略论医学知识服务系统的发展趋势

略论医学知识服务系统的发展趋势

本文分析了知识服务的内涵，论述了现阶段国内外各类医学知识服务系统的特点和发展趋势。包括循证医学数据库、基于补充计量学的知识服务系统，基于本体和语义网的知识服务系统、基于大数据分析的知识服务系统。

Abstract：This paper analyzes the characteristics of knowledge service，and discusses the characteristics and development trend of the domestic and foreign medical knowledge service system. Knowledge service system based on ontology and semantic web，which is based on ontology and semantic web

Key words：Knowledge service；Knowledge service system；Medical knowledge；Semantic web；Altmetrics

1 前言

在知识医学时代，知识成为疾病的主要敌人，医学知识正以惊人的速度增长[1]，全球每年有超过17000种生物医学图书面世，现有生物医学期刊超过30000种，且以每年7%的速度递增。临床医生要在本领域跟上发展，平均每天需要阅读19篇原始文献[2]。从工作环境方面看，医务人员不同于一般的科研人员，尤其是在三甲医院，医务人员除了承担繁重的临床工作外，大部分还进行医学教育及科研工作。材料显示，我国医生在科研中用于获取专业信息的时间比美国等国家少得多，美日等国为30%～50%，而我国仅为15%～30%[3]，知识无限膨胀和有限使用的矛盾，促使我们寻找更好的方法来缩短从研究到实践的距离。

2 知识服务

知识服务是以信息知识的搜寻、组织、分析、重组为基础，向用户提供知识信息、知识挖掘手段及问题解决方案的服务。它有下面几个特点。

2.1知识服务是用户目标驱动的。传统信息服务的基点、重点和终点是信息资源的获取和传递，而知识服务的评价是”是否能够解决问题”。

2.2知识服务面向特定用户，是定制式，必须重视用户问题和问题环境。在服务过程中，强调专业人员和用户的共同参与，关注的重点是服务的全过程。

2.3知识服务的核心是知识创新。知识服务是在显性知识的加工中融入了对隐形知识的挖掘和共享，将显、隐性知识集成，形成新的知识产品。

2.4知识服务必须依靠集成的现代化手段。知识服务技术分为三大类，即基础网络技术（Internet），知识挖掘技术（数据挖掘与人工智能）和知识存储与传播技术（数据库和搜索引擎）。近年来，KDD（Knowledge discovery database）的出现为人们提供了一种解决”数据丰富而知识贫乏”困境的有效途径。

就医学知识体而言，可划分为疾病信息，药品信息，辅助检查信息，手术信息，医学基础知识，与医学相关的静态和动态信息等；就医学知识需求而言，用户群体分为临床、教学、研究、药学和患者等类型。每个群体所需的相关知识有所不同，但这些知识相互关联，不可分割[4]。在传统的信息服务中，这些知识体分散在不同的文献载体，用户检索得到的只是孤立的知识点。在以数字化、网络化为特征的现代社会信息环境下，这些知识单元按照一定的结构被整合成有序的，相互关联的、完整的网络知识体，这种网络知识体就是医学知识服务系统的核心，进入21世纪以来得到了迅猛发展。

3 医学知识服务系统的发展趋势

3.1循证医学数据库循证医学（Evidence-based medicine，缩写为EBM），又称实证医学，其核心思想是医疗决策（即患者的处理，治疗指南和医疗政策的制定等）应在现有的最好的临床研究依据基础上作出，同时也重视结合个人的临床经验。作为代表当前医学实践的主流方法学，循证医学不仅对临床思维模式、临床实践产生了重要影响，而且对临床研究、预防医学、药学、护理学以及辅助临床科室的发展也产生了不容忽视的影响。现代社会计算机技术、信息通讯技术以及互联网技术的不断进步，为循证医学及其实践提供了强大的技术支撑，面向循证医学的知识服务系统也得到了迅速的发展Clinical Evidence、DynaMed、Essential Evidence Plus、MD Consult、UpToDate等已经成为欧美各大医疗机构必备的知识服务平台，向全球的广大医师提供实时、可靠的知识服务，为循证医学的实现奠定了信息和知识的基础[5]。这些平台一般具有以下4 个特点：权威性；最佳临床证据的精炼概况；定期更新；易于查询和阅读。它们能有效满足医学工作者对医学证据和知识的需求，协助他们迅速解决临床问题，做出准确的临床决策[6]。

3.2基于补充计量的知识服务系统自2010年Preim提出“Altmetrics”这个术语以后，有关补充计量的研究在全球方兴未艾。传统的以引文为评价工具的计量方法因其滞后严重而为人诟病。据统计，一篇物理学论文一般需要在发表5年以后才能获得一半的引文参考信息。伴随着社交网络的发展，当前学术交流环境正在发生巨大变化，越来越多的科研工作者通过Twitter和Facebook与同行探讨，利用Mendeley、CiteULike管理工作流程。补充计量学利用工具收割文献管理系统和社交网络中涉及某一成果的相关信息（下载量、引用次数、浏览次数、评论、转发等），对这些数据进行分类聚合计算，进而评价这些研究成果。常用的补充计量工具有、Impactstory、Plum Analytics、PlosALMs等。具有挑选新文章（Pick new article）的功能，用户可按照文章提到的时间、关键词、期刊、标签、出版商、处理前缀、MEDLINE 主题词、匹配PubMed 的提问、基金等条件快速地挑选所需的文章，并可按照 打分的高低排序。还可通过MEDLINE 主题词、匹配PubMed 提问等条件进行设置。生物医学文献数据库的文献可通过社交媒体快速传播到用户，医学研究人员可通过替代计量工具揭示生物医学领域的技术热点、发现新的研究内容，为用户提供个性化的信息推送服务[7]。3.3基于本体和语义网的知识服务系统