戴健康監(jiān)測設(shè)備體現(xiàn)，這為及時獲取病患信息提供了極大便利。多樣是指數(shù)據(jù)的種類繁多、結(jié)構(gòu)復(fù)雜、因果并存、甚至同一數(shù)據(jù)表現(xiàn)出不同形式。數(shù)據(jù)的多樣性對數(shù)據(jù)的理解和分析是一個巨大挑戰(zhàn)，但同時也為樣本分析結(jié)果的驗證帶來便利。因此，在醫(yī)療大數(shù)據(jù)環(huán)境下，不僅隨時可以采集樣本進行分析處理，還能對分析得到的結(jié)果馬上進行驗證，從而能夠保證醫(yī)學證據(jù)的可靠與可信。

價值是指相比小規(guī)模、歷史數(shù)據(jù)而言，大數(shù)據(jù)具有更高的研究和使用價值。由于任意時刻任意地點都有大量樣本，樣本的稀缺性和及時性已經(jīng)不是問題，這為醫(yī)學研究掃清了采樣障礙；同時由于樣本豐富冗余多樣，也為研究結(jié)果的驗證提供了便利；大數(shù)據(jù)除具有巨量歷史數(shù)據(jù)外，還有不同地域環(huán)境的巨量即時數(shù)據(jù)，這使循證決策更具應(yīng)用價值和時效性。大數(shù)據(jù)將首先改變醫(yī)學數(shù)據(jù)的采集方式。大數(shù)據(jù)的形成往往依靠自動采集技術(shù)，隨著可佩戴監(jiān)測設(shè)備如iWatch等的出現(xiàn)，醫(yī)學數(shù)據(jù)的采集及積累速度將出現(xiàn)爆炸性的增長。以往的數(shù)據(jù)同大數(shù)據(jù)相比，如同滄海之一粟。且以往的數(shù)據(jù)往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及時、公正等問題，這樣采集的證據(jù)必然會影響醫(yī)學研究的結(jié)論?；谑止ぷC據(jù)進行決策，其結(jié)論未必準確及時公正可靠。醫(yī)療大數(shù)據(jù)不間斷地在不同地點同時采集，不僅包含歷史數(shù)據(jù)以及即時數(shù)據(jù)，甚至還可能包含未來需求信息，例如，ogle就是通過人們對感冒藥品的搜索來預(yù)測流感的。大數(shù)據(jù)的出現(xiàn)將改變醫(yī)學數(shù)據(jù)的管理方式。在網(wǎng)絡(luò)數(shù)字化高度發(fā)達的今天，盡管已經(jīng)出現(xiàn)了電子病歷，但紙張病歷在數(shù)據(jù)管理中仍然重要。然而，紙張病歷有其固有缺陷，如容易破損或丟失、整理歸檔的周期過長、借閱的時間成本極高、研究采樣的工作量巨大等等。伴隨大數(shù)據(jù)出現(xiàn)的數(shù)據(jù)融合技術(shù)能將不同醫(yī)院的電子病歷整合在一起，并同可佩戴健康監(jiān)測設(shè)備的數(shù)據(jù)及時集成，大大減少了電子病歷的整理、借閱和數(shù)據(jù)采集時間，這不僅對病人的疾病診斷和預(yù)警監(jiān)控更加有利，同時也對醫(yī)生的臨床及醫(yī)學研究更有幫助。通過語音和可視眼鏡等現(xiàn)代化的數(shù)據(jù)瀏覽設(shè)備，醫(yī)生在查房間隙就能獲知下一病人既往病情，從而能大大減少醫(yī)生的勞動強度，使醫(yī)生有更多時間治療病人，有更多的時間進行醫(yī)學研究。

大數(shù)據(jù)的出現(xiàn)將改變醫(yī)學數(shù)據(jù)的分析方式。以往在收集樣本數(shù)據(jù)以后，通常使用SAS或SPSS等軟件，對采集的數(shù)據(jù)進行統(tǒng)計分析，發(fā)現(xiàn)相關(guān)病因或建立決策模型。這些軟件受計算能力及內(nèi)存容量的限制，只能處理樣本量不大的數(shù)據(jù)，并且處理的數(shù)據(jù)維數(shù)有限，例如，SPSS不能超過40維，而醫(yī)療大數(shù)據(jù)的維數(shù)成千上萬。通過手工或統(tǒng)計軟件的計算方法，將無法滿足醫(yī)療大數(shù)據(jù)的分析需要。

