基于医疗大数据分析的临床决策支持算法评估、推荐与优化

The clinical decision support model has played a vital role in assisting clinical decision-making and has attracted widespread attention from researchers and clinicians. However, there is still a lack of effective management and optimization of the clinical decision support model used in practical applications, which limits its application results. From the perspective of medical big data analysis, this project evaluates, recommends and optimizes the clinical decision support model construction algorithm. Graph neural networks is used to solve the meta-feature extraction for the medical big data with problems of high dimensionality, large quantity, low quality, and complex relationship, as well as design and realize real-time interactive meta-target recognition. Improve the recommendation performance of the recommendation model through similarity measure learning. Evaluate and recommend clinical decision support algorithm according to the recommendation results. In the case of imbalanced data, the imbalanced learning technology is used to improve the prediction accuracy of the minority labels. The solution of the above problems can provide more effective methods and means for clinical decision support, and improve its performance in practical applications.

临床决策支持模型对临床辅助决策发挥了至关重要的作用，引起了研究者和临床工作者的广泛关注。然而，目前对实际应用中使用的临床决策支持模型仍缺乏有效的管理和优化，限制了其应用效果。本项目从医疗大数据分析角度出发，对临床决策支持算法进行评估、推荐和优化。利用图神经网络对存在维度高、数量大、质量低、关系复杂等问题的医疗大数据进行元特征收集，设计实现实时交互的元目标识别。通过相似性度量学习提高推荐模型的推荐性能。根据推荐结果对决策支持算法进行评估和推荐。在标签不均衡的情况下，使用不均衡学习技术，提高少数标签的预测准确率。上述问题的解决可以为临床决策支持提供更有效的方法和手段，提高其在实际应用中的性能。

临床决策支持模型在规范诊疗、辅助临床决策方面起到至关重要的作用，分类算法是构建临床决策支持模型的有效技术。在临床实际应用中，传统管理决策模式下，用户往往根据自己的经验或者随机选用某一种分类算法，影响了结果的可信性。. 本项目聚焦大数据驱动的临床决策支持算法的评估、推荐与优化，通过挖掘分类算法的性能和数据集自身的特性之间的关系，解决临床决策支持模型存在的关键问题，提出创新性的解决方法，并开发相应的管理工具，提高临床决策支持模型的应用效果。主要研究内容包括：面向医疗大数据及用户需求的元数据提取；基于相似性度量学习的算法推荐模型构建；多标签学习的决策支持算法优化。. 主要研究进展包括：1）在元数据提取研究中，提取基于图的结构信息，解决了已有算法忽略数据集整体结构信息的缺陷；2）构建了集成ML-KNN的算法推荐模型，取得了更好的算法推荐效果；3）提出了一种动态多标签学习算法，优化了多标签形式的临床决策支持算法。4）开发了一套算法推荐软件，为项目成果的推广应用打下了基础。. 在项目研究过程中：1）提出了一种基于结构信息的多示例学习算法，该算法创新性地将一个包转换为一个图，通过谱聚类将图划分为多个子图，并利用图傅里叶变换提取子图的特征；2）提出了一种基于集成ML-KNN的分类算法推荐方法，利用相似性度量学习，通过两层的学习器，为数据集推荐合适个数的算法；3）提出了一种动态多标签学习算法，为不同实例选择不同的基学习器，选择时同时考虑单标签的预测准确性和标签之间的相关性。. 针对所提方法，项目进行期间共发表学术论文2篇，其中中科院一区期刊论文1篇，CCF B类国际会议论文1篇，评审中SCI论文1篇，开发推荐软件一套，培养硕士研究生3名，协助培养博士研究生1名。. 项目的研究成果有助于实现对临床决策支持算法的有效评估、推荐与优化，为提高临床决策支持应用的效果提供帮助。