《医学临床研究》第20卷主题词索引

一、《医学临床研究》第20卷主题词索引（论文文献综述）

陈欣然,吴均,张晓琴,张克钰^[1]（2013）在《基于SCI论文的中国水产科研态势分析》文中提出采用文献计量学、分类统计以及社会网络分析的方法,以2002—2011年Web of Science发布的SCI论文原始数据作为统计源,对中国作者（不含台湾地区,下同）发表的SCI论文从核心作者及机构、期刊及学科分布、国际合作、作者机构合作网络以及热点研究领域5个方面进行计量分析。结果表明,2002—2011年中国水产学科国际发文量及总被引次数呈快速增长态势。应用综合指数法进行核心指标排序,筛选出排名前70位的作者作为核心作者,对其发文和被引特征进行分析发现,他们的学科领域以海淡水生物学和水产学为主,与环境科学和生态学、海洋学和生物技术有较多的交叉;研究热点分布在生态环境、养殖与饵料、种群遗传多样性、分子免疫机制、污水处理等方面;核心作者的研究主题与当前的热门主题词切合度较高。国内学者间的合作网络规模较大的是以麦康森等为主导的学术合作网络,其研究方向为水产养殖和营养生理;另一个是以宋林生等为主导的学术合作网络,其研究方向为海洋生物分子遗传学、分子免疫学、海洋微生物及病害防治。国内机构合作方面,以中国科学院为主导合作机构,其主要合作机构为中国水产科学研究院、中国海洋大学、厦门大学和南京师范大学等。国际合作方面,中国与美国之间的水产科技合作次数最多,其次是与日本和澳大利亚。刊载中国水产学科论文最多的期刊是《AQUACULTURE》,发表于影响因子23区间的文章数量最多（1 761篇）,发表文章的总平均影响因子高于该学科世界平均水平。本研究旨在为水产科研人员进行课题申报以及学术媒体进行专题策划与信息储备等工作提供科学参考。

