本书从临床决策数据获取和传递,知识表示,学习推理和鲁棒性决策的系统整体结构出发,以工业工程,决策科学,人工智能,信息论,证据推理等为理论基础,深入揭示了大数据驱动的医疗与健康决策支持机理及其在临床诊断过程中的实践

zlib/no-category/徐曼沈江余海燕 elib.cc & 徐曼沈江余海燕 elib.cc & 徐曼沈江余海燕 elib.cc/大数据医疗(elib.cc)_18006134.epub

大数据医疗 = Big data medical

徐曼,沈江,余海燕著

徐曼 (女)

Delachaux et Niestlé SA, c/o Fiduciaire Tucker

China Machine Press

北京:机械工业出版社

China, People's Republic, China

Switzerland, Switzerland

Bookmarks: p1 (p2): 上篇 基于认知计算的智能医疗决策
p1-1 (p2): 第1章 智能医疗的兴起
p1-1-1 (p2): 1.1 人工智能带来全新的医疗体验
p1-1-2 (p3): 1.2 大数据催生精准医疗
p1-1-3 (p3): 1.3 均衡医疗资源，减少医疗事故
p1-1-4 (p5): 1.4 全员、全数据、全工作流医疗数据
p1-1-5 (p6): 1.5 医疗与健康决策支持
p1-1-6 (p10): 1.6 智能诊断的背后
p1-1-7 (p16): 1.7 结构与特色
p1-1-7-1 (p16): 1.7.1 体系结构
p1-1-7-2 (p17): 1.7.2 特色与创新
p1-1-8 (p19): 参考文献
p1-2 (p22): 第2章 医疗服务的品质与效率
p1-2-1 (p22): 2.1 基于行为级的管理改善
p1-2-1-1 (p22): 2.1.1 工作流管理
p1-2-1-2 (p24): 2.1.2 人的可靠性
p1-2-1-3 (p25): 2.1.3 风险的防控
p1-2-2 (p26): 2.2 基于逻辑级的鲁棒性决策
p1-2-2-1 (p26): 2.2.1 鲁棒性优化
p1-2-2-2 (p29): 2.2.2 鲁棒性推理
p1-2-3 (p31): 2.3 基于大数据分析与处理的医疗与健康决策支持
p1-2-3-1 (p31): 2.3.1 异构实体数据的融合
p1-2-3-2 (p34): 2.3.2 多模态数据管理模式
p1-2-3-3 (p36): 2.3.3 大数据分治方法
p1-2-4 (p37): 2.4 诊疗智能辅助系统
p1-2-5 (p40): 参考文献
p1-3 (p51): 第3章 智能医疗的本质
p1-3-1 (p51): 3.1 数据驱动决策的特征
p1-3-1-1 (p52): 3.1.1 决策数据的特征
p1-3-1-2 (p55): 3.1.2 融合推理的特征
p1-3-2 (p57): 3.2 融合推理模型构建
p1-3-2-1 (p57): 3.2.1 融合推理模型要素
p1-3-2-2 (p58): 3.2.2 融合推理相关命题
p1-3-2-3 (p60): 3.2.3 基于融合推理的多准则分类决策
p1-3-3 (p61): 3.3 融合推理的数据预处理
p1-3-3-1 (p62): 3.3.1 数据分治
p1-3-3-2 (p62): 3.3.2 可解释性推理
p1-3-3-3 (p64): 3.3.3 预处理方法
p1-3-4 (p66): 3.4 融合推理的决策鲁棒性分析
p1-3-4-1 (p66): 3.4.1 融合推理中两类不确定性
p1-3-4-2 (p67): 3.4.2 决策鲁棒性
p1-3-4-3 (p68): 3.4.3 推理模型的鲁棒性约束
p1-3-5 (p69): 3.5 小结
p1-3-6 (p70): 参考文献
p1-4 (p73): 第4章 医疗急救决策：全员、全流程、全数据空间
p1-4-1 (p73): 4.1 背景
p1-4-2 (p74): 4.2 心脏病急救决策流程及数据
p1-4-2-1 (p74): 4.2.1 流程
p1-4-2-2 (p74): 4.2.2 急救决策推理的网链结构
p1-4-2-3 (p77): 4.2.3 数据类型
p1-4-2-4 (p78): 4.2.4 数据的不确定性
p1-4-2-5 (p79): 4.2.5 不确定性推理
p1-4-3 (p80): 4.3 医疗决策全数据空间框架
p1-4-3-1 (p80): 4.3.1 心脏病急救决策病例维
p1-4-3-2 (p83): 4.3.2 心脏病急救决策规则维
