HIS中的决策支持系统卫生部教材.docx
- 文档编号:23843069
- 上传时间:2023-05-21
- 格式:DOCX
- 页数:21
- 大小:226KB
HIS中的决策支持系统卫生部教材.docx
《HIS中的决策支持系统卫生部教材.docx》由会员分享,可在线阅读,更多相关《HIS中的决策支持系统卫生部教材.docx(21页珍藏版)》请在冰豆网上搜索。
HIS中的决策支持系统卫生部教材
8.HIS中的决策支持系统
医院信息系统中的决策支持系统包括医学决策支持和管理决策支持。
医学决策支持主要讨论医疗工作中的计算机辅助决策支持问题,管理决策支持主要讨论计算机辅助管理决策问题。
两类决策支持的基本实现方法都是来自于同一类技术——统计学、数据仓库、人工智能等技术,只不过临床决策支持偏重于使用人工智能技术,管理决策支持偏重于使用统计学和数据仓库技术。
但是,数据仓库与人工智能中的知识发现(自学习)技术本来就是一个问题的两种名称。
为了方便,我们在医学决策支持中介绍人工智能技术,在管理决策支持中介绍数据仓库技术。
8.1.医学决策支持的基本概念
8.1.1.基本概念
决策是医生的主要工作。
理论上,决策包括列出可能的方法或策略、制定决策顺序、选择最合适的解决方案。
但是,医学决策通常不能够十分简单的按照以上流程完成,因为医学问题十分复杂,对于一个病人的临床表现,经常有太多可能的诊断假设;在众多的诊疗方法中,仅有几个方法可用。
而医学知识帮助医生在众多的选择中作出判断。
在计算机应用中,人们很自然地想到使用计算机帮助医生进行医学决策,这就是医学决策支持。
自从计算机刚刚诞生不长的时间,人们就开始了计算机用于医学决策的研究。
从最早的统计学方法,到后来的基于规则的医学专家系统、再后来的神经网技术,人们花费了大量的资金,尝试了各种技术和算法,试图解决人类的智能模拟问题,而医学又是最合适的研究领域。
8.1.2.医学决策基本过程
要研究医学决策支持,首先需要研究医学决策的基本过程。
决策是医生的主要工作。
理论上,决策包括列出可能的方法或策略、制定决策顺序、选择最合适的解决方案。
但是,医学决策通常不能够十分简单的按照以上流程完成,因为医学问题十分复杂,对于一个病人的临床表现,经常有太多可能的诊断假设;在众多的诊疗方法中,仅有几个方法可用。
而医学知识帮助医生在众多的选择中作出判断。
临床推理通常包括三种类型:
逻辑推理、归纳推理和启发式推理[图8-1]。
图8-1.不同推理类型示意图
逻辑推理的一般形式是,如果A能够推出B,B能够推出C,则A一定能够推出C。
如病人检查乙肝核心抗体阳性,规则显示抗体阳性说明感染了乙肝,则该病人有乙肝感染。
在医学实践中,能够使用这种严格的逻辑推理的情况极为罕见,因为医学没有十分严格的规律。
如病人转氨酶高于正常值,而转氨酶高大多见于甲肝或乙肝,因此病人很可能患甲肝或乙肝。
这类分析可以归入归纳推理。
而临床最多见的是启发式推理:
在完成一次推理过程以后,得出的初步结论作为第二次循环推理的前提,这样循环推理,逐步求精,最终得出比较准确得的结论。
启发式推理是一个动态过程,在临床诊断过程中可以用诊断反馈循环图表示[图8-2]。
图8-2.诊断反馈循环是诊断逐步求精的过程
图8-2描述了一个医学诊断的反馈式循环。
临床医生通过问诊、体格检查、进行各项检查、检验获取病人有关疾病的信息,不断优化自己的诊断结论。
这是一个逐步求精的过程,它也符合人类一般认识事务的过程。
医学决策中的非确定性一直备受关注,正像前面提到的转氨酶高与甲肝或乙肝关系的例子。
涉及转氨酶高的疾病很多,结合发生概率,可以列出顺序表。
8.2.医学决策支持的基本技术
8.2.1.概率方法与决策分析
概率方法可以部分解决非确定性问题,其中主要使用贝叶司(Bayes)理论。
贝叶司可以通过综合不同临床表现的概率得出不同疾病诊断的概率。
P(Di).P(S|Di)
P(Di|S)=n
P(Di).P(S|Dj)