Philip B.Gorelick,Angelo Scuteri,Sandra E.Black,Charles DeCarli,Steven M.Greenberg,Costantino Iadecota,Lenore J.Launer,Stephane Laurent,Oscar L.Lopez,David Nyenhuis,Ronald C.Petersen,Julie A.Schneider,Christophe Tzourio,Donna K.Arnett,David A.Bennett,Helena C.Chui,Randall T.Higashida,Ruth Lindquist,Peter M.Nilsson,Gustavo C.Roman,Frank W.Sellke,Sudha Seshadri,曹雯炜,糜建华,宋叶平,余寿芬,王飞,李焰生^[2]（2012）在《血管性因素对认知损害和痴呆的促成作用美国心脏协会/美国卒中协会对医疗卫生专业人员的声明》文中研究表明背景与目的本科学声明提供了血管性因素对认知损害（cognitive impairment）和痴呆促成作用证据的纵览。血管性因素在老年认知损害和痴呆中的作用十分普遍。本文对血管性认知损害（vascular cognitive impaint,VCI）的定义、神经病理学、基础科学和病理生理学研究、神经影像学的作用、血管性和其他相关危险因素的作用以及潜在的防治方法进行了回顾,旨在为临床医生提供一份总体指导,以进一步加深对VCI和痴呆及其防治的理解。方法写作组成员由写作组联合主席基于先前在相关领域的研究成果提名,并经美国心脏协会（American Heart Association,AHA）卒中委员会科学声明监督委员会、流行病学和预防委员会以及文稿监督委员会批准。写作组采用系统文献回顾（主要涵盖1990年至2010年5月期间的文献）、以往公布的指南、个人资料以及专家观点总结现有证据,提出当前知识的不足,并对适当的问题根据AHA标准制定推荐意见。所有写作组成员均有机会对推荐意见进行评论并认可了最终版本。经AHA的同行评议以及卒中委员会领导阶层、流行病学和预防委员会以及科学声明监督委员会审阅后,最终获得AHA科学咨询和协调委员会批准。结果 VCI概念的提出涵盖了与所有类型脑血管性脑损害（而不仅仅是卒中）相关的整个认知障碍（cognitive disorder）谱,其范围从轻度认知损害到完全痴呆。神经血管单元和脑血流调节机制障碍可能是VCI的潜在病理生理学过程的重要组成部分。脑淀粉样血管病已成为阿尔茨海默病（Alzheimerdisease,AD）、微梗死、微出血、脑出血以及VCI风险的一个重要标志。老年认知损害的神经病理学改变常常是AD与微血管性脑损害的混合状态,二者可叠加和协同增高认知损害风险。就此而言,MRI和其他神经影像学技术在VCI的确定和识别中起着重要作用,并提供证据说明以白质高信号和小的深部梗死为特征的皮质下型VCI很常见。在许多情况下,VCI的风险标志同样也是卒中的传统危险因素。这些危险因素包括但不仅限于心房颤动、高血压、糖尿病和高胆固醇血症。而且,这些血管危险因素也可能是AD的风险标志。颈动脉内膜-中膜厚度和动脉僵硬度是动脉老化的标记物,也可能成为VCI的风险标志。目前,美国食品药物管理局尚未批准任何VCI的特异性治疗方法。不过,对卒中和心血管病传统危险因素的评价和控制,可能对包括老年人群在内的VCI的预防具有作用。结论血管性因素在认知损害和痴呆中的促成作用很重要。近年来,在临床前、神经病理学、神经影像学、生理学和流行病学研究基础上,对VCI的认识得到了不断提高。推荐使用跨学科的、转化的以及交互的方法进一步加深对此领域的了解,并更好地掌握其神经心理学特征。需要开展前瞻性定量临床-病理学-神经影像学研究,以提高对神经影像学改变的病理学基础,以及血管病变和AD病变在VCI和AD临床演变中的复杂的相互作用的认识。可能需要在中年期尽早开始对血管危险标志进行长期干预,以预防或延迟VCI或AD发病的研究。在高危人群中强化控制血管危险因素则是另一个重要的研究方向。

喻莉萍,张辉^[3]（2007）在《网络医学信息资源的利用及实用体会》文中进行了进一步梳理因特网的充分发展,在带给人们利用信息的便利的同时,也因为因特网上包含有大量的信息资源,但混滥无序,由此给人们利用网上信息带来不便。怎样使用户能够快速、高效地在因特网上找到所需的信息资源,已成为广大图书情报工作者一个重要的研究课题,急需深入的研究。

陈卫红,朱佳鸣^[4]（2007）在《语义网的研究及其在生物医学中的应用》文中研究指明随着互联网和数字图书馆的进一步发展,对网络信息资源的描述与组织变得越来越重要。本文针对目前对网络信息资源组织的语义网研究,在确认其与医学信息学连接的过程中,介绍易于理解的语义技术概念,并探讨图书馆员如果利用语义技术进行医学信息管理。