p1-4-3-3 (p85): 4.3.3 心脏病急救决策资源维
p1-4-3-4 (p86): 4.3.4 心脏病急救决策时间窗
p1-4-4 (p86): 4.4 医疗决策推理的静态分析
p1-4-4-1 (p87): 4.4.1 急救决策状态空间
p1-4-4-2 (p87): 4.4.2 决策空间的静态结构
p1-4-4-3 (p88): 4.4.3 状态空间的映射
p1-4-4-4 (p89): 4.4.4 数据子空间
p1-4-5 (p90): 4.5 医疗决策推理的动态性能
p1-4-5-1 (p90): 4.5.1 状态空间的范数
p1-4-5-2 (p91): 4.5.2 急救决策特征空间的状态链
p1-4-5-3 (p92): 4.5.3 急救决策推理的脆弱性
p1-4-6 (p93): 4.6 小结
p1-4-7 (p94): 参考文献
p1-5 (p95): 第5章 层次关联证据链推理的多属性群决策分类
p1-5-1 (p95): 5.1 引言
p1-5-1-1 (p95): 5.1.1 群决策分类特点
p1-5-1-2 (p97): 5.1.2 群决策分类推理
p1-5-2 (p98): 5.2 决策状态空间与证据链
p1-5-2-1 (p98): 5.2.1 命题空间与可信度性质
p1-5-2-2 (p99): 5.2.2 决策状态与证据链
p1-5-3 (p101): 5.3 层次关联证据链推理模型FUER
p1-5-3-1 (p101): 5.3.1 层次关联
p1-5-3-2 (p102): 5.3.2 相似性度量
p1-5-3-3 (p103): 5.3.3 可信度集成
p1-5-4 (p104): 5.4 类别误标下证据链的推理方法
p1-5-4-1 (p104): 5.4.1 证据链推理的混合整数优化模型
p1-5-4-2 (p105): 5.4.2 模型推理必要条件和敏感性分析
p1-5-4-3 (p107): 5.4.3 类别误标下模型推断
p1-5-4-4 (p108): 5.4.4 干扰下模型参数学习
p1-5-4-5 (p110): 5.4.5 相似度加权近邻算法sf-NN
p1-5-4-6 (p111): 5.4.6 鲁棒性分析
p1-5-5 (p112): 5.5 小结
p1-5-6 (p112): 参考文献
p1-6 (p115): 第6章 基于鲁棒性阈值的CBR／RBR融合推理机制
p1-6-1 (p115): 6.1 引言
p1-6-2 (p116): 6.2 CBR／RBR及其融合推理
p1-6-2-1 (p116): 6.2.1 CBR推理
p1-6-2-2 (p120): 6.2.2 RBR推理
p1-6-2-3 (p121): 6.2.3 多分类器集成的决策树优化方法
p1-6-2-4 (p122): 6.2.4 CBR／RBR融合推理
p1-6-3 (p124): 6.3 融合酉空间及矩阵奇异值分解
p1-6-3-1 (p124): 6.3.1 融合酉空间
p1-6-3-2 (p125): 6.3.2 融合酉空间的奇异值分解
p1-6-4 (p131): 6.4 鲁棒阈值方法
p1-6-4-1 (p131): 6.4.1 融合推理空间鲁棒性解集
p1-6-4-2 (p132): 6.4.2 知识关联性
p1-6-4-3 (p133): 6.4.3 相似度计算
p1-6-4-4 (p133): 6.4.4 知识粒度及推理信度计算
p1-6-4-5 (p134): 6.4.5 阈值的鲁棒性
p1-6-5 (p135): 6.5 融合推理策略及步骤
p1-6-5-1 (p135): 6.5.1 融合推理策略与融合推理解
p1-6-5-2 (p137): 6.5.2 融合推理执行步骤
p1-6-6 (p138): 6.6 小结
p1-6-7 (p139): 参考文献
p1-7 (p142): 第7章 基于贝叶斯网络的CBR／RBR融合推理机制与方法
p1-7-1 (p142): 7.1 引言
p1-7-2 (p143): 7.2 不确定信息条件下的推理机制及建模
p1-7-2-1 (p143): 7.2.1 稳健随机混合法
p1-7-2-2 (p145): 7.2.2 随机项建模
p1-7-3 (p148): 7.3 推理模型的贝叶斯网络构建
p1-7-3-1 (p148): 7.3.1 贝叶斯网络
p1-7-3-2 (p149): 7.3.2 贝叶斯网络学习
p1-7-3-3 (p153): 7.3.3 贝叶斯网络构建
p1-7-4 (p156): 7.4 BN-CBR／RBR推理模型
p1-7-4-1 (p156): 7.4.1 相似度评价函数