j=1
P(Di).P(S|Dj)
j=1
公式中,Di为第i个疾病,P(Di)为疾病Di的先验概率(疾病发生概率),P(S|Di)为疾病Di的症状S发生的概率,P(Di|S)为症状S提示疾病Di发生得概率(后验概率)。
如果存在多个临床表现,可以计算出对不同诊断的提示强度。
下面给出一个具体的例子[表8-1]。
Di
先验概率P(Di)
P(PRLQ|Di)
P(PLLQ|Di)
阑尾炎
0.10
0.80
0.10
输卵管炎
0.05
0.50
0.50
其他
0.85
0.05
0.05
表8-1.疾病临床表现发生概率表
其中:
DI为第i个疾病,先验概率P(Di)为该疾病可能发生的概率,PRLQ为右下腹疼,P(PRLQ|Di)为右下腹疼在Di疾病的概率,PLLQ为左下腹疼,P(PLLQ|Di)为左下腹疼在Di疾病的概率,可以得到三种疾病(阑尾炎、输卵管炎、其他)的后验概率,既该症状对该疾病提示的概率[表8-2]。
Di
P(Di|PRLQ)
P(Di|PRLQ^PLLQ)
阑尾炎
0.54
0.35
输卵管炎
0.17
0.55
其他
0.29
0.09
表8-2.疾病发生概率表
其中,P(Di|PRLQ)为右下腹疼对Di诊断的提示强度(概率),P(Di|PRLQ^PLLQ)为右下腹疼和左下腹疼同时存在对Di疾病的提示强度(概率)。
贝叶司公式使用的难点在于估计先验概率和条件概率,同时要求所有条件之间必须线性无关,实际工作中很难满足这种条件,因此使用不多(早期医学决策支持研究较多)。
8.2.2.决策树(DecisionTree)与决策分析
医学启发式推理过程实际是作出一组决策的过程,例如:
应该进一步获得病人的哪些信息?
应该做什么检查?
哪些治疗措施比较合适,应该给病人哪些建议等。
在形成这些判断的过程中,每一步都需要在众多的选择中作出决策。
这个过程构成了一个树形结构的决策树[图8-3]。
图8-3.阑尾炎诊断和处理的决策过程(决策树)
这种树形结构可以分成三个层次:
临床表现层、诊断层和治疗层[图8-4]。
其中临床表现层的内部节点表示临床可以获得的主诉、症状、体征以及各种检查方法获得的信息。
多个临床表现节点对应一个诊断层中的诊断节点。
而一个诊断节点又会对应多个治疗方案[图8-4a]。
由于人类认识疾病的知识有限,因此临床表现是可以穷举的。
多个临床表现对应一个诊断,正向是充分条件,逆向是必要条件。
图8-4b表示在诊断层,将一般诊断进一步细化为一组子诊断,以便更有针对性地治疗。
从理论上讲,一个充分细化的子诊断只对应一组治疗方案是最理想的,因为诊断的目的就是为了指导治疗。
图8-4a图8-4b
图8-4临床表现-诊断-治疗集合的映射关系
医学中的鉴别诊断实际是判断概念外延的工作。
不同疾病可以看成为不同的概念集合,而不同疾病之间有很多交集(重合部分)。
医学鉴别诊断的目的就是在交集部分将不同集合区分开的工作。
好大夫与没有经验的大夫的区别在图8-5可以表示出来。
实际上,医学的诊断和鉴别诊断应该在N维坐标系中表示[图8-6]。
这样可以清楚的看到诊断和鉴别诊断的两个因素:
一个是坐标系的维度、一个是每一维的刻度,这两个因素决定了诊断和鉴别诊断的精度。
如果两个相交的疾病,从第三维来看,就可能完全不相交。
这就是为什么临床要尽量多地获取病人信息。
同时,尽量准确的临床信息表现在图8-6中是每一维的刻度,这也是疾病诊断和鉴别诊断的重要因素之一。
图8-5.疾病鉴别诊断的集合模型
图8-6.多维空间中疾病诊断和鉴别诊断模型
由于医学知识的非确定性,决策过程的不同选择的权重系数是不同的。
从概率方法可以得知每一种选择的概率,这样的决策树将更容易引导用户得出正确的结论。
下面是一个带概率系数的决策树例子[图8-7],这是一个68岁患有糖尿病左脚受伤继发感染可能引起坏疽的病例,两种治疗方案可供选择:
截肢或者保守治疗,保守治疗如果无效,可能需要切除更大范围的患肢或者引起死亡,立即截肢也有可能引起死亡。
