掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
中醫入門必背歌訣
-
>
醫驗集要
-
>
尋回中醫失落的元神2:象之篇
-
>
補遺雷公炮制便覽 (一函2冊)
-
>
人體解剖學常用詞圖解(精裝)
-
>
神醫華佗(奇方妙治)
-
>
(精)河南古代醫家經驗輯
實用健康醫療數據科學精要 版權信息
- ISBN：9787302647676
- 條形碼：9787302647676 ; 978-7-302-64767-6
- 裝幀：精裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
實用健康醫療數據科學精要 本書特色
在大健康、醫療大數據、AI 醫療大發展的背景下，數據科學對醫療領域的影響、作用和未來發展潛力不言而喻。然后，經過多年發展，一個非常顯著的現象是，從事臨床及相關業務的醫療工作者對數據科學的無知無感，與產業領域和科研領域工作者的探索熱情產生了鮮明的對比。這說明，數據科學與醫療領域的行業壁壘還未被打破。然而，數據科學想要改變醫療，必須通過改變醫療行業內部人群實現。因此，打破行業壁壘，實現數據科學在醫療領域的文化暢流，是充分實現數據科學在醫療領域賦能作用的根本途徑。而目前，市上上還沒有針對數據科學在醫療全生態應用的通識性讀物。本書作者作為一名醫生、一位醫院管理者、一位信息化建設者、一位醫療大數據中心負責人，兼具醫療、管理、數據科學三方的工作跨界經驗，結合切身體會，用醫療科普的講述方式，嘗試用醫療語言說數據，用數據語言說醫療，真正做到醫療與數據的雙劍合璧。以深入淺出的語言，全面探討了數據科學在醫療科、教、醫、研、管全生態應用的場景和底層邏輯，并追逐*新進展，討論了數據要素合規、隱私計算和AIGC等*前沿問題。真正做到既講熱鬧，又講門道，促進數據科學在醫療領域的技術化、思想化、文化化和語言化，為實現數據科學在醫療領域的文化暢流做出貢獻。
實用健康醫療數據科學精要 內容簡介
本書分為道、術兩篇。道篇講述了數據科學與醫療全領域交互融合的底層邏輯，以及數據科學在醫療科、教、醫、研、管五個方面的角色和作用，建立適用于醫療人工智能開發的ML-PICOS原則，并從建設角度，闡述了醫療大數據理、采、存、管、用的全過程。術篇普及了數據科學用于回歸、分類、聚類、關聯分析的基礎算法，以及他們在醫療領域應用的場景和邏輯。本書可幫助讀者建立數據科學在醫療領域應用的體系化認知。讀者對象包括醫療全領域相關工作者以及想要涉足醫療領域的數據科學相關人士。
實用健康醫療數據科學精要 目錄
第1章 醫學發展與數據科學 1
1.1?醫學認知的物質化、科學化和數據化 1
1.1.1?從神靈主義走出的醫學? 1
1.1.2?醫學認知的物質化? 2
1.1.3?醫學認知的科學化? 4
1.1.4?醫學認知的數據化? 6
1.2?數據化或是傳統醫學現代化的必經之路 8
1.2.1?現代醫學與傳統醫學的分歧? 8
1.2.2?數據科學助力傳統醫學融入現代? 8
1.3?以實踐和數據說話的循證醫學發展歷程 10
1.3.1?理解循證醫學? 10
1.3.2?循證醫學證據體系建立的五個階段? 11
1.4?基于PICOS原則把臨床語言轉變為數據語言 18
1.5?數據科學在循證醫學證據體系以外的應用 19
第2章 走進數據科學時代 23
2.1?大數據的由來、定義和特征 23
2.1.1?大數據的由來和定義? 23
2.1.2?大數據的nV特征? 24
2.1.3?走出數據以“大”論英雄的誤區? 25
2.2?大數據發展的數據工程問題 27
2.2.1?硬件工程問題? 27
2.2.2?軟件技術問題? 28
2.3?大數據發展的數據科學問題 30
2.3.1?統計學的由來與發展? 30
2.3.2?智能的內涵：知有所合謂之智，能有所合謂之能? 31
2.3.3?人工智能的起落與輝煌? 32
2.3.4?發展人工智能應堅守的造物觀：重己役物，致用利人? 35
2.4?大數據驅動的數據科學生態變革 38
2.4.1?從統計學思維到應用型思維? 38
2.4.2?數據科學生態促使數據從業者角色分化? 40
2.5?大數據驅動的科學研究范式變革 42
2.5.1?科學革命的結構? 42
2.5.2?第四范式與AI for science? 43
2.6?大數據驅動的日常生活變革 46
2.7?數字經濟驅動數據要素價值變現 48
2.7.1?互聯網泡沫破碎后的數字經濟重建? 48
