主动医疗在儿科健康管理中的应用：基于DIKWP语义框架

作者： 段玉聪，黄帅帅

1. 海南大学计算机科学与技术学院，中国海口

摘要

现代儿科医疗正从被动的、以疾病为中心的治疗，向主动的、以意图为导向的健康管理转型。本文提出了一个儿科医疗的语义框架，该框架在经典的数据-信息-知识-智慧（DIKW）层次结构的基础上，增加了一个明确的意图（Purpose）维度，构成DIKWP模型。该框架利用人工智能（AI）将原始健康数据持续转化为与每个儿童健康意图一致的可行智慧。我们提出了一种基于DIKWP语义图和认知推理引擎的新型系统架构，以实现早期干预、个性化推荐，并改善临床医生与家庭之间的协作。我们使用语义数学模型对DIKWP框架进行了形式化定义，并设计了医患双向认知映射，以弥合家庭与医疗服务提供者之间的沟通鸿沟。通过示例用例，我们展示了该系统如何在真实的儿科场景中预测潜在问题，并使决策与患者的特定意图保持一致。我们还讨论了该系统的优势（安全性、有效性、透明度）和挑战（数据语义、信任、可扩展性），以及相应的保障措施。这种以意图为导向的方法旨在将儿科医疗推向预见性、意图导向的护理模式，最终改善儿童及其家庭的健康状况和福祉。

类别： 健康信息学，医疗保健中的安全可信AI，智能健康与互联健康关键词： DIKWP框架，现代儿科，健康管理，儿科医疗保健，儿科AI系统

引言

传统上，儿科医疗保健一直是被动的，即在问题出现时才进行处理。这种被动护理常常导致干预延迟和错失预防良机。为了改善治疗效果，一场向主动医疗发展的运动正在兴起，强调早期发现、预防和健康促进。例如，“P4医学”（预测性、预防性、个性化、参与性）的愿景旨在将医疗保健从应对疾病转变为主动维护健康。在儿科领域，主动方法意味着预见发育或健康问题，并在其恶化前进行干预。然而，要实现真正的预见性护理，需要向意图驱动的医学模式转变——即关注每个患者的长期健康意图，而不仅仅是短期的疾病管理。这种以意图为导向的理念与以患者为中心的护理相一致，在这种护理模式中，临床医生与家庭合作，定义并追求对孩子最重要的健康结果。

实现主动、意图驱动的护理的一个关键赋能技术是人工智能。AI可以持续分析健康数据（临床记录、生长指标、传感器读数），以预测风险并推荐预防措施。与人类不同，AI可以实时监测众多参数并检测细微模式，使儿科护理从阶段性的体检转变为持续的监督。然而，当前AI在儿科的应用大多仍局限于特定问题（例如，从图像中诊断疾病），而未能整合到一个全面的、意图驱动的护理策略中。此外，许多AI系统如同“黑箱”操作，其推荐缺乏清晰的推理过程，这可能削弱临床医生和家长的信任。

为解决这些不足，我们提出了一个用于主动儿科健康管理的意图驱动语义框架。该框架扩展了经典的DIKW模型——该模型描述了原始数据（Data）如何转化为信息（Information），再到知识（Knowledge），最终形成智慧（Wisdom，即可行的见解）——通过增加一个顶层的“意图”（Purpose）维度。意图元素明确代表了指导护理决策的意图和期望结果。通过引入意图，AI做出的每一个推断和推荐都能与孩子和家庭的健康意图对齐（例如，“改善哮喘控制以保证上学”）。这个DIKWP（数据-信息-知识-智慧-意图）模型源于近期在人工智能和认知信息学领域的研究，它提供了一种结构化的语义方法，将低层数据处理与高层医疗意图联系起来。

