前言：中文期刊网精心挑选了询证医学论文范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
询证医学论文范文1
1.1以循证医学的思路指导肾内科医师培训实践的必要性
当代肾脏病学领域主要涉及“肾实质性病变”和“肾衰竭尿毒症替代治疗”这两大分支。但从临床实践角度来说，肾内科的很多疾病具有极强的特殊性。“相同的病状特征、不同的病理反应”是很多肾脏疾病的典型特征。为此，如果医师仍然单纯依据主观经验判断患者症状对应的主诊病症，其误诊率会非常高。只有将循证医学的方法引入肾内科病症的诊断过程，以实证性的病理资料或实验室数据为依据，才能得出真正意义上经得住推敲的诊断结果。此外，肾脏发生病变的过程多为缓慢而且隐性的病变过程，应用药物治疗的疗程普遍较长，疗效观察则需要更加漫长的时间。病程和病例的演进过程如此繁琐复杂，单纯依靠单独的个人力量很难实现对海量病历资料的完整记载和传承。因此，只有依靠循证医学思路整合现代肾内科教学实践，才能在继承和发扬前人优秀理论成果的基础上，综合分析临床实践中的各类情况，有效弥补以往纯粹主观经验的不足，更好的适应现代肾内科各类疾病的诊断治疗发展需求。
1.2以循证医学理念推动肾内科教学实践发展的具体方法
以“临床问题为中心的自学训练”（problem-basedself–directedlearningprogram，PBL）方法首创于McMaster大学。该方法的基本步骤可以概括如下：“第一步，从临床实践中提出有关疾病预防、诊断、预后、治疗、病因方面的问题；第二步，检索相关现有的研究证据；第三步，根据临床流行病学和循证医学评价文献的原则，严格评价研究证据的真实性、临床重要性；第四步，应用研究证据并结合临床专业知识、患者的选择解决临床问题，指导医疗决策；第五步，评价实践后的效果和效率，进一步提高。”现举一例加以说明：“病房收治了一例老年男性患者，以反复泡沫尿、全身浮肿为临床表现，根据患者的病史、体格检查和实验室化验检查结果，初步考虑为肾病综合征，行肾穿刺病理检查明确其病理诊断为膜性肾病Ⅲ期。”可见，我们应当利用循证医学的思路首先解决该病例患者的膜性肾病是原发性还是继发性问题以及具体的治疗方案。为此，肾内科临床教学导师应当指导医师采用正确的文献检索策略和有效的方法途径，以便其正确评价文献的真实性和可信性，合理诠释文献的科学内涵，全面获得医学证据资料，有效的将医学理论资料与患者实践情况有机结合来解决现实问题，最终收到立竿见影的教学效果。在肾内科住院医师的培训方面，我们应当促使年轻医师从思想深处认知凭借主观经验行医办事的严重危害，敦促其认同循证医学指导临床实践的重要意义，提高年轻医师利用循证医学方法行医治病的技能性。导师应当训练年轻医师查阅各类医学文献的技能技巧，帮助年轻医师掌握利用文献资料作为临床实践佐证的循证医学方法。另外，导师还要通过各种方式塑造年轻医师发现问题和解决问题的能力。在利用循证医学方法获取医学文献资料解决临床实践问题时，导师应当始终向年轻医师灌输循证医学思想是进行医疗决策行为之前必须严格遵循的第一性原则，是医师向患者实施医疗行为的前提。只有学会以自主寻求医学实证性证据来指导和解决临床实践活动，才能推动肾内科医学在理论和实践方面更上一层楼。
1.3依据循证医学思路进行肾内科医师培训实践的注意事项
尽管循证医学方法是值得肾内科教育领域积极推崇和深入挖掘的教学方法，但在我们推进该方法过程中仍有相关事项必须引起高度注意。首先，导师必须能够有效识别个别医师打着循证医学幌子行经验医学之实的假象。导师应当一针见血的指出个别年轻医师“穿新鞋走老路”的现象背后的本质——不会思辨的考虑问题，将医学文献作为“最后的救命稻草”，只知道遵照执行却忘记批判审视，只记得一味的照搬执行却忽略扬弃思想指导下的发展思想。其次，导师应当告诫年轻医师学会医学方面的“与时俱进”，要牢记“问渠那得清如许，为有源头活水来”的真谛。循证医学所援引的文献资料应该是最新的权威性研究成果。“新”是导师应当时刻告知医师牢记的关键所在。任何事物都是在不断的发展壮大的，医学领域的理论成果也是如此。