當維數(shù)超過30個致病因素時，可能要考慮230種因素組合，普通統(tǒng)計軟件已無法計算和處理，必須依靠內(nèi)存及速度“無限”的云計算。必須研究與開發(fā)基于大數(shù)據(jù)和云計算的分析與挖掘技術(shù)如深度學習技術(shù)，使其能夠自動完成高維病因數(shù)據(jù)的分析與主要病因的提取?？傊t(yī)療大數(shù)據(jù)的采集、整合、分析、處理、研究完全靠人工完成已極其困難，沒有利用云計算的統(tǒng)計分析軟件也難于完成醫(yī)療大數(shù)據(jù)的分析和處理。在大數(shù)據(jù)時代，必須借助深度學習等技術(shù)完成醫(yī)療大數(shù)據(jù)的分析和挖掘。雖然醫(yī)療大數(shù)據(jù)能夠彌補數(shù)據(jù)樣本的不足和不公，但只有借助更為先進的分析工具和軟件，才能為循證醫(yī)學帶來進一步的變革和發(fā)展。

3大數(shù)據(jù)對循證醫(yī)學的變革

證據(jù)制作是循證醫(yī)學的核心，證據(jù)能為醫(yī)生的診治提供參照，因此，循證醫(yī)學得到了快速發(fā)展。但是，矛盾、偏頗、過時的證據(jù)也使循證醫(yī)學備受質(zhì)疑。首先是證據(jù)及其結(jié)論存在大量的矛盾，使人們對循證醫(yī)治的結(jié)果產(chǎn)生懷疑；其次是證據(jù)偏頗使其成為利益代言人的工具；其三是證據(jù)時過境遷使醫(yī)治達不到預(yù)期效果。而醫(yī)療大數(shù)據(jù)的出現(xiàn)恰好能夠彌補以往證據(jù)采集與制作的不足。首先，醫(yī)療大數(shù)據(jù)使證據(jù)的稀缺問題得到解決；其次，隨大數(shù)據(jù)廣泛匯集的醫(yī)生及病人評價，可有效避免證據(jù)成為利益代言人的工具；其三，可穿戴等自動采集設(shè)備可保證證據(jù)的時效性。這將有助于循證醫(yī)學同中醫(yī)的結(jié)合。中醫(yī)的治療過程通常比西醫(yī)長，其證據(jù)采集及療效評估存在很大問題，而隨著可穿戴健康監(jiān)測設(shè)備等技術(shù)的發(fā)展，長期持續(xù)采集治療證據(jù)及療效將不再困難，從而有助于循證醫(yī)學在中醫(yī)等領(lǐng)域發(fā)展壯大。此外，隨大數(shù)據(jù)興起的先進數(shù)據(jù)分析與挖掘技術(shù)，將對循證醫(yī)學起到巨大的推進作用。臨床決策分析評價是確定循證治療方案的關(guān)鍵步驟，現(xiàn)有的決策分析評價模型包括決策樹、Markov過程等一系列模型，這些模型在面臨高維大數(shù)據(jù)時力不從心，難于繼續(xù)提供較高的決策精度，使醫(yī)生對醫(yī)治方案是否有效失去信心。隨著大數(shù)據(jù)深度學習技術(shù)的出現(xiàn)，病因的分析和提取已完全自動化，且大大降低了建立決策分析模型的工作量，提高了治療方案的決策精度。對于任何疾病診治方案，考慮的疾病致病因素越多，即證據(jù)或特征維數(shù)越多，得到的參考信息就越多，診治的準確性就會相應(yīng)提高。但是，醫(yī)生在遇到大量高維的證據(jù)數(shù)據(jù)時，往往面臨從中選擇少數(shù)有效證據(jù)的難題。例如，假定要考慮30個致病因素或檢驗指標，建立決策模型就要考慮230種因素組合，從中篩選一個最優(yōu)因素組合作為模型輸入的工作量是巨大的。因此，要得到由若干最優(yōu)證據(jù)構(gòu)建的最佳決策分析模型，醫(yī)生們所投入的研究精力可想而知。