A. 儿科AI系统

近年来，已有多款AI系统被开发用于辅助儿科医疗。这些系统涵盖了从诊断算法（如从胸部X光片中检测小儿肺炎）到个性化治疗推荐引擎。AI分析海量数据集的能力，通过根据遗传、生长模式和病史等个体特征定制治疗方案，实现了儿童的个性化医疗。例如，机器学习模型可以通过分析历史患者数据和趋势，在潜在健康问题出现前进行预测。这种主动分析能力使临床医生能够实施预防措施和早期干预，从而将护理向上游推进，避免严重疾病的发生。AI还通过自动化管理任务和持续的患者监测，提高了儿科护理的运营效率，从而让临床医生有更多时间直接与患者互动。远程监控解决方案在儿科领域尤其具有影响力：由AI驱动的可穿戴传感器和远程医疗平台可以实现对儿童在院外的生命体征和症状的持续追踪。这有助于对慢性病（如哮喘或糖尿病）进行持续护理，并在检测到令人担忧的模式（如心率异常或峰值流速下降）时及时发出警报，通常这会早于家庭成员发现症状。多项研究和行业实践已证明使用此类AI工具可以改善治疗效果。然而，大多数现有的儿科AI应用专注于特定任务（诊断、风险预测等），而不是提供一个整合的、意图驱动的护理连续体。我们的工作建立在这些成功之上，但提出了一个统一的语义框架，以协调AI的角色，使其朝向总体健康意图，而不仅仅是孤立的输出。

B. 医疗保健中的DIKWP理论

DIKW层次结构（数据 → 信息 → 知识 → 智慧）是信息学和知识管理的基础模型。它描述了原始数据如何被处理成有意义的信息，然后情境化为知识，最终提炼为智慧（做出合理决策的洞察力）。在医疗保健领域，DIKW已为临床决策支持系统和护理信息学模型的设计提供了信息，确保数据收集最终支持临床智慧以用于患者护理。最近，研究人员主张将DIKW扩展到第五个层次——意图（Purpose），以捕捉决策背后的“为什么”。段玉聪及其同事在通用人工智能和认知计算研究的背景下引入了DIKWP模型，认为AI不仅应计算出最优行动（智慧），还应理解并与这些行动的潜在目的或意图保持一致。在医疗保健领域，这种扩展尤为重要：治疗和干预措施的评估不应仅基于其直接效果，还应看其是否服务于患者的长期意图（健康和生活质量意图）。DIKWP在医疗保健中的一些早期应用包括建模医患纠纷和医疗决策过程。这些工作强调，许多冲突或错误源于对意图缺乏共同理解，或在沟通中缺少“意图”背景。通过将意图作为知识框架中的首要元素，临床系统可以确保所有建议都明确地回归到以患者为中心的意图上。这种方法与医学中以意图为导向的护理理念产生共鸣，即患者的优先事项驱动着何种护理是适当的。事实上，以意图为导向的护理已被证明能够通过关注患者重视的结果来促进更好的护理整合和患者满意度。

C. 可解释与可信的AI

为了让AI在儿科实践中被采纳，透明度和可解释性至关重要。临床医生和家长需要信任AI的建议，尤其是在事关儿童健康的情况下。AI系统缺乏透明度常被认为是临床实施的主要障碍，因为医疗服务提供者必须对AI建议背后的理据有信心。因此，现代医学AI研究强调可解释AI（XAI）——即让AI决策过程对人类可解释的技术。在儿科背景下，可解释性与伦理义务相关：服务提供者必须能够向家长解释为何做出由AI驱动的警报或诊断。为增强对AI决策的信任，已探索了多种方法（如基于规则的模型、可解释的机器学习和事后解释工具）。研究发现，当AI系统提供清晰且相关的解释时，临床医生的信任度和遵循AI建议的意愿会显著增加。我们提出的框架通过设计嵌入了可解释性：可以查询DIKWP语义图，以追溯一个原始数据点（如夜间咳嗽的传感器读数）如何通过信息和知识层传播，最终形成一个智慧层面的建议（如调整哮喘药物），以及该建议如何与患者的意图（预防哮喘发作以保证正常上学）对齐。通过提供这种追溯，系统提供了语义透明性——每个建议都可以链接到支持数据、医学知识和预期结果。