周雪忠^[5]（2004）在《文本挖掘在中医药中的若干应用研究》文中研究指明文本挖掘是人工智能、机器学习、自然语言处理、数据挖掘及相关自动文本处理如信息抽取、信息检索、文本分类等理论和技术相结合的产物，它得到了越来越多研究人员的关注。文本挖掘是数据挖掘研究面向文本数据的自然延伸，其研究仍处于婴儿期，在方法和应用方面均未成熟。中医药学作为生命科学具备中国特色的传统医学组成部分，在疾病诊治和方药使用等方面具有特色和显着的临床疗效，并包含着丰富的知识，几千年的医学实践积累获得了大量的数据。在中医药学信息化建设的基础上进行KDD研究具有重要意义。中医药领域未存在文本挖掘的相关研究，本文在多个方面如文献临床复方药物组成和科属配伍知识发现、中医术语及关系抽取和中医证候基因关系知识发现等进行了研究。本文研究内容包括如下四个方面： ● 进行基于字特征的中文文本分类研究，实验表明字特征是中文文本分类的高效特征表示方法。提出了分布字聚类方法，该方法无需分词、具有低达102数量级的特征维数和高性能的特点，其与NB结合的性能接近基于词特征的SVM分类器，微平均准确率达到86％。 ● 进行中医药文献信息抽取研究，提出了Bubble-bootstrapping和ATP方法，该方法无需任何浅层中文自然语言处理、专业词库和已标注的训练语料，是一种接近无导师的可缩放性、可移植性信息抽取方法。在近40万文献题录的复方名称和疾病名称抽取实验中，取得了平均准确率达99％，F1值65％左右的结果。应用于中医药文献自动标引的副主题词抽取，达到80％的F1值。ATP是一种semi-hard的模式方法，是未来信息抽取研究的技术方向之一。 ● 进行文献临床复方药物组成文本挖掘研究，提出了复方科属配伍的概念，并进行了临床复方科属配伍知识发现研究，实现了MeDisco／3T文本挖掘系统。MeDisco／3T实验表明，复方文本挖掘研究具有较高的质量和实际应用价值，复方用药中存在科属配伍的规律，并能进行挖掘发现。 ● 整合利用中医药文献库和生物医学文献库（Medline）进行中医证候和基因相关关系知识发现研究，实现了原型系统MeDisco／3S，并进行了初步实验和分析，表明MeDisco／3S能为辅助中西医结合研究和生命科学交叉研究提供智能化的知识发现平台，是进行生物医学文本挖掘和多学科信息整合研究的典型范例。

邹玲莹,汤亚玲^[6]（2002）在《《华西口腔医学杂志》2002年（第20卷）主题索引》文中提出

陈平,陈善智^[7]（1999）在《网上医学文献免费检索软件的使用》文中研究指明本文主要介绍在Internet网络上的免费医学文献检索软件（InternetGrateful Med）的使用。内容包括检索、多元主题词表的使用、副主题词及相关概念词的使用、打印、套录以及如何用电子邮件的形式发送检索结果。

郭继军^[8]（1999）在《Free MEDLINE数据库检索》文中研究说明（一）Free MEDLINE数据库资源（MED-LINE PREMEDLINE Publisher supplied ci-tation） MEDLINE数据库由美国国立医学图书馆（National Library of Medicine）建立,是目前世界上最大的、公认的医学权威数据库。收录了1966年以来70多个国家40多个语种约3900多种生物医学期刊,现有文献记录约900万条,每年报道文献量约30万～40万条,其中75％以上为英文文献,约60％以