篩選最優(yōu)因素組合是醫(yī)生們最費精力的工作，目前這項工作可以被深度學習自動完成了。深度學習最早由Hinton等人在2006年提出，它是一種無監(jiān)督的特征學習和提取技術(shù)，它通過低層特征的組合構(gòu)建更加抽象的高層特征。2012年，Lecun等人利用卷積神經(jīng)網(wǎng)絡(luò)真正實現(xiàn)了高效的多層深度學習。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學習只有單向認知過程，通常只包含一個隱含層，因?qū)訑?shù)較少而被稱為淺層學習。深度學習則包含認知和生成兩個過程，并且每個過程都包含多個隱含層，其模型的總體框架如圖1的虛框部分所示。如圖1所示，深度學習的“輸入層”可以理解為各種致病因素以及各種檢查化驗結(jié)果，例如遺傳環(huán)境因素以及肝功全套指標等；自底向上的箭頭表示認知過程，自頂向下的箭頭表示生成過程，即深度學習由兩個互逆的過程構(gòu)成；認知權(quán)重向量WnT和生成權(quán)重向量Wn表示深度模型的知識。原始“輸入層”經(jīng)“隱含層H0”認知得到輸出，輸出又經(jīng)“隱含層h0”生成得到新“輸入層”，如果原始“輸入層”和生成的“輸入層”完全一致，則說明認知產(chǎn)生的輸出是完全正確的。根據(jù)信息論的有關(guān)理論，學是會產(chǎn)生損失，新舊輸入不可能完全一致。因此，只要兩者近乎一致就可以了。認知和生成權(quán)重同隱含層的每個輸出相關(guān)聯(lián)，wake-sleep深度學習算法用于雙向調(diào)節(jié)權(quán)重：(1)利用下層輸入和認知權(quán)重向量WiT產(chǎn)生輸出表示，然后使用梯度下降法調(diào)節(jié)生成權(quán)重向量Wi；（2）利用輸出表示和生成權(quán)重向量Wi產(chǎn)生輸入表示，然后使用梯度下降法調(diào)節(jié)認知權(quán)重向量WiT。通過逐層學習最終得到頂層的認知和生成權(quán)重向量WnT、Wn。在深度學習完成后，如果要建立決策分析模型，只需將頂層輸出即自動提取的特征，作為分類模型如支持向量機的輸入，并用類別標記如肝硬化分級訓練支持向量機，就可以得到用于決策分析的精確分類模型，分類模型如圖1的虛框外部所示。2014年，香港中文大學湯曉鷗教授領(lǐng)導計算機視覺研究組(mmlab.ie.cuhk.edu.hk)，開發(fā)了一個名為DeepID的深度學習模型，在LFW數(shù)據(jù)庫上識別5749個人臉的準確率已達99.15%，其精細和準確程度已經(jīng)超過了人眼和大腦。醫(yī)療大數(shù)據(jù)及深度學習必將為循證醫(yī)學帶來一場新的革命。不僅數(shù)據(jù)缺失、偏頗以及過時等問題會被迎刃而解，而且證據(jù)收集、制作以及診治方案的決策都將會自動化，這將擴大循證醫(yī)學在所有領(lǐng)域包括中醫(yī)等領(lǐng)域的應(yīng)用范圍，大大降低醫(yī)生在證據(jù)制作、治療方案決策與療效評估等方面所付出的精力，推動循證醫(yī)學向更深更廣更加現(xiàn)代化的方向發(fā)展。

4總結(jié)

醫(yī)療大數(shù)據(jù)帶來的變革將是全方位的，它不僅為醫(yī)學研究和證據(jù)制作帶來便利，同時也將促進中醫(yī)等替代和補充醫(yī)學的發(fā)展。作為大數(shù)據(jù)采集的一項關(guān)鍵技術(shù)——便攜式/可佩戴健康數(shù)據(jù)自動采集技術(shù)，將大大提高醫(yī)療數(shù)據(jù)采集以及證據(jù)制作的效率，解決中醫(yī)等療效數(shù)據(jù)需要長期采集觀測的難題，彌補循證醫(yī)學存在的證據(jù)偏頗、不公、過時等缺陷，促進循證醫(yī)學更加客觀、公正、可靠地在臨床治療中應(yīng)用。在循證醫(yī)學的證據(jù)評估以及利用方面，伴隨大數(shù)據(jù)出現(xiàn)的云計算能夠提高證據(jù)分析與處理的效率，大大節(jié)省醫(yī)生臨床應(yīng)用和醫(yī)學研究所需要花費的時間；面向大數(shù)據(jù)的深度學習能夠從浩瀚的高維醫(yī)療數(shù)據(jù)中，自動完成疾病致病因素及環(huán)境因素等的篩選與提取工作，并能建立精度遠遠超過人腦的決策分析模型，從而大大提升醫(yī)生建立和應(yīng)用循證治療方案的信心，有助于循證醫(yī)學被各科醫(yī)生更加廣泛地接受和應(yīng)用。盡管深度模型包含更多的隱含層，其學習時間要遠遠長于淺層學習，但兩種模型的決策時間相差不大，因此，這并不妨害深度模型的有效應(yīng)用。特別值得一提的是，深度學習將證據(jù)提取與決策分析兩個過程合二為一，大大降低了醫(yī)生在臨床及醫(yī)學研究中應(yīng)用循證醫(yī)學的勞動強度?；诖髷?shù)據(jù)、云計算和深度學習的循證醫(yī)學，由于能夠降低勞動強度、提升工作效率、提高決策精度，因而將具有更加廣闊的應(yīng)用前景和發(fā)展方向。

5展望