D. 以患者为中心和以家庭为中心的护理

在儿科，以患者为中心的护理尤为重要，因为医疗决策不仅涉及患者（儿童），还涉及父母或监护人。这种方法意味着将患者和家庭视为合作伙伴，并尊重他们的偏好、需求和价值观。在儿科护理模型中，这通常表现为以家庭为中心的护理，强调与家庭的开放沟通、教育和共同决策。研究表明，使护理与患者/家庭意图保持一致可以提高依从性和满意度。例如，以患者为中心的方法不是由临床医生单方面开出治疗方案，而是会讨论家庭的意图（如让孩子能参加体育运动），并共同决定支持这些意图的干预措施。AI系统的设计必须支持而非阻碍这种以患者为中心的互动。我们框架中明确的“意图”元素内在地加强了以患者为中心：DIKWP图中的意图节点可以编码家庭的意图和限制，确保AI的输出根据对患者生活背景最相关的内容进行筛选或优先排序。此外，通过使AI的推理过程可解释，我们促进了共同决策——临床医生可以以易于理解的方式向家庭传达AI的见解，家庭也可以提供反馈，从而维持信任和一致性。

材料与方法

方法论

我们对DIKWP语义框架进行了形式化定义，并概述了使系统能够在患者和临床医生认知空间之间进行映射的数学基础。我们定义了DIKWP的每个组成部分——数据、信息、知识、智慧和意图，并使用语义数学描述了它们的表示和转换。我们还引入了一个医患双向映射模型，确保系统在家庭和临床医生的主观视角之间进行理解调解。

A. DIKWP组件定义

DIKWP的每个元素都是一个独特的语义抽象，具有形式化定义，如图1所示。

图1：跨认知空间的DIKWP模型概念图

数据（Data） 代表关于患者的原始观察和测量，由传感器、医疗设备或手动输入捕获。形式上，我们将数据元素  定义为一个语义对象，它是认知中相同语义的具体体现。这意味着即使是一个原始数据点（例如，体温读数为38.2°C），也是在现有概念（“发烧”）的背景下被认知主体（系统或用户）解释的。我们将数据概念集表示为  ，其中每个d可以看作是语义空间中的一个特征向量。例如，单个数据点“咳嗽频率=10次/晚”可能具有将其与系统本体中“咳嗽”概念（声音模式、频率）联系起来的特征。孤立的数据缺乏意义；它通过分类和与已知概念的匹配而变得有意义。因此，系统的第一步是进行语义标记并将数据整合到概念空间中（例如，识别出咳嗽模式符合“夜间咳嗽”的概念）。数学化： 每个数据概念由一组与其理想概念原型共享的语义特征  定义。我们将一个数据概念表示为多维语义特征空间中的 。然后构建一个数据图（DG），连接共享语义属性的数据点。

信息（Information） 是经过处理的数据——即被赋予了背景、关系或意义的数据。在DIKWP中，信息通常通过聚合或连接数据点而产生。例如，将“38.2°C的发烧”和“咳嗽频率10次/晚”这两个数据点与时间背景相结合，就得到了信息：“孩子在过去两晚持续高烧并频繁咳嗽”。信息涉及语义关联和对数据的简单逻辑推导。我们正式将信息元素视为连接数据元素的关系元组或图模式：。系统通过连接带有注释边缘（如时间序列、因果提示）的数据节点来构建信息图（IG）。这些IG比原始数据更丰富地回答了“正在发生什么？”的问题，为知识的形成提供了基础。在我们的例子中，一个IG可能会连接发烧、咳嗽和时间，以表示一个可能的症状群。

知识（Knowledge） 在此框架中是对解释信息的模式、规则或模型的理解。它对应于可用于解释信息的广义见解或医学知识。一个知识元素  可能是一条临床规则、一个概率模型或一个推断出的概念。例如，系统可能会调用儿科医学知识，即“发烧+夜间咳嗽”通常与呼吸道感染或哮喘加重有关。我们正式将知识定义为将领域理论应用于信息的转换或映射  或 。每一条知识都表示在一个知识图（KG）中，这是一个由医学概念（疾病、症状、治疗）和关系组成的本体网络。我们的DIKWP图包含一个丰富的儿科本体——例如，“病毒性支气管炎”、“肺炎”、“哮喘”等疾病的概念节点，每个节点都链接到“发烧”、“咳嗽”等症状节点和治疗节点。知识处理涉及在此图上进行推理：给定传入的信息图，系统在KG中搜索匹配的模式或适用的规则（使用语义推理器和概率推断）。在数学上，知识可以编码为逻辑蕴含规则（如果X和Y，则Z）或学习到的函数（机器学习模型），将信息映射到可能的解释。我们语义数学的一个关键特征是知识元素带有一个真值或置信度，允许系统处理不确定性（例如，“发烧+咳嗽”与“支气管炎”之间的关联可能有80%的置信度）。

