×
实用健康医疗数据科学精要

实用健康医疗数据科学精要

1星价 ¥208.6 (7.0折)
2星价¥208.6 定价¥298.0
暂无评论
图文详情
  • ISBN:9787302647676
  • 装帧:精装
  • 册数:暂无
  • 重量:暂无
  • 开本:其他
  • 页数:476
  • 出版时间:2023-12-01
  • 条形码:9787302647676 ; 978-7-302-64767-6

本书特色

在大健康、医疗大数据、AI 医疗大发展的背景下,数据科学对医疗领域的影响、作用和未来发展潜力不言而喻。然后,经过多年发展,一个非常显著的现象是,从事临床及相关业务的医疗工作者对数据科学的无知无感,与产业领域和科研领域工作者的探索热情产生了鲜明的对比。这说明,数据科学与医疗领域的行业壁垒还未被打破。然而,数据科学想要改变医疗,必须通过改变医疗行业内部人群实现。因此,打破行业壁垒,实现数据科学在医疗领域的文化畅流,是充分实现数据科学在医疗领域赋能作用的根本途径。而目前,市上上还没有针对数据科学在医疗全生态应用的通识性读物。本书作者作为一名医生、一位医院管理者、一位信息化建设者、一位医疗大数据中心负责人,兼具医疗、管理、数据科学三方的工作跨界经验,结合切身体会,用医疗科普的讲述方式,尝试用医疗语言说数据,用数据语言说医疗,真正做到医疗与数据的双剑合璧。以深入浅出的语言,全面探讨了数据科学在医疗科、教、医、研、管全生态应用的场景和底层逻辑,并追逐*新进展,讨论了数据要素合规、隐私计算和AIGC等*前沿问题。真正做到既讲热闹,又讲门道,促进数据科学在医疗领域的技术化、思想化、文化化和语言化,为实现数据科学在医疗领域的文化畅流做出贡献。

内容简介

本书分为道、术两篇。道篇讲述了数据科学与医疗全领域交互融合的底层逻辑,以及数据科学在医疗科、教、医、研、管五个方面的角色和作用,建立适用于医疗人工智能开发的ML-PICOS原则,并从建设角度,阐述了医疗大数据理、采、存、管、用的全过程。术篇普及了数据科学用于回归、分类、聚类、关联分析的基础算法,以及他们在医疗领域应用的场景和逻辑。本书可帮助读者建立数据科学在医疗领域应用的体系化认知。读者对象包括医疗全领域相关工作者以及想要涉足医疗领域的数据科学相关人士。