毛星亮^[9]（2019）在《医学文本挖掘关键技术研究》文中研究说明目前,医学数据正在急剧增长,来自区域医疗诸多医院的病历文本数据、医学检验数据和影像数据迅速汇聚,为疾病的筛查、诊断和治疗带来曙光。医学文本数据尤其是电子病历数据,记录了患者详细的病情和治疗过程,所含信息丰富,因此,开展医学文本挖掘中关键技术的研究,提取与某疾病相关的特征并构建相应的知识图谱,可更加科学、客观地预防、筛查疾病并给出合理的治疗方案,最终为广大患者提供更好的医疗服务,具有很好的理论和实际意义。为此,本论文基于电子病历文本数据,应用自然语言处理、机器学习、数据挖掘等技术,开展医学文本预处理、知识挖掘与知识图谱构建等工作。本文的主要工作和创新性可以归纳为以下几个方面:（1）针对医学临床术语的识别,本文提出了一种基于自定义词典及随机结合方法的临床术语抽取算法,以提高临床术语识别的精度。医学临床术语的识别同新闻领域的实体分词相比,具有两个特点,一是新闻领域的实体一般是专有名词,其前面很少有限定词,基于一般的分词工具可以较好的将其识别出来;二是医学实体经常是普通名词,其前面可以出现很多限定词。即使是相同的某个词,或者是相同的某个短语,在表示医学实体时都可能表达不同的含义,甚至还需要根据该词或者短语的上下文语境来理解其具体的意思。因此,医学领域的临床术语识别更具挑战性。针对此难题,本文首先利用中国生物医学文献数据库（Sino Med）中相关的文献获取自定义词典;然后结合Jieba分词工具进行分词;最后将分词完成后的词语分别与相邻词的左右结合进一步判断新的术语。该方法通过关联临近词语的上下文信息,丰富了对临床术语的描述,在临床术语抽取方面表现出了较好的效果。（2）针对医学文本的预处理,本文研究了三种预处理方法分别对应三种常见的预处理应用场景,以提高文本数据集的质量。针对样本非均衡的情形,本文提出了一种基于改进Smote算法的不平衡数据集处理方法,对产生新样本的过程及样本距离度量方式加以了改进,并基于两种不同的实验数据集,验证了本文改进方法的有效性。针对样本的结构化处理,基于某着名三甲医院数据集进行实验,研究了样本结构化的主要步骤。针对样本的缺失值处理,主要研究了多重差补方法及其实际效果。虽然插补后的“完整”数据集与真实值之间会有一定的误差,但是相比于原始缺失数据,其误差已有了较大提高。（3）针对电子病历的关联规则挖掘和治疗方案挖掘,本文分别提出了一种改进的CPAR算法,以及一种基于潜在语义分析的挖掘算法。关联规则挖掘方面,改进的CPAR算法在产生关联规则时引入增比率（Enhancement Ratio）,使得规则的获取不仅仅只考虑本类的支持度,还会考虑到其补类的支持度。若出现正元组的比例较大时,有利于得到有关负元组的分类关联规则。治疗方案挖掘方面,本文提出了一种基于潜在语义分析技术挖掘胃病临床术语和治疗方案的语义关系。首先构建临床术语-治疗方案的共现矩阵,然后构造潜在语义空间,最后得到临床特征组合与各治疗方案的相关度,如胃病临床特征与手术治疗相关度、手术化疗相关度、对症治疗相关度等。除此之外,对挖掘的关联规则、临床特征等,分别针对不同的治疗方案进行了可视化展现,便于医学工作者查找和快速了解相关病症。（4）针对医学知识图谱的构建和智能问答,本文提出了一种基于多元实体关系的疾病知识图谱构建方法,并基于该图谱实现疾病的简易智能问答。以胃病这一疾病为例,首先基于多元实体关系构建胃病实体与对症治疗、化疗治疗、手术治疗之间的相关性,并基于不同治疗方法的特征来描述实体和治疗方案之间的关系,并形成胃病知识图谱。然后,基于该图谱实现智能问答。智能问答采用好大夫网站的胃病提问数据来模拟患者的提问数据。首先,对患者的提问数据经过一系列处理找出其中的病症信息;然后,计算该病症信息与胃病知识图谱中的病症信息的相似度;接下来,根据胃病知识图谱得出可能的疾病类型,并最终给出治疗建议。为了验证上述算法的有效性,本文分别以乳腺癌、胃病、青光眼三种疾病为研究对象,将上述算法分别应用到SEER数据集、青光眼数据集、胃病数据集以及好大夫网站医疗服务数据和医疗专科知识的深度挖掘。大量实践结果表明,以上算法具有较强的可操作性,对医疗知识的特征挖掘具有良好的效果。同时,项目研究的理论和方法也可扩展到其它疾病,具有一定的可扩展性,并期望进一步应用于临床辅助决策。