智慧（Wisdom） 被理解为可行的见解或决策——本质上是一个情境感知的建议或结论，直接指导应该做什么。智慧（常被称为实践知识）不仅知道正在发生什么现象，还知道在特定情境下这意味着什么以及应采取何种行动。我们系统中的一个智慧元素  可能是一个推荐的行动计划或一个优先决策。例如，在分析了数据、信息和知识之后，系统可能会得出结论：“哮喘急性发作的可能性很高，启动预防性吸入器并安排临床医生会诊。” DIKWP图中的智慧图（WG）表示决策路径，将情况与可能的行动和结果联系起来。智慧涉及一个价值判断步骤——评估在多种基于知识的选项中哪个是最佳方案，可能会使用特定于患者的价值观（来自“意图”）作为标准。我们将智慧的生成形式化为一个优化或选择函数：，该函数选择要应用的​​最佳知识元素或组合。这正是可解释AI技术至关重要的地方：系统可能会使用基于规则的决策树或可解释模型从知识走向智慧，确保其基本原理可以追溯。

意图（Purpose） 代表驱动决策的意图或目的。在我们的儿科情境中，意图编码了儿童和家庭的健康意图（例如，“维持正常的生长轨迹”、“避免住院”、“实现积极的生活方式”）。我们正式将意图建模为一个元组，其中输入捕捉了利益相关者对当前情况的理解，而意图则代表了期望的结果。因此，意图弥合了理解与行动之间的差距——它通过将行动与意图联系起来，为选择该行动的原因提供了框架。在概念空间内，意图提供了一个从抽象需求（“孩子因病频繁缺课”）到具体意图（“降低患病频率，使孩子本学期能保证90%以上的出勤率”）的映射。我们创建了一个意图图（PG），将意图与相关的智慧节点和知识节点连接起来。例如，一个“改善哮喘控制”的意图节点会连接到“药物依从性”和“触发因素规避策略”的智慧节点，以及关于哮喘的知识节点。意图层通过加权和引导来影响所有较低层次：与意图相关的数据和信息被优先处理，与意图相关的知识被突出显示，当存在多个智慧选项时，选择最能服务于意图的那个。实际上，意图引入了一个反馈循环：它不断调整系统的推理，以使演变中的理解与最终意图保持一致。这种动态对齐体现了我们框架中的意图驱动智能。

表1总结了DIKWP各组件及其在儿科场景（哮喘管理情境）中的作用和示例。

表1：儿科健康管理中的DIKWP组件

根据我们的语义建模方法，每个组件都在三个认知空间中被严格定义：认知空间（代理的内部概念状态）、概念空间（概念和类别的抽象表示）和语义空间（语义单元之间的关系）。当新数据到达时，系统通过概念空间（匹配已知概念）和语义空间（理解关系）来解释它们，更新DIKWP图，然后在意图的引导下得出智慧（可行的见解）。

DIKWP语义模型可以看作是一个相互关联的元素网格，而非简单的层次结构。一个5x5的DIKWP转换矩阵为分析和理解五个认知元素（数据(D)、信息(I)、知识(K)、智慧(W)和意图(P)）之间可能的相互转换和关系提供了一个系统化的框架。该矩阵结构列举了每个元素与其他每个元素之间所有可能的转换关系，如表2所示。矩阵中的每个条目代表从行元素到列元素的潜在转换（例如，D→I表示将原始数据转换为信息；W→P表示使用推荐的行动来实现一个意图）。

表2：DIKWP 5×5转换矩阵

这个矩阵展示了五个DIKWP元素之间所有类型的语义转换。如上所示，我们的框架不仅允许“经典”的向上流动（D→I→K→W→P），还允许横向和向下的流动。例如，W→K可能代表从一个决策结果中学习新知识，而P→D可能代表一个意图如何影响要收集哪些数据。这种网格化设计与严格分层的层次结构形成对比，使得所有五个元素之间能够实现丰富的互联互通和反馈。