p1-7-4-2 (p156): 7.4.2 鲁棒BN-CBR／RBR模型构建
p1-7-4-3 (p157): 7.4.3 改进的K-D树（K-D Tree）方法
p1-7-4-4 (p158): 7.4.4 代价敏感学习
p1-7-5 (p160): 7.5 基于多属性决策的BN-CBR／RBR优化协同
p1-7-5-1 (p160): 7.5.1 多属性的人机融合决策模式
p1-7-5-2 (p163): 7.5.2 基于Vague集的优化模型
p1-7-5-3 (p165): 7.5.3 基于Vague集的嵌入式算法
p1-7-6 (p166): 7.6 小结
p1-7-7 (p166): 参考文献
p1-8 (p168): 第8章 同态推理空间下的互信息属性特征建模
p1-8-1 (p168): 8.1 引言
p1-8-2 (p169): 8.2 空间的同态理论与信息场
p1-8-2-1 (p170): 8.2.1 状态空间同态
p1-8-2-2 (p171): 8.2.2 同态下推理空间的性质
p1-8-2-3 (p172): 8.2.3 推理状态空间的信息场
p1-8-2-4 (p173): 8.2.4 信息增益
p1-8-3 (p174): 8.3 同态下的属性特征选择及互信息
p1-8-3-1 (p174): 8.3.1 属性特征选择
p1-8-3-2 (p175): 8.3.2 属性互信息
p1-8-4 (p177): 8.4 同态推理状态空间中的互信息判据
p1-8-4-1 (p177): 8.4.1 互信息的归一化测度
p1-8-4-2 (p179): 8.4.2 互信息判据结构与性质
p1-8-5 (p180): 8.5 基于互信息的属性特征选择模型
p1-8-5-1 (p181): 8.5.1 MIFS-U属性特征选择模型
p1-8-5-2 (p183): 8.5.2 mRMR属性特征选择模型
p1-8-6 (p184): 8.6 同态下的鲁棒属性特征选择模型
p1-8-6-1 (p185): 8.6.1 鲁棒属性特征选择模型（R2CMIFS）
p1-8-6-2 (p188): 8.6.2 同态下的鲁棒属性特征选择机制
p1-8-7 (p189): 8.7 小结
p1-8-8 (p190): 参考文献
p1-9 (p192): 第9章 基于证据链推理和信息价值最大化决策
p1-9-1 (p192): 9.1 引言
p1-9-1-1 (p192): 9.1.1 时态数据的多尺度决策问题分析
p1-9-1-2 (p193): 9.1.2 多尺度决策推理模型的相关研究
p1-9-2 (p194): 9.2 时间窗与价值转移
p1-9-2-1 (p194): 9.2.1 数据驱动决策的时间窗
p1-9-2-2 (p195): 9.2.2 信息转移价值
p1-9-2-3 (p196): 9.2.3 管理熵
p1-9-3 (p197): 9.3 单一尺度证据链与多尺度证据链
p1-9-3-1 (p197): 9.3.1 时态数据
p1-9-3-2 (p197): 9.3.2 时间尺度及多尺度证据链
p1-9-4 (p199): 9.4 多尺度特征的证据链推理模型（msFUER）及决策框架
p1-9-4-1 (p200): 9.4.1 数据预处理与特征量提取
p1-9-4-2 (p202): 9.4.2 多尺度特征量重构及互信息矩阵
p1-9-4-3 (p204): 9.4.3 多尺度特征信息价值最大化的决策
p1-9-4-4 (p206): 9.4.4 时态相似度的最近邻算法ms-NN
p1-9-5 (p209): 9.5 小结
p1-9-6 (p210): 参考文献
p1-10 (p212): 第10章 实体异构性下多数据表证据链推理的机制
p1-10-1 (p212): 10.1 引言
p1-10-1-1 (p212): 10.1.1 数据异构性的决策方法
p1-10-1-2 (p213): 10.1.2 多数据表融合的决策推理
p1-10-2 (p215): 10.2 单数据表证据链关联与多数据表证据链关联
p1-10-2-1 (p215): 10.2.1 多专家并行推理的知识表述
p1-10-2-2 (p216): 10.2.2 局域数据融合推理方法
p1-10-2-3 (p216): 10.2.3 基于数据分治方法的推理框架
p1-10-3 (p218): 10.3 证据链并行推理模型（mrFUER）
p1-10-3-1 (p218): 10.3.1 异构性实体相似关联
p1-10-3-2 (p219): 10.3.2 证据链融合推理参数优化学习