根据概率可以选择最佳治疗方案:
立即截肢(实用方案(utility))的概率为0.970。
图8-7.带概率系数的决策树
8.2.3.符号推理和专家系统
自从70年代后期,符号推理的专家系统得到了很大的发展,重点突破在医学应用,其代表系统是美国斯坦福大学的Mycin系统。
Mycin使用产生式规则构建推理系统,其一般形式为:
if条件then结论。
在Mycin中的一条规则如下:
if:
细菌培养为格兰氏阴性
组织形态学观察为杆状
患者病情危重
then:
建议(可信度=0.6)感染源为假单胞菌属
Mycin使用了可信度(CredibilityFactor,CF)作为每一条规则的提示强度。
这十分类似前面提到的概率参数。
但是,在Mycin中,CF值是由专家制定的。
其理由是,在现有资料的条件下,几乎无法给出或计算出发生概率。
基于一组规则建立的系统可以构成一颗知识树,得到医学结论,实际是搜索这棵树。
为了高效搜索,可以使用宽度优先、深度优先或混合搜索的策略。
8.2.4.神经网(NeuralNetworks)和连接系统(ConnectionistSystems)
虽然最早的连接系统产生于1940年到1950年,但真正得到迅速发展还是在上个世纪80年代。
由于计算机性能的快速发展,大量复杂的计算可以实现。
神经网的基本思想是用数学的方法模拟人类神经系统,构建一个网络模型,通过大量样本训练该网络,使网络能够根据不同的输入产生相应的输出。
该方法自90年代后期趋于冷淡,因为本质上还是一种基于概率的统计方法,对于医学复杂情况、低劣的数据质量、大量不能量化的数据,神经网方法仍然显得无力。
8.3.几个典型的医学决策支持系统
8.3.1.Mycin系统
M自从70年代后期,符号推理的专家系统得到了很大的发展,重点突破在医学应用,其代表系统是美国斯坦福大学的Mycin系统。
Mycin使用产生式规则构建推理系统,其一般形式为:
if条件then结论。
在Mycin中的一条规则如下:
if:
细菌培养为格兰氏阴性
组织形态学观察为杆状
患者病情危重
then:
建议(可信度=0.6)感染源为假单胞菌属
Mycin使用了可信度(CredibilityFactor,CF)作为每一条规则的提示强度。
这十分类似前面提到的概率参数。
但是,在Mycin中,CF值是由专家制定的。
其理由是,在现有资料的条件下,几乎无法给出或计算出发生概率。
基于一组规则建立的系统可以构成一颗知识树,得到医学结论,实际是搜索这棵树。
为了高效搜索,可以使用宽度优先、深度优先或混合搜索的策略。
Mycin对于产生式规则方法具有很大贡献,以至整整影响了一代研究人工智能的学者。
该系统开发的目的是用于中枢神经系统感染诊断和治疗的咨询。
该系统并没有真正在临床广泛应用,作者之一的Shortliffe总结了Mycin死亡的三条原因:
(1)微型计算机的广泛使用,使在大型计算机上开发的Mycin使用困难;
(2)医生工作压力太大,没有时间使用;(3)医疗经费紧张,没有经费租用大型机上的Mycin。
实际上,一个系统是否实用,用户最有体会。
人类医学科学已经具有几千年的历史,积累了大量的知识,出版了浩如烟海的医学书籍,这里面包含大量的隐性知识,目前人类还无法将其形式化并“告诉”计算机,因而,计算机还很难与人类专家正面竞争。
面队一个“智商”低于自己的机器,怎么指望医生花费时间和费用使用,这才是事情真正的本质。
8.3.2.Internist-1和QMR系统
与Mycin同时代开始,美国匹兹堡大学医学院开发了Internist-1系统。
该系统包括了内科600多种疾病的诊断知识,包括了4500多种临床表现。
Internist-1使用了一组参数表示临床表现与疾病的关系,由临床专家总结医学文献得到,其中主要参数包括:
●相关频率(FrequencyofAssociation):
在某疾病中某临床表现发生的频率,用1-5表示。
●提示力度(EvocativePower):