B. 医患双向映射

儿科护理中的一个核心方法论挑战是弥合患者（及其家庭）与临床医生之间的认知差距。他们通常有不同的视角和术语：父母可能会描述“我的孩子看起来很累，很烦躁”，而临床医生则将其表述为“患者表现出疲劳和易怒，可能是由于血氧饱和度不佳所致”。这些认知框架的不一致可能导致误解、信任度降低或次优决策。我们的框架通过语义模型中的双向映射来解决这个问题。我们明确地在DIKWP图中建模了两个视角：患者/家庭的视角和临床医生的视角（见图2）。每个视角在认知空间中都有其自己的表示，然后通过共享的概念和语义空间进行映射，以使底层含义保持一致。

图2：患者与临床医生视角之间的DIKWP双向映射

为解决这个问题，我们首先将医患沟通挑战分为两类：

1. 标准解释问题： 对应于数据和信息层面相对直接的错配（例如，术语混淆、事实缺失）。

2. 认知失调问题： 对应于涉及智慧和意图更高层次的语义错配（例如，意图、治疗理由、长期理解）。

为了形式化这个映射过程，我们定义了5x5的转换矩阵，这些矩阵代表了DIKWP层次在患者和临床医生视角之间的语义对齐。 代表从患者/家庭认知状态到临床医生认知表示的转换。 代表逆向转换，有助于将临床输出转换为患者可以理解的语言。

具体来说，系统在DIKWP图中维护一组节点，这些节点被标记为“患者报告”与“临床医生观察”。例如，父母的观察“孩子吃得不好”成为患者术语中的数据/信息节点，系统将其映射为临床医生术语中的医学概念“食欲减退”。这对应于患者到临床医生矩阵中的  或  转换。这种映射结合了自然语言处理（用于叙述性输入）和本体对齐。我们利用一个儿科本体，其中包含通俗术语和医学术语作为同义词或相关概念（临床术语来自SNOMED CT等来源，通俗术语来自消费者健康词汇）。语义空间在这里至关重要：它捕捉了相同底层语义内容的不同表达之间的关系和等价性。因此，父母语言中的“烦躁不安”在语义网络中与临床语言中的“易怒”相联系，这是  转换的一个实例。

系统架构

所提出的系统架构旨在将DIKWP框架在实际医疗环境中操作化。它由几个关键组件以模块化方式组织而成，如图3所示。该架构无缝整合了数据提取、语义处理、推理和用户交互层，为主动儿科健康管理创建了一个持续的反馈循环。

图3：基于DIKWP的儿科健康管理系统架构

该系统摄取多源数据，通过推理引擎将其送入DIKWP语义层，并通过临床医生和患者界面提供输出。意图层影响所有阶段，为持续学习创造了一个闭环反馈。

A. 数据源与摄取

系统的基础是捕获儿童健康状况的各种数据源。这些包括：(1) 电子健康记录 (EHR)；(2) 可穿戴和物联网传感器；(3) 患者报告数据；(4) 影像和实验室结果；以及 (5) 人口健康数据。数据摄取模块实时或定期与这些源接口。

B. DIKWP语义图数据库

架构的核心是DIKWP图，这是一个语义知识库，用于存储和组织跨越数据、信息、知识、智慧和意图元素的信息。当原始数据被摄取时，它被添加为数据节点 () 并链接到相关的本体概念。当系统检测到有意义的模式时，会创建信息节点 ()。知识节点 () 代表结构化的医学知识，而智慧节点 () 则通过对干预措施的评估性推理而产生。意图节点 () 要么是明确提供的，要么是从用户行为中推断出来的。

C. 推理引擎

系统的智能驻留在推理引擎中，该引擎持续在DIKWP图上运行。它有多个组件：一个基于规则的推理引擎和一个机器学习（ML）预测模块，两者协同工作。

D. 本体与语义映射器

支持推理和图的是本体服务，它包含了所有医学概念、症状及其相互关系的正式定义。本体作为DIKWP图使用的模式和词汇表。语义映射器组件使用此本体来标记传入数据，并帮助推理引擎跨概念进行泛化。

E. 用户界面（临床医生与患者）

系统为临床医生和患者/家庭提供量身定制的界面，确保每个用户群体都能与AI进行最佳互动。临床医生仪表板集成到临床工作流程中。它简洁地展示了儿童的状态摘要（趋势、警报、预测）以及任何由AI生成的建议。家庭应用/门户是一个面向父母的移动或Web应用程序。它将系统的输出翻译成通俗易懂的语言，侧重于可操作的信息和教育。