目录


第1章 医学发展与数据科学 1
1.1?医学认知的物质化、科学化和数据化 1
1.1.1?从神灵主义走出的医学? 1
1.1.2?医学认知的物质化? 2
1.1.3?医学认知的科学化? 4
1.1.4?医学认知的数据化? 6
1.2?数据化或是传统医学现代化的必经之路 8
1.2.1?现代医学与传统医学的分歧? 8
1.2.2?数据科学助力传统医学融入现代? 8
1.3?以实践和数据说话的循证医学发展历程 10
1.3.1?理解循证医学? 10
1.3.2?循证医学证据体系建立的五个阶段? 11
1.4?基于PICOS原则把临床语言转变为数据语言 18
1.5?数据科学在循证医学证据体系以外的应用 19
第2章 走进数据科学时代 23
2.1?大数据的由来、定义和特征 23
2.1.1?大数据的由来和定义? 23
2.1.2?大数据的nV特征? 24
2.1.3?走出数据以“大”论英雄的误区? 25
2.2?大数据发展的数据工程问题 27
2.2.1?硬件工程问题? 27
2.2.2?软件技术问题? 28
2.3?大数据发展的数据科学问题 30
2.3.1?统计学的由来与发展? 30
2.3.2?智能的内涵:知有所合谓之智,能有所合谓之能? 31
2.3.3?人工智能的起落与辉煌? 32
2.3.4?发展人工智能应坚守的造物观:重己役物,致用利人? 35
2.4?大数据驱动的数据科学生态变革 38
2.4.1?从统计学思维到应用型思维? 38
2.4.2?数据科学生态促使数据从业者角色分化? 40
2.5?大数据驱动的科学研究范式变革 42
2.5.1?科学革命的结构? 42
2.5.2?第四范式与AI for science? 43
2.6?大数据驱动的日常生活变革 46
2.7?数字经济驱动数据要素价值变现 48
2.7.1?互联网泡沫破碎后的数字经济重建? 48
2.7.2?理解数据要素化? 49
2.7.3?数据变现的路径? 51
第3章 健康医疗大数据与人工智能 54
3.1?健康医疗大数据的范围 54
3.2?健康医疗大数据的行业特征 55
3.2.1?医疗大数据的纵向和横向孤岛现象? 55
3.2.2?健康医疗大数据的多模态性、疾病主题特异性和动态性? 56
3.2.3?健康医疗大数据的主观性和价值稀疏性? 56
3.3?大数据驱动的人工智能在医疗领域的应用与角色 59
3.3.1?人工智能在医疗领域的应用? 59
3.3.2?从效率工具角度看待医疗人工智能? 61
3.3.3?医疗AI开发中的困难与瓶颈? 62
3.4?模型的透明性和可问责性是医疗人工智能广泛落地的基础 64
第4章 健康医疗大数据让循证医学走进真实世界 67
4.1?以RCT为代表的理想世界研究的局限性 67
4.2?基于真实世界数据的真实世界研究 69
4.2.1?真实世界研究的定义? 69
4.2.2?真实世界研究的证据等级体系? 72
4.3?大数据时代下的真实世界人群队列管理 74
第5章 基于真实世界数据的医学统计 76
5.1?医疗业务的数据化 76
5.2?缺失值的识别和处理 78
5.3?真实世界研究数据分析要点概述 80
5.4?统计三件套:说一说、比一比、找关系 84
5.5?从暴露到结局的单变量关系是经典循证医学研究的基本关注点 90
5.5.1?单变量之间的线性和广义线性关系? 90
5.5.2?单变量之间的线性趋势关系和非线性关系? 98
5.5.3?从辛普森悖论看为什么研究单变量之间的关系同样要做多
   因素分析? 101
5.5.4?单变量间的相关关系和因果关系? 104
5.6?单变量之间关系的论证逻辑结构 105
5.6.1?从定性到定量:单变量关系研究需要回答的四个问题? 105
5.6.2?从一根杠杆看懂何为混杂和交互因素? 106
5.6.3?混杂因素的识别和控制? 108
5.6.4?交互因素的识别和控制? 112
5.6.5?倾向性评分:控制多个混杂的神器? 113
第6章 由统计推导结论到智能预测 119
6.1?从医学统计到统计学习 119
6.1.1?从效用统计到结局预测? 119
6.1.2?从人工智能到机器学习? 120
6.1.3?人工智能中的损失和优化? 123
6.2?临床预测模型构建的基本思路 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?医疗机器学习的“PICOS” 140
第7章 统计学习的常见算法浅析 142
7.1?回归分析中的多重共线性与Lasso回归 142
7.1.1?多重共线性的影响和识别? 142
7.1.2?Lasso回归的原理? 143
7.2?通俗好用的树模型和集成算法 146
7.2.1?用于分类任务的决策树构建? 146
7.2.2?用于回归任务的回归树和模型树? 151
7.2.3?群策群力的集成学习? 152
7.3?人们日用而不自知的贝叶斯推理 155
7.3.1?初识贝叶斯定理? 155
7.3.2?朴素贝叶斯算法? 158
7.3.3?概率图模型? 159
7.4?基于距离的机器学习分类与聚类 161
7.4.1?K近邻分类? 162
7.4.2?聚类算法? 163
7.5?数据降维的艺术 166
7.5.1?主成分分析? 166
7.5.2?因子分析? 174
7.6?支持向量机 178
7.6.1?AI界的水果忍者? 178