因此，与时俱进的更新资料信息，将自身所学及时修正和调整，是循证医学指导肾内科培训实践的应有之义。再次，导师应当鼓励和敦促所有接受培训的年轻医师掌握一种以上的医学专业外语。事实上，我们所倡导的循证医学中援引的证据资料很多都是来源于国外相关领域的最新研究成果。因此，提升阅读和吸收医学专业外语方面的第一手资料的能力和素质，也是所有肾内科医师在接受培训过程中必须注意锻炼的一个重要方面。如果不懂得医学专业外语而坐等翻译现成的医学资料，将会大大限缩医师循证医学过程援引有力证据资料的范围和领域，这也会从实质上影响肾内科医师循证医学的实践效果。最后，导师还应当注重年轻医师在临床实践方面的循证医学的准确性、严谨性和可信性，提高其医疗决策的精准程度，提升医师整体的责任感和使命感。“打破砂锅问到底”应该是循证医学过程中必须具备的科学态度。塑造医师循证医学的科学态度，改善已有的循证医学资料储备，养成医师良好的行医习惯，都是导师应当着力培养的内容。
2.结语
询证医学论文范文2
1.1调查对象
哈尔滨医科大学2009级医学影像专业的120名学生，全体学生都参加了涵盖循证医学知识的超声实践课程。
1.2调查方法
调查方法为问卷调查，全部实习课程结束后，向学生发放调查问卷，学生独立填写并当场收回，共计发放问卷120份，全部收回，有效率达100%。问卷内容包括:学生对循证医学的熟知情况，循证医学在超声实践教学中存在的问题，循证医学联合超声实践教学效果评价等。
1.3数据分析
调查问卷经编码后录入计算机，数据分析采用SPSS17.0，主要对数据进行描述性统计分析。
2讨论
询证医学论文范文3
随着社会经济的发展，脑血管疾病、老年性痴呆等神经内科疾病日益增加，《神经病学》这门临床医学专业主干课程凸显重要。但是大部分医学生在学习《神经病学》时比较困难，原因如下：一是神经系统的解剖比较复杂，通过单纯的文字学习不容易理解。二是我们传统的教学方式是以教师为主体，学生被动接受，采用灌输式的教学方式，并且比较抽象，形象化不足。三是教学形式主要是为挂图和板书，形式比较单一，课堂气氛不活跃，授课的效率低下，严重降低了教师的教学水平，并且极大地限制了学生的思维能力。因此，神经内科实践教学方法亟待改进。
将循证医学理念有机地贯穿于临床专业医学生神经内科临床实践全过程，利用循证教学模式将既往脱节严重的临床见习和实习连贯结合起来，帮助医学生理论联系实际，较好地掌握临床理论与技能，重在培养医学生循证医学理念，有利于医学生创造性思维与评判性思维，独立思考问题与解决问题的能力，运用计算机与网络资源自主学习能力的提升，对于培养医疗卫生事业优质服务人才意义重大。
二、《神经病学》实践教学中引入循证医学理念的实施方法
在《神经病学》实践教学中开展循证医学教育具体步骤如下：
1.首先开设《循证医学》课程，对医学生进行循证医学理念的启蒙教育，包括循证医学的概念、原则及具体实施步骤，比较传统的经验医学与循证医学之间的优缺点，逐步培养医学生对循证医学和自主学习的兴趣。
2.成立《神经病学》循证医学小组，所有成员由具有循证医学的基本理念和知识，具备流行病学知识，计算机、英语水平较强的临床和基础医学师资组成，经常主动查询阅读文献，能够指导学生根据提出的问题上网查找文献并进行评价。
3.做好实践循证医学教学模式准备，师生均应具备改革传统临床实践教学模式的意识，主动去学习并熟练掌握实施循证医学的基本技能。循证医学实施的基本技能包括以下几个方面：怎样准确地提出核心问题，怎样正确使用数据库查找资料，怎样正确快速查找、阅读并利用相关中英文医学文献，怎样寻找评价的最佳证据等。
4.在医学生《神经病学》临床见习过程中，带教老师将学生分成为不同的循证小组，步骤如下：（1）提出具体临床问题：根据患者的病史、体格检查、辅助检查结果提出需要解决的临床关键问题；（2）以小组为单位查阅文献资料，收集证据；（3）评价文献资料并咨询临床专家，找出最佳证据；（4）利用证据指导问题解答：结合病人的具体情况和医学知识，找到现有的最好的应用于病人诊治过程中的研究证据进行总结分析。（5）后效评价，每个小组推选学生代表汇报，最后教师进行归纳总结。