结果与讨论

案例场景

我们现在通过一个代表性的用例场景来说明所提议系统的实际运作。这个例子展示了基于DIKWP的主动系统如何在真实的儿科环境中运作，突显了数据、推理和人类利益相关者（临床医生和家庭）如何通过动态知识图进行互动。

背景： 艾玛是一名10岁的女孩，患有中度持续性哮喘。传统的护理方式是被动的——她通常在病情急性发作后才去诊所就诊。在我们的系统中，她的意图节点被定义为“维持哮喘控制，以便她可以不间断地上学和踢足球”。

场景： 艾玛的家人参加了由AI驱动的主动护理项目。她开始佩戴智能手表，并使用联网的峰值流速仪和吸入器传感器。这些设备每天将数据流式传输到系统，包括呼气峰值流速（PEF）、夜间咳嗽频率（通过声音分析应用检测）、急救吸入器使用情况和体力活动水平。这些输入被摄取到系统的数据层，在那里它们被标准化并存储为结构化的数据节点。

在一周的时间里，系统检测到峰值流速逐渐下降，夜间咳嗽频繁，并且对急救药物的依赖增加。这些观察结果被语义聚合为信息节点。然后，推理引擎对这些信息节点应用符号推理，生成知识层面的解释，例如“哮喘控制不佳”和“疑似即将发作”。

这些知识解释激活了智慧层面的建议，例如“建议升级治疗”。在最终确定这些行动之前，系统会检查每个建议是否与临床医生或家庭定义的意图层意图（如“确保上学参与”）一致。一旦确认行动一致，系统就会监控结果。

图4：艾玛哮喘场景的DIKWP推理链

图5：DIKWP语义跃迁频率热力图（基于艾玛案例）

图6：DIKWP推理路径评估（基于艾玛案例）

这个场景展示了我们DIKWP框架的核心优势：一个图结构化的AI，它持续整合现实世界的传感器数据、临床知识和人类定义的意图，以驱动可解释的、与意图对齐的、自适应的医疗决策。

讨论

所提出的意图驱动的儿科健康管理框架与传统的被动模型相比具有显著优势，但同时也带来了一些在成功实现实际应用前必须解决的挑战。

A. 主动意图驱动方法的优势

我们系统的一个关键优势是它能够预测和预防健康问题，而不仅仅是在问题恶化后做出反应。通过持续分析数据流和趋势，系统能够实现早期干预。意图元素的整合确保了所有建议都是以患者为中心并与个性化意图保持一致。另一个优势是改善了协调和沟通。DIKWP系统充当了家庭和临床医生之间的调解人。我们的方法本身提供了高度的可解释性和透明度。

B. 挑战与局限性

尽管有其优势，该框架仍面临技术和实践挑战。一个挑战是可扩展性和性能。另一个挑战是数据质量和集成。此外，还存在围绕用户体验和采纳的挑战。

C. 语义安全与错误缓解

语义安全指的是确保系统的理解和推理保持正确和有意义，避免因误解而导致不正确的行动。我们有多层语义安全保障：本体提供了正式定义以减少模糊性；BUG检测捕捉系统语义出错的情况；以及“人在回路”的设计意味着临床医生可以否决任何“不合理”的建议。

结论

我们提出了一种创新的儿科护理方法，将护理模式从被动的治疗转变为以意图为导向的主动管理。我们整合了DIKWP语义模型——在经典的数据到智慧的层次结构上增加了明确的意图元素，以确保每一个数据点和每一个AI驱动的建议都与儿童的健康意图和整体福祉保持一致。

我们的框架结合了丰富的语义表示、可解释的推理和持续学习，创建了一个能够预测问题、提供个性化指导并促进家庭与临床医生之间协作伙伴关系的AI辅助医疗系统。通过一个用例场景，我们展示了该系统处理各种情况的能力，并突出了其具体益处：预防哮喘发作、维持儿童的日常生活以及协调AI、临床医生和家庭之间的决策。