刘玉洁^[10]（2019）在《军事训练心理研究的科学知识图谱分析》文中研究表明

二、《医学临床研究》第20卷主题词索引（论文开题报告）

（1）论文研究背景及目的

此处内容要求：

首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。

写法范例：

本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。

（2）本文研究方法

调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。

实证研究法：依据现有的科学理论和实践的需要提出设计。

定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。

定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。

跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。

模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

三、《医学临床研究》第20卷主题词索引（论文提纲范文）

（1）基于SCI论文的中国水产科研态势分析（论文提纲范文）

1 方法

1.1 数据检索

1.2 文献分布统计

1.3 核心作者筛选

1.4 社会网络分析

2 结果与分析

2.1 中国作者的水产学科SCI论文概况

2.2 核心作者及核心机构

2.2.1 核心作者发文特征

2.2.2 核心机构的分布特征

2.3 中国作者的国际合作情况分析

2.4 中国作者所着国际论文的学科分析

2.5 发表SCI中国水产科技论文的期刊分布

2.6 中国作者及科研机构的科研合作网络分析

2.6.1 作者间科研合作网络

2.6.2 机构间合作网络

2.7 中国作者的研究主题关联分析

2.8 高被引论文分析

3 讨论与结论

3.1 作者群特征

3.2 合作研究特征

3.3 学科热点变化特征

3.4 论文的影响力

（5）文本挖掘在中医药中的若干应用研究（论文提纲范文）

第一章绪论

第一节文本挖掘的研究背景

1.1.1 海量文本数据积累

1.1.2 文本挖掘方法

第二节中医药文本挖掘研究

1.2.1 临床方药知识发现

1.2.2 证病相关知识发现

1.2.3 证候分子生物学相关知识发现

1.2.4 文献主题知识发现

第三节本文的主要贡献

第四节本文的组织

第二章中医药学KDD基础及研究特点

第一节中医药信息化研究基础

2.1.1 中医药学数据库资源建设

2.1.2 中医药学统一语言系统建设

2.1.3 中医药学信息化存在的问题

第二节中医药学KDD研究特点

第三章文本挖掘综述

第一节文本挖掘介绍

3.1.1 目标与定义

3.1.2 文本挖掘过程

3.1.3 研究内容和方法

3.1.3.1 文本分类／聚类(Text Classification/Clustering)

3.1.3.2 信息抽取(Information Extraction)

3.1.3.3 文本数据挖掘(Text Data Mining)

第二节生物医学文献知识发现(KDiBL)

第三节文本挖掘软件

3.3.1 商业软件

3.3.2 研究性共享软件

第四节总结与结论

第四章基于字特征的中文文本分类研究

第一节问题定义

第二节关键技术

4.2.1 文本特征表示

4.2.2 特征抽取和选取

4.2.3 机器学习方法

4.2.4 分类性能评价

第四节相关研究

第五节文本分类方法

4.5.1 Na(?)ve Bayes

4.5.2 TFIDF/Rocchio

4.5.3 Support Vector Machine(SVM)

4.5.4 k-Nearest Neighbor(kNN)