5.在医学生《神经病学》临床实习过程中，带教老师进一步引导医学生适应并熟练掌握循证医学模式：（1）准确并恰当地提出临床关键问题：根据患者的病史、体格检查、辅助检查结果准确提出需要解决的临床关键问题；（2）根据问题查询现在的最好临床研究证据；（3）鉴别所寻找证据是否真实、对临床是否重要；（4）结合患者的具体病情及所学的临床知识，在带教老师的指导下，使用循证医学的原理和基本方法，寻找到最好的诊疗方案，并通过整理资料在国内外学术期刊上，成为全球共享的学术资源。
6.每月进行教学模式改革的调查与反馈，不断加强和改进，形成更适合医学生的循证教学模式，并鼓励学生积极参与，根据临床现象多提问题，查阅相关书籍和文献，学会自己解决问题。
7.终末评价方法：（1）学期结束时进行考试或实习结束进行出科考试，包括理论考试和操作考核。（2）学生自主学习能力改善情况问卷调查。（3）学生毕业后与就业单位及学生本人联系，对其在临床工作中继续运用循证医学模式进行调查及信息反馈。
询证医学论文范文4
只有在同一时间同一地区大量采集样本，才有可能满足RCT随机对照实验的样本要求。RCT样本问题可望在大数据时代得到解决，随着泛在随时采集样本的大数据时代的到来，以及不间断采集医疗数据的可佩戴设备出现，样本数据的稀缺等问题将随巨量数据消失。而随着新型大数据分析挖掘工具的出现，特别是深度学习技术的不断发展和应用，证据及其结论的准确可信性必将大大提高。目前，深度学习识别5749个人脸的精度已达99.15%，其准确程度已经超过人眼和大脑。因此，深度学习必将为循证医学带来一场新的革命。本文将分析循证医学在数据证据获取、分析、制作等方面所面临的挑战，介绍医疗大数据时代的数据采集、整合、分析和处理方法，介绍面向医疗大数据的深度学习技术自动提取疾病特征的原理和方法，以及医疗大数据及基于云计算的深度学习对循证医学所带来的各种变革。面向大数据的深度学习将特征提取与决策分析过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。结合医疗大数据、云计算和深度学习的循证医学，将克服过去数据证据稀少、偏颇、失信、不公、过时等不足，将具有更加广阔的推广应用前景和发展动力。
1循证医学与数据证据
循证医学，简之就是“遵循证据的医学”，又被称为实证医学。循证医学重视医生的临床经验，即传统意义上的经验医学，同时又强调诊断、治疗等决策应在临床证据最为符合病症的基础上作出[1]。在循证医学的创立、发展与传播方面，英国的科克伦(ArchiebaldL.Cochrane)、美国的费恩斯坦（AlvanR.Feinstein）以及萨克特（DavidL.Sackett）做出了重大贡献，成为循证医学的奠基人。科克伦强调大规模随机临床试验的重要性。他认为只有在大规模临床试验中使用随机分组策略，才能避免因样本分组而产生的选择性偏差，保持对照组和试验组样本的背景因素平衡，从而才能做出最终正确的比较与评价。他建议及时将切实医学证据传播给使用者，接受专家评估并对可信度进行适当分级，以使医学证据能被及时整理、归纳与更新。费恩斯坦奠定了现代流行病学的数理统计与逻辑基础。从1970年到1981年，他在美国《临床药理学与治疗学》杂志（ClinicalPharmacologyandTherapeutics）上，以“临床生物统计学”（ClinicalBiostatistics）为题连续发表了57篇论文，将数理统计学和逻辑学导入到临床流行病学，科学系统地建立了临床流行病学的有关理论体系。萨科特则为循证医学的传播与发展做出了巨大贡献。他发起并主编了与循证医学有关的两本著名杂志：《美国内科医师学会杂志俱乐部》和《循证医学》。