某临床表现对某疾病存在的提示强度,用0-5表示。
这两个参数十分类似于贝叶司公式的条件概率和后验概率,只是这些参数不是统计,而是由专家分析得出的。
Internist-1还有另外两个参数,协助系统诊断工作。
Internist-1通过处理用户输入的临床表现,得出一组诊断建议,按照得分多少排列,供临床医生参考。
为了更便于使用,Internist-1被移植到微型计算机上,有了更为友善的人机界面,称为QMR(QuickMedicalReference)。
该系统的可贵之处在于总结了大量的医学文献来确定参数系,而目前的循证医学研究正式沿着这个思路发展而来。
Internist-1/QMR已经死亡,而询证医学能够蓬勃发展,其根本的问题在于目标定位。
以前的医学专家系统都将自己定位在挑战医学专家的知识上线,而询证医学的定位不是上线,而是底线。
70年代开始,国际上人工智能技术飞速发展。
人工智能尤其重视在医学诊断中的应用,一大批像MYCIN、INTERNEST-I/QMR等著名的系统应运而生。
但在几十年的实践中,人们发现医学知识的复杂性还远未被认识,人类现有的技术还根本无法与人类自身的智能竞争。
因此,研究者转向更为基础的研究,如脑科学研究、神经生理学研究、神经网络结构和模拟方法研究等。
从人类处理信息的抽象程序看,信息加工从数据到信息,一直到知识的过程是一个不断抽象整理的过程,人类可以在这个过程的不同层次从事工作[图7]。
在知识层的顶端,就是人类追求的智能诊疗专家系统,这是要与人类专家正面竞争的工作,目前看还有很长的路要走。
在知识层的低端,人们正在开展大量卓有成效的工作,如用药咨询系统、临床预警系统、计算机化的临床诊断指导和临床路径等等。
这些系统未必使用很多艰深的计算机技术,但在实际应用中能够取得很好的效果。
根据美国Gartner调研公司的统计,在美国全部死亡人员的死因分析中,由于可以避免的医疗错误导致病人死亡的因素在各种死因中占第五位,2002年达到9.8万人,相当于每天有一架波音747-400大型客机坠毁。
因而,如何避免医疗错误成为受到高度重视的问题。
图7.数据抽象层次示意图
8.3.3.HELP(HealthEvaluationthroughLogicalProcessing)系统
HELP系统是美国Utah大学LatterDaySaints(LDS)医院开发的智能化医院信息系统。
HELP不仅用于临床,也支持医院的教学和研究工作。
HELP在决策技术中使用了人工智能的知识框架技术,框架结构很适合于描述医学诊断这类具有决策树结构的知识。
为了更方便地使用框架结构,他们开发了一种专用计算机语言-HELPFrameLanguage,专门用于智能化系统开发使用。
HELP的主要设计宗旨之一就是帮助医护人员分析、解释、进一步处理临床数据,以提高医护质量。
HELP中决策支持程序包括:
(1)呼吸系统疾病治疗措施合理性检查报警系统;
(2)临床实验室异常检查结果判断处理系统;(3)传染病监控系统;(4)用药合理性检查报警系统等。
HELP的知识来自于几个途径:
(1)专家组整理知识;
(2)使用公开出版的指导手册;(3)数据库分析;(4)自动知识获取。
由于HELP系统于HIS集成在一起,应用中大量使用HIS数据,减轻了用户输入量,方便了用户使用,这类技术目前已经广泛使用。
该产品被美国3M公司收购并商品化。
8.3.4.用药决策咨询系统
广义的说,医学决策支持应该包括各种能够提高医学决策能力的技术和方法。
其实在临床工作中,很多简单技术也能起到很好的效果。
例如人们目前广泛讨论的电子病历,其中一个很重要的目的就是及时提供临床决策所需的资料,虽然电子病历自己不能辅助决策,但方便了临床医生及时做出正确决策。
结合电子病历的报警系统,如药物过敏史报警提示、医保报销政策提示、医嘱错误提示等,虽然使用技术可能比较简单,但同样能够发挥重要的辅助决策支持的功能,我们更应该将更多的经历首先放在解决这类问题的工作中,其中用药咨询系统就是一个比较典型的例子。