我们讨论了该方法的优势——更早的干预、改善的医患沟通、内在地可解释的AI——以及数据质量、警报疲劳和偏见等挑战。总之，这个意图驱动的语义框架代表了朝着智能儿科护理系统迈出的重要一步，这些系统是预防性的、个性化的、透明的，并且与最重要的事情——儿童的健康和幸福——保持一致。

参考文献

1. Hood L, Flores M: A personal view on systems medicine and the emergence of proactive P4 medicine: predictive, preventive, personalized and participatory. New biotechnology. 2012, 29:613-624. 10.1016/j.nbt.2012.03.004

2. Ackoff RL: From data to wisdom. Journal of applied systems analysis. 1989, 16:3-9.

3. Wu K, Duan Y: Modeling and Resolving Uncertainty in DIKWP Model.   Applied Sciences. 2024, 14:4776. 10.3390/app14114776

4. Gray CS, Grudniewicz A, Armas A, et al.: Goal-oriented care: a catalyst for person-centred system integration. International journal of integrated care. 2020, 20:8. 10.5334/ijic.5520

5. Jiang F, Jiang Y, Zhi H, et al.: Artificial intelligence in healthcare: past, present and future. Stroke and vascular neurology. 2017, 2:230-243. 10.1136/svn-2017-000101

6. Duan Y, Sun X, Che H, et al.: Modeling data, information and knowledge for security protection of hybrid IoT and edge resources. Ieee Access. 2019, 7:99161-99176. 10.1109/ACCESS.2019.2931365

7. Mei Y, Duan Y: The DIKWP (Data, Information, Knowledge, Wisdom, Purpose) Revolution: A New Horizon in Medical Dispute Resolution. Applied Sciences. 2024, 14:3994. 10.3390/app14103994

8. Huang S, Duan Y, Feng Z: Education Reform Based on DIKWP Artificial Consciousness Theory. 2024 IEEE International Conference on Data, Information, Knowledge and Wisdom (DIKW). 2024, 65-72. 10.1109/DIKW64278.2024.00019

9. Binns R, Van Kleek M, Veale M, et al.: 'It's Reducing a Human Being to a Percentage': Perceptions of Justice in Algorithmic Decisions. Association for Computing Machinery, 2018. 1-14. 10.1145/3173574.3173951

10. Abusamra HNJ, Ali SHM, Elhussien WAK, et al.: Ethical and Practical Considerations of Artificial Intelligence in Pediatric Medicine: A Systematic Review. Cureus. 2025, 17:10.7759/cureus.79024

11. Amann J, Blasimme A, Vayena E, et al.: Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC medical informatics and decision making, . 2020, 20:1-9. 10.1186/s12911-020-01332-6

12. Markus AF, Kors JA, Rijnbeek PR: The role of explainability in creating trustworthy artificial intelligence for health care: a comprehensive survey of the terminology, design choices, and evaluation strategies. Journal of biomedical informatics. 2021, 113:103655. 10.1016/j.jbi.2020.103655

13. Ganatra HA: Machine Learning in Pediatric Healthcare: Current Trends, Challenges, and Future Directions. Journal of Clinical Medicine. 2025, 14:807. 10.3390/jcm14030807

14. Chng SY, Tern MJW, Lee YS, et al.: Ethical considerations in AI for child health and recommendations for child-centered medical AI. npj Digital Medicine. 8:152. 10.1038/s41746-025-01541-1

15. Berghea EC, Ionescu MD, Gheorghiu RM, et al.: Integrating artificial intelligence in pediatric healthcare: parental perceptions and ethical implications. Children. 2024, 11:240. 10.3390/children11020240

16. Miller T: Explanation in artificial intelligence: Insights from the social sciences. Artificial intelligence. 2019, 267:1-38. 10.1016/j.artint.2018.07.007

17. Van der Schaar M, Alaa AM, Floto A, et al.: How artificial intelligence and machine learning can help healthcare systems respond to COVID-19. Machine Learning. 2021, 110:1-14. 10.1007/s10994-020-05928-x

18. Rosenbacke R, Melhus Å, McKee M, et al.: How Explainable Artificial Intelligence Can Increase or Decrease Clinicians' Trust in AI Applications in Health Care: Systematic Review. JMIR AI. 2024, 3:53207. 10.2196/53207

转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。

链接地址：https://wap.sciencenet.cn/blog-3429562-1491176.html?mobile=1

收藏

分享