1997年，他还主编出版了《循证医学》一书，该书被译为多种文字并在世界上广为传播。正是在《美国内科医师学会杂志俱乐部》上，加拿大盖亚特(rdonH.Guyatt)于1991年首次提出了循证医学一词[3]。从循证医学与数理统计和逻辑学的渊源，便可以看出循证医学注重证据的内涵。它是一门非常强调证据制作的学科，同时又非常重视医学证据的传播和评估，这正是它区别于以往医学的特点。通过评估产生可信证据，通过传播发挥证据价值。医生在诊断与治疗过程中，不仅基于经验直观判断，而且结合证据科学决策，更加客观地进行诊断与治疗。短短十多年的时间，在世界各国医学研究与临床实践中，循证医学得到了广泛深入的应用。科克伦最初创建的世界循证医学协作网已经包括约50个专业协作小组，所收集的医疗证据几乎覆盖所有临床医学领域。1996年，我国华西医科大学建立了中国循证医学中心，并于1999年正式加入世界循证医学协作网；2001年，中国循证医学中心创办了《循证医学》杂志，发表在各类杂志的循证研究论文达45842篇。但是，循证医学也有其面临的问题，如对证据进行科学评价等问题。临床证据目前还没有完整、科学的定义，证据评价标准及推荐级别尚未完全统一，不同国家不同疾病的证据质量分级不尽相同。而且，随着人类对疾病认识的加深以及诊疗手段的革新，评价标准还会随这些因素的变化而变化。
循证医学的基础是数理统计学，要求RCT的实验样本及环境一致，以便排除个体差异及环境干扰，但这在现有条件下近乎不可能实现。号称大规模随机对照实验的样本偏少，对照组和试验组难有条件一致的个体，环境随时间空间变化造成实验对照控制困难。目前，大规模的医学样本采集困难，几百个样本已经算是比较大的样本了；而根据统计理论如要达到90%的敏感度，至少需要约1300个的数据样本。为了克服RCT样本不足的问题，Meta分析方法得到了广泛应用：通过综合已有研究多个样本集的结果，可以推得大规模样本集的综合结果。Meta分析取得了很多有价值的研究成果，但是，Meta分析的基础也是数理统计学，其运用的前提是样本及实验环境一致，正是在这一点上它备受质疑。首先，不同样本集的权重控制难于完全公正，因为其实验环境难于恰当评价和把控，实验结果难免有过度包装和偏颇之嫌。Meta分析存在的另一个问题是：它所依赖的数据往往不是最新的即时案例，制作的证据可能因环境与气候的变化而失去应用价值。总之，循证医学所面临的问题包括：证据的稀缺性、偏倚性、可靠性、及时性、公正性，以及环境的一致性等方面的问题。由于证据的一致性和及时性存在问题，基于历史数据进行Meta分析备受质疑。2014年，《英国医学杂志》在名为《循证医学濒临破产》的文章中指出[5]：循证医学的证据属于间接证据，基础建立在已经发表的研究文献上，利益冲突容易影响证据的公正性，证据环境与临床决策环境存在距离；循证医学助长了过度诊断、过度治疗，并可能存在沦落为利益集团代言人的危险。
2大数据对循证医学的影响
大数据（Bigdata）又称巨量或海量数据，是指数据规模巨大以至在合理时间内，无法通过当前主流软件工具，获取、处理、分析以便决策的结构复杂的数据[6]。大数据如下具有4V特点：Volume（巨量）、Velocity（瞬速）、Variety（多样）、Value（价值）。巨量是指已经不能再用GB（即1024MB）和TB（即1024GB）为单位，来衡量大数据的存储容量或规模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）为单位来计量数据容量。在巨量的医疗大数据中，各种条件的样本都会存在，因此，证据的稀缺已经不是问题。瞬速是指兼具方向的快速变化，即数据随时间和空间快速变化。大数据中的样本通常是全空间的、多维度的、全时间的及瞬时变化的。由于大数据地域环境广，数据样本量巨大、正反样本齐全，证据的“制作”已不再必要，而是随时随地客观地存在。瞬速性通过可佩戴健康监测设备体现，这为及时获取病患信息提供了极大便利。多样是指数据的种类繁多、结构复杂、因果并存、甚至同一数据表现出不同形式。数据的多样性对数据的理解和分析是一个巨大挑战，但同时也为样本分析结果的验证带来便利。因此，在医疗大数据环境下，不仅随时可以采集样本进行分析处理，还能对分析得到的结果马上进行验证，从而能够保证医学证据的可靠与可信。