向比较前面我们讨论的各种临床诊断咨询系统来说,用药咨询系统一般使用比较传统的计算机技术实现,更多的是一些用药信息的查询功能,例如药品使用手册,药品交互作用虽然复杂一些,但很难算得上智能系统。
但是,这些系统在临床使用中得到很好的反应,一直卫生部医院信息系统基本功能规范将其列入其中。
使用用药咨询系统提高临床医嘱和处方质量也具有重要的作用。
国外的用药咨询系统已经非常成熟,有很多商品化的软件出售,国内也有一些公司开发该类系统,功能主要包括合理用药检测、药物相互作用审查、药物过敏史审查、临床用药指南、药典等功能,可以将其嵌入门诊或住院医生工作站中使用,实施监控临床用药情况。
国内系统的缺点是还没有做到根据临床疾病和临床表现提示临床用药的有关信息,这也是天文数字的工作,需要大量临床人员参与。
8.4.管理决策支持与数据仓库技术
8.4.1.管理决策简介
管理的任务是设计和维持一种体系,使在这一体系中共同工作的人们能够尽可能少的支出(人力、物力、财力),去实现他们的既定目标。
管理的职能可以划分成计划、组织、指挥、沟通、控制、激励、创新七种职能。
根据管理学原理,管理组织需要分层,可以分成上层、中层和基层主管[图8-5],形成一个管理的金字塔结构。
不同层次的管理者各有侧重地执行其职能。
从信息化的角度看,基层管理处理的流程性工作较多;中层管理担负大量的基层数据汇总工作,并负责落实高层管理者的意见;高层管理的主要任务是决策,而决策的基础来源于基层和中层的汇总和反馈信息。
图8-5.管理分层结构图
高层管理的主要任务是决策。
传统的决策方法主要是依靠管理人员的经验和一些简单的统计方法。
当然,传统的统计方法目前仍然是最普遍应用并非常有效的。
例如临床医务工作管理的一些重要指标性统计数字,如床位使用率、床位周转率、单病种平均住院费用等,都是评价临床效率的重要指标。
近年来临床质量管理发展了一些定量和定性相结合的方法,并建立了一些管理模型,使用计算机协助管理,取得了很好的效果。
在医院的财务管理方面,全成本核算引起了众多医院领导者的重视,这是医院从计划经济向市场经济过渡的必经之路。
成本核算的计算并不复杂,关键难点在于对医院财务管理的理解和原始数据的整理。
医院管理中,各个部门都有很多报表,这些都是管理部门用于决策的重要数据。
很多医院开展病人满意度调查,经过简单的统计学处理,可以得出十分有用的结果,指导医院改善服务质量。
我们在此列举了一些实例,就是为了说明这些传统管理方法的重要性,以避免用技术取代管理、以方法取代目标的错误。
8.4.2.决策支持系统与数据仓库技术
管理信息系统积累了大量宝贵的数据,利用好这些数据,可以帮助管理者更好地作出决策。
一个十分经典的例子是关于“啤酒和尿布关系”的故事。
美国一个大型连锁超市通过销售记录分析发现,购买尿布的客户经常同时购买啤酒,原因是太太在家坐月子,先生去超市购买尿布的同时,通常给自己买几瓶啤酒。
于是,超市调整了货柜位置,将啤酒与尿布摆放在一起,提高了销量。
这是一个典型的通过数据分析发现新规律的例子,这也是决策支持系统应用的实例。
决策支持系统(DecisionSupportSystem,DSS)是在管理信息系统和运筹学的基础上发展起来的。
从辅助决策的角度看,决策支持系统的辅助决策能力是管理信息系统辅助决策能力和运筹学辅助决策能力的综合和提高。
Mittra将DSS定义为:
决策支持系统是从数据库中找出必要的数据,并利用数学模型的功能,为用户产生所需要的信息。
DSS中强调了两点:
数据库和数学模型。
DSS正是沿着这两个重点发展,形成了数据仓库(DataWarehouse,DW)和数据挖掘(DataMining)技术。
数据仓库的概念由美国著名工程学家W·H·lnmon博士于90年代在《建立数据仓库》一书中提出:
“数据仓库是一个面向主题的、集成的、稳定的、包含历史数据的数据集合,它用于支持经营管理中的决策制定过程。