2.7.2?理解數據要素化? 49
2.7.3?數據變現的路徑? 51
第3章 健康醫療大數據與人工智能 54
3.1?健康醫療大數據的范圍 54
3.2?健康醫療大數據的行業特征 55
3.2.1?醫療大數據的縱向和橫向孤島現象? 55
3.2.2?健康醫療大數據的多模態性、疾病主題特異性和動態性? 56
3.2.3?健康醫療大數據的主觀性和價值稀疏性? 56
3.3?大數據驅動的人工智能在醫療領域的應用與角色 59
3.3.1?人工智能在醫療領域的應用? 59
3.3.2?從效率工具角度看待醫療人工智能? 61
3.3.3?醫療AI開發中的困難與瓶頸? 62
3.4?模型的透明性和可問責性是醫療人工智能廣泛落地的基礎 64
第4章 健康醫療大數據讓循證醫學走進真實世界 67
4.1?以RCT為代表的理想世界研究的局限性 67
4.2?基于真實世界數據的真實世界研究 69
4.2.1?真實世界研究的定義? 69
4.2.2?真實世界研究的證據等級體系? 72
4.3?大數據時代下的真實世界人群隊列管理 74
第5章 基于真實世界數據的醫學統計 76
5.1?醫療業務的數據化 76
5.2?缺失值的識別和處理 78
5.3?真實世界研究數據分析要點概述 80
5.4?統計三件套：說一說、比一比、找關系 84
5.5?從暴露到結局的單變量關系是經典循證醫學研究的基本關注點 90
5.5.1?單變量之間的線性和廣義線性關系? 90
5.5.2?單變量之間的線性趨勢關系和非線性關系? 98
5.5.3?從辛普森悖論看為什么研究單變量之間的關系同樣要做多
因素分析? 101
5.5.4?單變量間的相關關系和因果關系? 104
5.6?單變量之間關系的論證邏輯結構 105
5.6.1?從定性到定量：單變量關系研究需要回答的四個問題? 105
5.6.2?從一根杠桿看懂何為混雜和交互因素? 106
5.6.3?混雜因素的識別和控制? 108
5.6.4?交互因素的識別和控制? 112
5.6.5?傾向性評分：控制多個混雜的神器? 113
第６章 由統計推導結論到智能預測 119
6.1?從醫學統計到統計學習 119
6.1.1?從效用統計到結局預測? 119
6.1.2?從人工智能到機器學習? 120
6.1.3?人工智能中的損失和優化? 123
6.2?臨床預測模型構建的基本思路 125
6.2.1?建模前工作? 125
6.2.2?建模中工作? 127
6.2.3?建模后工作? 129
6.3?醫療機器學習的“PICOS” 140
第7章 統計學習的常見算法淺析 142
7.1?回歸分析中的多重共線性與Lasso回歸 142
7.1.1?多重共線性的影響和識別? 142
7.1.2?Lasso回歸的原理? 143
7.2?通俗好用的樹模型和集成算法 146
7.2.1?用于分類任務的決策樹構建? 146
7.2.2?用于回歸任務的回歸樹和模型樹? 151
7.2.3?群策群力的集成學習? 152
7.3?人們日用而不自知的貝葉斯推理 155
7.3.1?初識貝葉斯定理? 155
7.3.2?樸素貝葉斯算法? 158
7.3.3?概率圖模型? 159
7.4?基于距離的機器學習分類與聚類 161
7.4.1?K近鄰分類? 162
7.4.2?聚類算法? 163
7.5?數據降維的藝術 166
7.5.1?主成分分析? 166
7.5.2?因子分析? 174
7.6?支持向量機 178
7.6.1?AI界的水果忍者? 178
7.6.2?SVM到底在優化什么？? 180
7.6.3?核技巧是使SVM真正強大起來的原因? 183
7.7?挖掘數據共顯模式的關聯規則算法 185
7.7.1?驅動購物的關聯規則? 185
7.7.2?Apriori算法? 186
7.8?時間序列分析 188
第8章 開啟多模態學習的深度學習 201
8.1?人工神經網絡與深度學習 201
8.1.1?人工神經網絡與深度學習入門? 201
8.1.2?神經網絡在學習過程中，到底學到了什么？? 204
8.1.3?如何更準確地選擇損失函數下降的方向? 208
8.2?卷積神經網絡與機器視覺 211
8.2.1?卷積神經網絡的直觀理解? 211
8.2.2?卷積運算的數學解釋? 214
8.2.3?計算機視覺和卷積神經網絡的發展脈絡? 217
8.2.4?醫學影像人工智能? 222
8.3?給AI植入想象力的對抗生成網絡和擴散模型 227
8.3.1?對GAN原理的形象理解? 227