价值是指相比小规模、历史数据而言，大数据具有更高的研究和使用价值。由于任意时刻任意地点都有大量样本，样本的稀缺性和及时性已经不是问题，这为医学研究扫清了采样障碍；同时由于样本丰富冗余多样，也为研究结果的验证提供了便利；大数据除具有巨量历史数据外，还有不同地域环境的巨量即时数据，这使循证决策更具应用价值和时效性。大数据将首先改变医学数据的采集方式。大数据的形成往往依靠自动采集技术，随着可佩戴监测设备如iWatch等的出现，医学数据的采集及积累速度将出现爆炸性的增长。以往的数据同大数据相比，如同沧海之一粟。且以往的数据往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及时、公正等问题，这样采集的证据必然会影响医学研究的结论。基于手工证据进行决策，其结论未必准确及时公正可靠。医疗大数据不间断地在不同地点同时采集，不仅包含历史数据以及即时数据，甚至还可能包含未来需求信息，例如，ogle就是通过人们对感冒药品的搜索来预测流感的。大数据的出现将改变医学数据的管理方式。在网络数字化高度发达的今天，尽管已经出现了电子病历，但纸张病历在数据管理中仍然重要。然而，纸张病历有其固有缺陷，如容易破损或丢失、整理归档的周期过长、借阅的时间成本极高、研究采样的工作量巨大等等。伴随大数据出现的数据融合技术能将不同医院的电子病历整合在一起，并同可佩戴健康监测设备的数据及时集成，大大减少了电子病历的整理、借阅和数据采集时间，这不仅对病人的疾病诊断和预警监控更加有利，同时也对医生的临床及医学研究更有帮助。通过语音和可视眼镜等现代化的数据浏览设备，医生在查房间隙就能获知下一病人既往病情，从而能大大减少医生的劳动强度，使医生有更多时间治疗病人，有更多的时间进行医学研究。
大数据的出现将改变医学数据的分析方式。以往在收集样本数据以后，通常使用SAS或SPSS等软件，对采集的数据进行统计分析，发现相关病因或建立决策模型。这些软件受计算能力及内存容量的限制，只能处理样本量不大的数据，并且处理的数据维数有限，例如，SPSS不能超过40维，而医疗大数据的维数成千上万。通过手工或统计软件的计算方法，将无法满足医疗大数据的分析需要。
当维数超过30个致病因素时，可能要考虑230种因素组合，普通统计软件已无法计算和处理，必须依靠内存及速度“无限”的云计算。必须研究与开发基于大数据和云计算的分析与挖掘技术如深度学习技术，使其能够自动完成高维病因数据的分析与主要病因的提取。总之，医疗大数据的采集、整合、分析、处理、研究完全靠人工完成已极其困难，没有利用云计算的统计分析软件也难于完成医疗大数据的分析和处理。在大数据时代，必须借助深度学习等技术完成医疗大数据的分析和挖掘。虽然医疗大数据能够弥补数据样本的不足和不公，但只有借助更为先进的分析工具和软件，才能为循证医学带来进一步的变革和发展。
3大数据对循证医学的变革
证据制作是循证医学的核心，证据能为医生的诊治提供参照，因此，循证医学得到了快速发展。但是，矛盾、偏颇、过时的证据也使循证医学备受质疑。首先是证据及其结论存在大量的矛盾，使人们对循证医治的结果产生怀疑；其次是证据偏颇使其成为利益代言人的工具；其三是证据时过境迁使医治达不到预期效果。而医疗大数据的出现恰好能够弥补以往证据采集与制作的不足。首先，医疗大数据使证据的稀缺问题得到解决；其次，随大数据广泛汇集的医生及病人评价，可有效避免证据成为利益代言人的工具；其三，可穿戴等自动采集设备可保证证据的时效性。这将有助于循证医学同中医的结合。中医的治疗过程通常比西医长，其证据采集及疗效评估存在很大问题，而随着可穿戴健康监测设备等技术的发展，长期持续采集治疗证据及疗效将不再困难，从而有助于循证医学在中医等领域发展壮大。此外，随大数据兴起的先进数据分析与挖掘技术，将对循证医学起到巨大的推进作用。临床决策分析评价是确定循证治疗方案的关键步骤，现有的决策分析评价模型包括决策树、Markov过程等一系列模型，这些模型在面临高维大数据时力不从心，难于继续提供较高的决策精度，使医生对医治方案是否有效失去信心。随着大数据深度学习技术的出现，病因的分析和提取已完全自动化，且大大降低了建立决策分析模型的工作量，提高了治疗方案的决策精度。对于任何疾病诊治方案，考虑的疾病致病因素越多，即证据或特征维数越多，得到的参考信息就越多，诊治的准确性就会相应提高。但是，医生在遇到大量高维的证据数据时，往往面临从中选择少数有效证据的难题。例如，假定要考虑30个致病因素或检验指标，建立决策模型就要考虑230种因素组合，从中筛选一个最优因素组合作为模型输入的工作量是巨大的。因此，要得到由若干最优证据构建的最佳决策分析模型，医生们所投入的研究精力可想而知。