”
主题是指用户使用数据仓库进行决策时所关心的重点方面;面向主题是指数据仓库内的信息是按主题进行组织的,为按主题进行决策的过程提供信息;集成是指数据仓库中的信息不是从各个业务处理系统中简单抽取出来的,是经过系统加工、汇总和整理,保证数据仓库内的信息是关于整个企业的一致的全局信息;稳定是指一旦某个数据进入数据仓库以后,一般情况下将被长期保留,也就是数据仓库中一般有大量的插入和查询操作,但修改和删除操作很少;包含历史数据是指数据仓库内的信息并不只是关于企业当时或某一时点的信息,而是系统记录了企业从过去某一时点到目前的各个阶段的信息,通过这些信息可以对企业的发展历程和未来趋势作出定量分析和预测。
把信息加以整理归纳,并及时提供给相应的管理决策人员,是数据仓库的根本任务。
数据仓库主要有三方面的作用:
首先,数据仓库提供了标准的报表和图表功能,其中的数据来源于不同的多个事务处理系统,因此,数据仓库的报表和图表是关于整个企业集成信息的报表和图表;其次,数据仓库支持多维分析,多维分析是通过把一个实体的多项重要的属性定义为多个维度,使得用户能方便地汇总数据集,简化了数据的分析处理逻辑,并能对不同维度值的数据进行比较,而维度则表示了对信息的不同理解角度。
应用多维分析可以在一个查询中对不同阶段的数据进行纵向或横向比较,这在决策过程中非常有用;第三,数据仓库是数据挖掘技术的关键基础,数据挖掘技术要在已有数据中识别数据的模式,以帮助用户理解现有的信息,并在已有信息的基础上,对未来的状况作出预测。
在数据仓库的基础上进行数据挖掘,就可以针对整个企业的状况和未来发展作出较完整、合理、准确的分析和预测。
数据挖掘是从数据中发现有用知识的过程,实际是多种算法的统称。
它的算法来自于传统的数学方法和人工智能的知识发现技术。
目前厂家提供的数据仓库产品一般都包含四部分内容,因而将数据挖掘包括在里面。
整个数据仓库系统包含四个层次的体系结构[图8-6]:
(1)数据源:
是数据仓库系统的基础,是整个系统的数据源泉。
通常包括企业内部信息和外部信息。
内部信息包括存放于RDBMS中的各种业务处理数据和各类文档数据。
外部信息包括各类法律法规、市场信息和竞争对手的信息等等;
(2)数据的存储与管理:
是整个数据仓库系统的核心。
数据仓库的真正关键是数据的存储和管理。
数据仓库的组织管理方式决定了它有别于传统数据库,同时也决定了其对外部数据的表现形式。
要决定采用什么产品和技术来建立数据仓库的核心,则需要从数据仓库的技术特点着手分析。
针对现有各业务系统的数据,进行抽取、清理,并有效集成,按照主题进行组织。
数据仓库按照数据的覆盖范围可以分为企业级数据仓库和部门级数据仓库(通常称为数据集市)。
(3)联机分析处理(On-lineAnalyticalProcessing,OLAP)服务器:
对分析需要的数据进行有效集成,按多维模型予以组织,以便进行多角度、多层次的分析,并发现趋势。
其具体实现可以分为:
ROLAP、MOLAP和HOLAP。
ROLAP基本数据和聚合数据均存放在RDBMS之中;MOLAP基本数据和聚合数据均存放于多维数据库中;HOLAP基本数据存放于RDBMS之中,聚合数据存放于多维数据库中。
(4)前端工具:
主要包括各种报表工具、查询工具、数据分析工具、数据挖掘工具以及各种基于数据仓库或数据集市的应用开发工具。
其中数据分析工具主要针对OLAP服务器,报表工具、数据挖掘工具主要针对数据仓库。
图8-6.数据仓库系统体系结构
8.4.3.智能决策支持系统
上世纪60年代,专家系统发展很快。
1968年,E.A.Feigenbanm等人研制了DENDRAL专家系统,可用来帮助化学家推断分子结构。
1974年,E.H.Shortliffe等人研制了MYCIN专
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- HIS 中的 决策 支持系统 卫生部 教材