p1-10-3-3 (p220): 10.3.3 多数据集中证据链融合
p1-10-4 (p221): 10.4 模型性能分析与求解步骤
p1-10-4-1 (p221): 10.4.1 稳定性与鲁棒性分析
p1-10-4-2 (p223): 10.4.2 多源证据链关联算法xD-NN
p1-10-4-3 (p224): 10.4.3 决策启示
p1-10-5 (p226): 10.5 小结
p1-10-6 (p226): 参考文献
p1-11 (p228): 第11章 过程感知数据下证据链推理的可信度更新模型
p1-11-1 (p228): 11.1 引言
p1-11-1-1 (p228): 11.1.1 过程感知的决策模糊性
p1-11-1-2 (p229): 11.1.2 相关研究
p1-11-2 (p230): 11.2 过程感知的证据链推理模型（sdFUER）
p1-11-2-1 (p230): 11.2.1 部分信息下的融合推理模型
p1-11-2-2 (p233): 11.2.2 部分证据融合及观测概率获取
p1-11-2-3 (p235): 11.2.3 转移概率获取
p1-11-2-4 (p237): 11.2.4 停止策略：决策或继续感知特征数据
p1-11-2-5 (p238): 11.2.5 基于狄利克雷函数的可信度更新算法df-BU
p1-11-3 (p239): 11.3 模型分析及解的讨论
p1-11-3-1 (p239): 11.3.1 推理深度及解空间性质
p1-11-3-2 (p242): 11.3.2 不同先验概率p0对推理的作用
p1-11-3-3 (p243): 11.3.3 与相似频率直接更新可信度的比较
p1-11-4 (p245): 11.4 小结
p1-11-5 (p245): 参考文献
p2 (p248): 下篇 智能医疗决策实践案例
p2-1 (p248): 第12章 智能病人机器人与数字化人体仿真决策机制
p2-1-1 (p248): 12.1 背景
p2-1-2 (p249): 12.2 智能病人机器人感知系统
p2-1-2-1 (p249): 12.2.1 智能病人机器人硬件及交互
p2-1-2-2 (p250): 12.2.2 智能病人机器人传感器网络
p2-1-2-3 (p251): 12.2.3 医师主控机
p2-1-3 (p251): 12.3 智能病人机器人数字化仿真系统
p2-1-4 (p253): 12.4 智能病人机器人通信系统
p2-1-5 (p254): 12.5 智能病人机器人数据采集及分析系统
p2-1-5-1 (p256): 12.5.1 样本总体及统计分析
p2-1-5-2 (p256): 12.5.2 波形信号的粗粒化处理与实体特征提取
p2-1-5-3 (p258): 12.5.3 电子病程记录中提取的决策数据
p2-1-6 (p259): 12.6 智能病人机器人决策支持系统
p2-1-6-1 (p259): 12.6.1 推理机的模型集
p2-1-6-2 (p260): 12.6.2 FUER-CDSS系统框架
p2-1-6-3 (p261): 12.6.3 推理机
p2-1-6-4 (p261): 12.6.4 FUER证据链训练模块
p2-1-6-5 (p263): 12.6.5 诊断查询的数值仿真
p2-1-7 (p264): 12.7 数字化人体及智能病人机器人应用
p2-1-8 (p267): 12.8 小结
p2-1-9 (p267): 参考文献
p2-2 (p268): 第13章 医疗诊断决策数据特征选择用例
p2-2-1 (p268): 13.1 背景
p2-2-2 (p268): 13.2 医疗决策过程中的诊断数据获取
p2-2-2-1 (p268): 13.2.1 诊断过程数据采集
p2-2-2-2 (p273): 13.2.2 数据集和数据结构
p2-2-3 (p273): 13.3 数据空间特征选择用例
p2-2-3-1 (p273): 13.3.1 基于归一化二次Renyi互信息的特征选择
p2-2-3-2 (p274): 13.3.2 实验结果的鲁棒性分析
p2-2-4 (p277): 13.4 小结
p2-2-5 (p277): 参考文献
p2-3 (p278): 第14章 基于证据链推理模型用例
p2-3-1 (p278): 14.1 背景
p2-3-2 (p279): 14.2 基于证据链的电子健康档案构建
p2-3-2-1 (p279): 14.2.1 基于证据链的知识库
p2-3-2-2 (p281): 14.2.2 知识库数据结构