筛选最优因素组合是医生们最费精力的工作，目前这项工作可以被深度学习自动完成了。深度学习最早由Hinton等人在2006年提出，它是一种无监督的特征学习和提取技术，它通过低层特征的组合构建更加抽象的高层特征。2012年，Lecun等人利用卷积神经网络真正实现了高效的多层深度学习。传统的神经网络学习只有单向认知过程，通常只包含一个隐含层，因层数较少而被称为浅层学习。深度学习则包含认知和生成两个过程，并且每个过程都包含多个隐含层，其模型的总体框架如图1的虚框部分所示。如图1所示，深度学习的“输入层”可以理解为各种致病因素以及各种检查化验结果，例如遗传环境因素以及肝功全套指标等；自底向上的箭头表示认知过程，自顶向下的箭头表示生成过程，即深度学习由两个互逆的过程构成；认知权重向量WnT和生成权重向量Wn表示深度模型的知识。原始“输入层”经“隐含层H0”认知得到输出，输出又经“隐含层h0”生成得到新“输入层”，如果原始“输入层”和生成的“输入层”完全一致，则说明认知产生的输出是完全正确的。根据信息论的有关理论，学是会产生损失，新旧输入不可能完全一致。因此，只要两者近乎一致就可以了。认知和生成权重同隐含层的每个输出相关联，wake-sleep深度学习算法用于双向调节权重：(1)利用下层输入和认知权重向量WiT产生输出表示，然后使用梯度下降法调节生成权重向量Wi；（2）利用输出表示和生成权重向量Wi产生输入表示，然后使用梯度下降法调节认知权重向量WiT。通过逐层学习最终得到顶层的认知和生成权重向量WnT、Wn。在深度学习完成后，如果要建立决策分析模型，只需将顶层输出即自动提取的特征，作为分类模型如支持向量机的输入，并用类别标记如肝硬化分级训练支持向量机，就可以得到用于决策分析的精确分类模型，分类模型如图1的虚框外部所示。2014年，香港中文大学汤晓鸥教授领导计算机视觉研究组(mmlab.ie.cuhk.edu.hk)，开发了一个名为DeepID的深度学习模型，在LFW数据库上识别5749个人脸的准确率已达99.15%，其精细和准确程度已经超过了人眼和大脑。医疗大数据及深度学习必将为循证医学带来一场新的革命。不仅数据缺失、偏颇以及过时等问题会被迎刃而解，而且证据收集、制作以及诊治方案的决策都将会自动化，这将扩大循证医学在所有领域包括中医等领域的应用范围，大大降低医生在证据制作、治疗方案决策与疗效评估等方面所付出的精力，推动循证医学向更深更广更加现代化的方向发展。
4总结
医疗大数据带来的变革将是全方位的，它不仅为医学研究和证据制作带来便利，同时也将促进中医等替代和补充医学的发展。作为大数据采集的一项关键技术——便携式/可佩戴健康数据自动采集技术，将大大提高医疗数据采集以及证据制作的效率，解决中医等疗效数据需要长期采集观测的难题，弥补循证医学存在的证据偏颇、不公、过时等缺陷，促进循证医学更加客观、公正、可靠地在临床治疗中应用。在循证医学的证据评估以及利用方面，伴随大数据出现的云计算能够提高证据分析与处理的效率，大大节省医生临床应用和医学研究所需要花费的时间；面向大数据的深度学习能够从浩瀚的高维医疗数据中，自动完成疾病致病因素及环境因素等的筛选与提取工作，并能建立精度远远超过人脑的决策分析模型，从而大大提升医生建立和应用循证治疗方案的信心，有助于循证医学被各科医生更加广泛地接受和应用。尽管深度模型包含更多的隐含层，其学习时间要远远长于浅层学习，但两种模型的决策时间相差不大，因此，这并不妨害深度模型的有效应用。特别值得一提的是，深度学习将证据提取与决策分析两个过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。基于大数据、云计算和深度学习的循证医学，由于能够降低劳动强度、提升工作效率、提高决策精度，因而将具有更加广阔的应用前景和发展方向。
5展望