第六节分布字聚类

第七节训练集

第八节字特征比较实验

第九节分布字聚类实验

第十节结论及未来工作

第五章基于Bootstrapping的中医药文献信息抽取

第一节中医药文献信息抽取研究目标

第二节信息抽取相关研究

第三节 Bootstrapping方法介绍

第四节 Bootstrapping的模式定义

5.4.1 LTRT模式

5.4.2 FEP模式

5.4.3 WIP模式

5.4.4 ATP模式

第五节 Bubble-Bootstrapping算法

第六节实验结果及分析

5.6.1 复方名称抽取

5.6.2 疾病名称抽取

5.6.3 副主题词抽取

第八节结论与未来工作

第六章 MeDisco/3T临床复方文本挖掘系统

第一节 MeDisco/3T系统体系结构

6.1.1 TCM Term Recognizer

6.1.2 CMF Content Extractor

6.1.3 Data Mining

第二节 MeDisco/3T术语识别模块实现

6.2.1 模式定义实现与特殊处理

6.2.2 Bubble-bootstrapping算法实现

第三节 MeDisco/3T应用

6.3.1 临床复方药物组成知识发现

6.3.2 临床疾病名称抽取

6.3.3 副主题词信息抽取

第四节实验结果分析

6.4.1 临床复方内容抽取

6.4.2 药物组成与科属高频知识

6.4.3 复方药物科属分布知识

第五节结论及未来工作

第七章 MeDisco/3T中医证候分子生物学知识发现系统

第一节中医药学与大生命科学的研究背景

第二节中医证候分子生物学知识文本挖掘的提出

7.2.1 概念互补性关联

7.2.2 文本数据基础

7.2.3 总体框架

7.2.4 研究意义

第三节系统体系结构

第四节关键技术

7.4.1 独立互补性文献与信息整合

7.4.2 基于ATP的中医疾病名称抽取

7.4.3 标准术语库与文献术语索引

7.4.4 术语同现频度与关联度计算

7.4.5 网络图形化输出

第五节实验结果分析和评价

7.5.1 证病关系

7.5.2 证候与基因关系

7.5.3 基因证候分型特性

第六节结论及未来工作

第八章结论与展望

第一节总结与结论

第二节未来工作

第三节展望

附录

参考文献

博士期间论文

（9）医学文本挖掘关键技术研究（论文提纲范文）

摘要

Abstract

第一章绪论

1.1 研究背景及意义

1.2 相关研究工作与挑战

1.2.1 医学文本的识别

1.2.2 医学文本的预处理

1.2.3 医学文本的知识挖掘

1.2.4 医学文本的智能问答与知识库构建

1.3 论文的主要研究内容及创新点

1.4 论文的组织结构

第二章基于自定义词典及随机结合方法的临床术语识别

2.1 问题描述

2.2 中文分词技术

2.2.1 基于词典的分词法

2.2.2 基于语法和规则的分词法

2.2.3 基于统计的分词法

2.2.4 中文分词评测标准

2.3 基于自定义词典的电子病历分词

2.3.1 实验数据集

2.3.2 基于自定义词典的分词方法

2.3.3 分词结果的评测

2.4 基于自定义词典及随机结合左右词的临床术语识别

2.5 本章小结

第三章医学文本非均衡、结构化及缺失值处理研究

3.1 医学文本非均衡的处理

3.1.1 问题描述

3.1.2 实验数据集

3.1.3 基于改进SMOTE算法的非均衡处理

3.2 医学文本结构化的处理

3.2.1 问题描述

3.2.2 实验数据集

3.2.3 实验分析

3.3 医学文本缺失值的处理

3.3.1 问题描述

3.3.2 实验分析

3.4 本章小结

第四章基于改进CPAR算法及潜在语义分析的医学文本知识挖掘

4.1 问题描述

4.2 基于改进CPAR算法的关联规则挖掘

4.2.1 相关概念

4.2.2 属性的获取

4.2.3 数据的转换

4.2.4 CPAR算法及其改进

4.2.5 实验结果与分析

4.3 基于潜在语义分析的治疗方案挖掘

4.3.1 潜在语义分析

4.3.2 临床术语-治疗方案共现矩阵的构建

4.3.3 潜在语义空间的构造

4.3.4 实验结果与分析

4.4 挖掘结果的可视化

4.4.1 基于ECharts的关联规则可视化

4.4.2 基于Gephi的关联规则可视化

4.4.3 实验对比分析

4.5 本章小结

第五章基于多元实体关系的医学知识图谱构建及智能问答

5.1 基于多元实体关系的医学知识图谱构建

5.1.1 实体关系的构建

5.1.2 知识图谱的构建

5.2 基于医学知识图谱的智能问答系统

5.3 实验与分析

5.3.1 实验数据与描述

5.3.2 实验结果与分析

5.4 本章小结

第六章总结与展望

6.1 主要研究成果

6.2 未来工作展望

致谢