p2-3-2-3 (p283): 14.2.3 数据预处理
p2-3-2-4 (p284): 14.2.4 证据链的属性信息积累
p2-3-3 (p286): 14.3 基于证据链推理的决策可信度更新
p2-3-3-1 (p286): 14.3.1 基于经验知识的CHD风险评估
p2-3-3-2 (p286): 14.3.2 基于动态检查数据的可信度更新
p2-3-4 (p289): 14.4 类别误标下基于证据链推理模型的诊断决策
p2-3-4-1 (p289): 14.4.1 诊断实体相似度关联
p2-3-4-2 (p290): 14.4.2 类别误标的推理结果分析
p2-3-5 (p292): 14.5 小结
p2-3-6 (p292): 参考文献
p2-4 (p293): 第15章 CBR／RBR融合推理用例
p2-4-1 (p293): 15.1 背景
p2-4-2 (p294): 15.2 CBR／RBR融合实验
p2-4-2-1 (p294): 15.2.1 心脏病病例数据选取
p2-4-2-2 (p295): 15.2.2 心脏病病例特征选择
p2-4-2-3 (p296): 15.2.3 心脏病病案特征权重计算
p2-4-2-4 (p297): 15.2.4 基于K-D树的心脏病病案检索
p2-4-2-5 (p298): 15.2.5 基于Bagging-C4.5决策树的诊断推理
p2-4-2-6 (p299): 15.2.6 结果
p2-4-3 (p299): 15.3 CBR／RBR融合效率和准确性分析
p2-4-3-1 (p299): 15.3.1 K-D树检索效率分析
p2-4-3-2 (p301): 15.3.2 CBR／RBR融合模型推理性能分析
p2-4-3-3 (p301): 15.3.3 与其他模型对比分析
p2-4-4 (p303): 15.4 鲁棒阈值的CBR／RBR融合
p2-4-4-1 (p303): 15.4.1 融合推理过程
p2-4-4-2 (p305): 15.4.2 推理性能分析
p2-4-5 (p306): 15.5 小结
p2-4-6 (p306): 参考文献
p2-5 (p308): 第16章 不确定性数据融合用例
p2-5-1 (p308): 16.1 背景
p2-5-2 (p309): 16.2 病历数据的关联处理
p2-5-3 (p311): 16.3 BN-CBR诊断案例
p2-5-3-1 (p311): 16.3.1 基于BN的案例推理
p2-5-3-2 (p313): 16.3.2 贝叶斯网络学习
p2-5-3-3 (p314): 16.3.3 CBR检索
p2-5-3-4 (p316): 16.3.4 结果分析
p2-5-4 (p317): 16.4 鲁棒BN-CBR／RBR模型实验
p2-5-4-1 (p317): 16.4.1 实验数据说明
p2-5-4-2 (p320): 16.4.2 实验步骤
p2-5-4-3 (p321): 16.4.3 仿真效果对比
p2-5-5 (p321): 16.5 小结
p2-5-6 (p322): 参考文献
p2-6 (p323): 第17章 多机构数据融合用例
p2-6-1 (p323): 17.1 背景
p2-6-2 (p324): 17.2 三类临床决策诊断模式
p2-6-2-1 (p325): 17.2.1 模式Ⅰ：医生诊断决策的传统模式
p2-6-2-2 (p326): 17.2.2 模式Ⅱ：基于推理模型集的诊断决策系统
p2-6-2-3 (p326): 17.2.3 模式Ⅲ：辅助医疗决策支持系统融合决策
p2-6-2-4 (p328): 17.2.4 多模式诊断鲁棒性分析
p2-6-2-5 (p332): 17.2.5 证据链长度的结果比较分析
p2-6-3 (p333): 17.3 分块数据融合的决策支持
p2-6-3-1 (p333): 17.3.1 基于MapReduce的数据处理
p2-6-3-2 (p335): 17.3.2 实体异构性信息的决策支持
p2-6-3-3 (p337): 17.3.3 考虑代价敏感性推理结果
p2-6-4 (p338): 17.4 VBN-CBR／RBR
p2-6-4-1 (p338): 17.4.1 基于Vague集的BN-CBR／RBR优化机制实验
p2-6-4-2 (p341): 17.4.2 仿真效果对比
p2-6-4-3 (p341): 17.4.3 结果分析
p2-6-5 (p343): 17.5 小结
p2-6-6 (p343): 参考文献
p2-7 (p345): 第18章 心脏病急救流程优化用例
p2-7-1 (p345): 18.1 背景