8.3.2?GAN訓練過程的算法數學理解? 228
8.3.3?GAN的其他集中花式玩法? 230
8.3.4?擴散模型簡介? 233
8.4?使AI學會策略的強化學習 235
8.4.1?理解決策過程? 235
8.4.2?如何學習Q值？? 236
8.4.3?理解整個策略學習過程? 236
8.4.4?理解深度強化學習之DQN? 238
8.5?循環神經網絡與自然語言處理 240
8.5.1?對RNN的形象理解? 240
8.5.2?對RNN的算法理解? 241
8.6?基于深度學習的自然語言處理簡介 245
8.6.1?詞的向量表示? 245
8.6.2?Encoder-Decoder和注意力機制? 250
8.6.3?從transformer到ChatGPT? 253
8.6.4?自然語言處理在醫學中的應用淺析? 261
8.7?大模型驅動的AIGC通用人工智能時代 263
8.7.1?AIGC緣起? 263
8.7.2?大力出奇跡：ChatGPT引爆了AIGC的奇點? 264
8.7.3?大模型的解封咒語：提示工程? 269
第9章 日常診療與數據科學 271
9.1?臨床推理中的雙重認知模式 271
9.2?醫療與數據科學的認知協同 275
9.3?人機決策與CDSS 278
9.4?醫療從業者學習數據科學的必要性和可行性 281
第10章 精準醫學與數據科學 284
10.1?精準醫學的由來 284
10.2?精準醫學與組學研究 285
10.3?以中心法則為主線開展的組學研究 286
10.4?中心法則之外，拓寬組學的邊界 291
10.5?始于差異，經由機制，終于臨床 293
第十一章 醫藥研發與數據科學 301
11.1?新藥研發概述 301
11.2?生物分子的化學表征與計算 302
11.3?基于不同分子表征的模型計算 304
第12章 轉化醫學與數據科學 307
12.1?轉化醫學的由來、階段和與數據科學的關系 307
12.2?樹立合理的醫學科技創新觀念和轉化動機 310
12.3?科技成果評價的主要方法和維度 314
12.4?醫學科技成果的轉化途徑與過程 325
12.5?醫學轉化案例之CRISPR-Cas9基因編輯技術 330
第13章 智慧健康醫療與數據科學 333
13.1?智慧健康醫療概述 333
13.2?智慧健康醫療衍射出的重要概念 340
13.3?數據科學之于智慧醫療，是漁而非魚 345
第14章 合理醫療與數據科學 351
14.1?合理醫療的大道理 351
14.2?不合理醫療的小算盤 352
14.3?合理醫療監管的外儒內法 359
14.4?監管手段從形式之法到數據之法 361
14.5?基于數據科學的合理醫療循證評價 364
第15章 醫院管理與數據科學 370
15.1?指標化的醫院數字化管理 370
15.2?基于數據科學的DRGs/DIP醫保費用管理 379
15.3?基于數據科學方法的精細醫院運營管理 386
15.4?基于數據科學的RBRVS績效評價體系構建 391
第16章 醫學人文與數據科學 396
16.1?技術和人文是醫學發展的雙翼 396
16.2?數據科學對醫學人文的潛在影響 400
16.3?在醫學美學的指導下發展醫療數據科學 403
第17章 醫療大數據的理、采、存、管、用 407
17.1?醫療機構數據應用的窘境 407
17.2?醫療大數據平臺的四層架構和五項功能 412
17.3?醫療大數據的變現管理 421
17.4?醫療大數據應用的安全體系 426
17.4.1?信息安全是所有數據建設的基礎? 427
17.4.2?健康醫療大數據的合規管理? 431
17.4.3?隱私計算在促進醫療大數據合規應用的作用? 437
17.4.4?隱私計算融合區塊鏈提升數據協作全流程保護能力? 441
17.4.5?易被忽視的AI安全? 442
17.5?DataOps推動業務數據協作聯動? 445
17.6?警惕唯數據主義的陷阱 447
后?記 精數道以明醫理，通仁術以踐仁心 453
展開全部
實用健康醫療數據科學精要 作者簡介
弓凱,北京大學醫學部外科學博士（本博連讀）、神經外科副主任醫師、廈門大學附屬第一醫院計算機中心副主任、醫療大數據中心負責人、廈門市第三醫院信息辦主任。
書友推薦
- >
自卑與超越
- >
經典常談
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
名家帶你讀魯迅:故事新編
- >
回憶愛瑪儂
本類暢銷