7.6.2?SVM到底在优化什么?? 180
7.6.3?核技巧是使SVM真正强大起来的原因? 183
7.7?挖掘数据共显模式的关联规则算法 185
7.7.1?驱动购物的关联规则? 185
7.7.2?Apriori算法? 186
7.8?时间序列分析 188
第8章 开启多模态学习的深度学习 201
8.1?人工神经网络与深度学习 201
8.1.1?人工神经网络与深度学习入门? 201
8.1.2?神经网络在学习过程中,到底学到了什么?? 204
8.1.3?如何更准确地选择损失函数下降的方向? 208
8.2?卷积神经网络与机器视觉 211
8.2.1?卷积神经网络的直观理解? 211
8.2.2?卷积运算的数学解释? 214
8.2.3?计算机视觉和卷积神经网络的发展脉络? 217
8.2.4?医学影像人工智能? 222
8.3?给AI植入想象力的对抗生成网络和扩散模型 227
8.3.1?对GAN原理的形象理解? 227
8.3.2?GAN训练过程的算法数学理解? 228
8.3.3?GAN的其他集中花式玩法? 230
8.3.4?扩散模型简介? 233
8.4?使AI学会策略的强化学习 235
8.4.1?理解决策过程? 235
8.4.2?如何学习Q值?? 236
8.4.3?理解整个策略学习过程? 236
8.4.4?理解深度强化学习之DQN? 238
8.5?循环神经网络与自然语言处理 240
8.5.1?对RNN的形象理解? 240
8.5.2?对RNN的算法理解? 241
8.6?基于深度学习的自然语言处理简介 245
8.6.1?词的向量表示? 245
8.6.2?Encoder-Decoder和注意力机制? 250
8.6.3?从transformer到ChatGPT? 253
8.6.4?自然语言处理在医学中的应用浅析? 261
8.7?大模型驱动的AIGC通用人工智能时代 263
8.7.1?AIGC缘起? 263
8.7.2?大力出奇迹:ChatGPT引爆了AIGC的奇点? 264
8.7.3?大模型的解封咒语:提示工程? 269
第9章 日常诊疗与数据科学 271
9.1?临床推理中的双重认知模式 271
9.2?医疗与数据科学的认知协同 275
9.3?人机决策与CDSS 278
9.4?医疗从业者学习数据科学的必要性和可行性 281
第10章 精准医学与数据科学 284
10.1?精准医学的由来 284
10.2?精准医学与组学研究 285
10.3?以中心法则为主线开展的组学研究 286
10.4?中心法则之外,拓宽组学的边界 291
10.5?始于差异,经由机制,终于临床 293
第十一章 医药研发与数据科学 301
11.1?新药研发概述 301
11.2?生物分子的化学表征与计算 302
11.3?基于不同分子表征的模型计算 304
第12章 转化医学与数据科学 307
12.1?转化医学的由来、阶段和与数据科学的关系 307
12.2?树立合理的医学科技创新观念和转化动机 310
12.3?科技成果评价的主要方法和维度 314
12.4?医学科技成果的转化途径与过程 325
12.5?医学转化案例之CRISPR-Cas9基因编辑技术 330
第13章 智慧健康医疗与数据科学 333
13.1?智慧健康医疗概述 333
13.2?智慧健康医疗衍射出的重要概念 340
13.3?数据科学之于智慧医疗,是渔而非鱼 345
第14章 合理医疗与数据科学 351
14.1?合理医疗的大道理 351
14.2?不合理医疗的小算盘 352
14.3?合理医疗监管的外儒内法 359
14.4?监管手段从形式之法到数据之法 361
14.5?基于数据科学的合理医疗循证评价 364
第15章 医院管理与数据科学 370
15.1?指标化的医院数字化管理 370
15.2?基于数据科学的DRGs/DIP医保费用管理 379
15.3?基于数据科学方法的精细医院运营管理 386
15.4?基于数据科学的RBRVS绩效评价体系构建 391
第16章 医学人文与数据科学 396
16.1?技术和人文是医学发展的双翼 396
16.2?数据科学对医学人文的潜在影响 400
16.3?在医学美学的指导下发展医疗数据科学 403
第17章 医疗大数据的理、采、存、管、用 407
17.1?医疗机构数据应用的窘境 407
17.2?医疗大数据平台的四层架构和五项功能 412
17.3?医疗大数据的变现管理 421
17.4?医疗大数据应用的安全体系 426
17.4.1?信息安全是所有数据建设的基础? 427
17.4.2?健康医疗大数据的合规管理? 431
17.4.3?隐私计算在促进医疗大数据合规应用的作用? 437
17.4.4?隐私计算融合区块链提升数据协作全流程保护能力? 441
17.4.5?易被忽视的AI安全? 442
17.5?DataOps推动业务数据协作联动? 445
17.6?警惕唯数据主义的陷阱 447
后?记 精数道以明医理,通仁术以践仁心 453
展开全部

作者简介

弓凯,北京大学医学部外科学博士(本博连读)、神经外科副主任医师、厦门大学附属**医院计算机中心副主任、医疗大数据中心负责人、厦门市第三医院信息办主任。

预估到手价 ×

预估到手价是按参与促销活动、以最优惠的购买方案计算出的价格(不含优惠券部分),仅供参考,未必等同于实际到手价。

确定
快速
导航