医学信息学的研究范畴

1.3　医学信息学的研究范畴

医学信息学的研究范畴可以概括为四个结构层次:

（1）原始健康数据，比如影像、微阵列、生理数据等。

（2）从原始健康数据中分析出来的有组织的综合数据库，比如整合起来的基因分类（genotype）和其外在表现形态（phenotype）。

（3）从数据库中抽象出来的知识库，比如词表、术语学、本体库、语义网等。

（4）从知识库中验证出来的可直接应用的知识结晶和理论，比如协议，临床实用手册，概论等。

每个结构层次中，以及每两个结构层次之间都对应着一些医学信息学研究的课题。

在原始健康数据层次，最主要的课题是数据采集和集成。这包括实时的生理信号分析、语音识别、传感器采集、条形码扫描等等。

从原始健康数据层次到综合数据库层次，最主要的课题是数据整合，包括数据仓库、数据模型、语义网络、本体论等等。

在综合数据库层次，最主要的课题是数据处理，包括数据储存、数据提取、数据可视化、高级算法、计算模型、图像处理等等。

从综合数据库层次到知识库层次，最主要的课题是推理，包括自然语言处理、信息抽取、数据挖掘、文本产生、统计处理、自动学习等等。

在知识库层次，最主要的课题是知识管理，包括知识表达和知识模型等等。

从知识库层次到知识结晶和理论层次，最主要的课题是知识获取，包括机器学习、文本解释、知识工程、决策理论等等。

在知识结晶和理论层次，最主要的课题是知识应用，包括诊断、治疗、预防等等。

上文提及的这些课题，需要人类和机器的交互合作来完成。如图1－2是人机交互图谱。

图1－2　人机交互图谱

根据图1－2，人类在这些研究范畴中的分工可以概括为如图左侧所示:从感官的感觉和知觉，形成感官记忆；对感官记忆的选择性注意，从而形成工作记忆；对工作记忆的回想和揣摩、背诵和回忆，从而形成长期的记忆；对长期记忆的整理、学习从而形成了专业知识；而专业知识将指导最终的分析、决策和执行。

图1－2右侧为机器的分工。机器的分工则包括从生物的、医学的或广义的健康的现象中采集数据，把数据集成到数据库，从数据库中对数据优化和推理从而获得知识库，从知识库中对知识进一步获取和管理，从而获得专门的生物医学知识，然后衍生出相应的知识应用。

上述的分工衍生出了机器的任务，比如建立电子病历的标准和数据交互法则，信息安全和隐私权，优化信息系统，远程治疗，电子处方，个体化电子病历等；以及与之对应的人类的任务，比如理解和使用电子病历，总结知识和教学，学习决策过程和个人信息管理等。

如果机器实现了这些任务，我们将能够提高医疗的质量，减少医疗事故，实现流行病爆发的预警，流程优化，通过医疗数据的循证影响卫生政策等。

如果人类实现了这些任务，我们将高效工作，提高产出，提高团队的合作，获得更人性化的界面和数据支持，减少人为导致的错误（比如疲劳下的决策差错），更好地总结知识。

为了实现这样的结果，当前医学信息学的研究焦点包括:在机器研究方向上，研究人员致力于研究如何利用计算机支持临床试验，支持基因结构和功能的识别，支持蛋白功能的识别，把基因的内在序列和外在表达结合起来，通过建模来再现生物结构，把疾病的临床症状和其分子级别的模型联系起来等；而在人的研究方向上，研究人员则致力于研究知识建模，模式识别和优化可视化的方法学等。