p2-7-2 (p346): 18.2 心脏病急救流程
p2-7-2-1 (p346): 18.2.1 心脏病急救特点
p2-7-2-2 (p346): 18.2.2 心脏病急救模式
p2-7-2-3 (p348): 18.2.3 心脏病急救全过程
p2-7-2-4 (p351): 18.2.4 心脏病急救流程存在的问题
p2-7-3 (p354): 18.3 心脏病急救流程优化原则
p2-7-3-1 (p354): 18.3.1 核心原则
p2-7-3-2 (p354): 18.3.2 操作性原则
p2-7-3-3 (p355): 18.3.3 基本方法
p2-7-4 (p357): 18.4 基于Petri网的心脏病急救流程优化
p2-7-4-1 (p357): 18.4.1 Petri网
p2-7-4-2 (p359): 18.4.2 模型构建
p2-7-4-3 (p361): 18.4.3 模型验证
p2-7-5 (p363): 18.5 案例分析
p2-7-5-1 (p363): 18.5.1 流程优化实施方案
p2-7-5-2 (p367): 18.5.2 流程优化效果评价
p2-7-6 (p368): 18.6 小结
p2-7-7 (p368): 参考文献
p2-8 (p371): 第19章 心脏病急救风险管理用例
p2-8-1 (p371): 19.1 心脏病急救风险管理流程
p2-8-2 (p372): 19.2 心脏病急救风险的根源及特点
p2-8-3 (p373): 19.3 急救相关部门
p2-8-4 (p375): 19.4 心脏病急救中的人为失误
p2-8-4-1 (p377): 19.4.1 心脏病急救中的人为失误分类
p2-8-4-2 (p380): 19.4.2 心脏病急救中的人为失误原因层次分析
p2-8-5 (p382): 19.5 风险评价
p2-8-6 (p383): 19.6 应用案例
p2-8-6-1 (p383): 19.6.1 数据来源
p2-8-6-2 (p383): 19.6.2 研究方法
p2-8-6-3 (p383): 19.6.3 结果分析
p2-8-7 (p385): 19.7 小结
p2-8-8 (p385): 参考文献
p2-9 (p387): 第20章 Web3.0下的医疗与健康服务
p2-9-1 (p388): 20.1 医疗社区网络
p2-9-1-1 (p388): 20.1.1 医疗与健康网络社区服务
p2-9-1-2 (p389): 20.1.2 云医疗健康信息平台
p2-9-2 (p391): 20.2 个性化医疗与健康服务
p2-9-2-1 (p391): 20.2.1 数据驱动的个性化精准医疗
p2-9-2-2 (p393): 20.2.2 医疗推荐系统
p2-9-3 (p393): 20.3 远程医疗
p2-9-3-1 (p394): 20.3.1 远程医疗服务就诊平台
p2-9-3-2 (p395): 20.3.2 远程医疗O2O模式
p2-9-3-3 (p396): 20.3.3 APD远程监控系统
p2-9-3-4 (p396): 20.3.4 MyHealth远程监控系统
p2-9-4 (p397): 20.4 小结
p2-9-5 (p397): 参考文献
p2-10 (p399): 第21章 医疗APP应用
p2-10-1 (p399): 21.1 背景
p2-10-2 (p399): 21.2 基于推理模型的应用系统APP
p2-10-2-1 (p399): 21.2.1 基于证据链推理模型的应用系统
p2-10-2-2 (p400): 21.2.2 医疗与健康决策支持APP
p2-10-2-3 (p402): 21.2.3 决策支持系统APP反馈
p2-10-3 (p403): 21.3 相关产品生态链
p2-10-3-1 (p403): 21.3.1 移动医疗数据感知
p2-10-3-2 (p404): 21.3.2 智能医疗的诊断机器人
p2-10-3-3 (p405): 21.3.3 医患实体关联的社交网络
p2-10-3-4 (p406): 21.3.4 以患者需求为中心的利益相关者
p2-10-4 (p407): 21.4 相关产品应用前景及效益
p2-10-5 (p409): 21.5 小结
p2-10-6 (p409): 参考文献
p2-11 (p410): 第22章 数字医疗纵览
p2-11-1 (p410): 22.1 内容回顾
p2-11-2 (p412): 22.2 数字医疗的治理策略
p2-11-3 (p414): 22.3 可扩展的理论与应用

2021-11-01