询证医学论文
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇询证医学论文范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
询证医学论文范文第1篇
数据仓库是管理智能循证医学支持系统的基础，搭建数据仓库后，要充分地调取数据仓库的有效资源，必须要有强大的工具对数据仓库的资源进行规划整理。OLAP（On-lineAnalyticalProcessing，在线分析处理或联机分析处理）是一个应用广泛的数据仓库调用方法。它可以根据应用人员的指令，快速准确地对大量复杂的数据进行搜索查询，并以直观的容易理解的形式将搜索结果展示给医院决策者，使他们能够迅速全面地掌握医院的运营现状。
2采用可视化图形操作分析技术
可视化分析技术能够整合各式不同的数据来源或数据仓储系统，利用MicrosoftSQLServerAnalysisServices构建多维结构数据库(Cube)，而后存取、分析商业数据，通过鼠标的拖、拉、点、选，操作各种维度与量值，迅速产生各式的分析图表与统计结果。可视化的图形操作能为用户迅速提供决策报表与在线分析处理(OLAP)等重要分析功能。运用专业工具所提供的报表(Reports)、实时查询(AD-HocQuery)、联机分析处理(OLAP)等重要商业智能的强大分析功能，使医院获得最全面、迅速的数据洞悉能力。具体功能如下：
（1）表定制及报表的整合，在报表灵活性和报表开发易用性等方面具有突出的优势，其报表是通过图形界面下的鼠标拖拽操作来直观的完成的，无须编写任何脚本或者代码，即可实现复杂格式的报表。
（2）优秀的BI前端图形展示功能，支持目前流行的几乎所有图形展现方式；而且图形之间可以任意组合应用，使支持的图形展现方式以几何级的方式增长。
询证医学论文范文第2篇
但是根据现在的情况看来，这项工作还有待加强。中国循证医学中心李廷谦对中医、中西医结合类13种核心杂志进行调查发现，从1980年回顾性查阅至1998年为止，手检13种期刊的临床试验32939篇论文中，属RCT（随机对照实验）者3312篇，占10.06%，为数较少，其中以《中国中西医结合杂志》最多，占24.24%，最低者仅占4.03%。在32939篇论文中符合临床对照试验（Cliniccon-trolledtrial，CCT）者有2522篇，占7.66%，仍以《中国中西医结合杂志》最高，占13.62%，最低者占3.10%。由此表明部分杂志论文质量较低，真正符合RCT者数量有限。除此以外，循证人才的缺乏和循证理念的薄弱也是我国中医学循证的现状，虽然曾有大批人才被派往国外学习循证理念，但是他们大多以临床西医学为主，中医学人才并不多，这直接导致了中医领域循证人才缺乏或质量不高，进一步影响了中医的创新发展。
2将循证医学应用于中医教学实践的思考与途径
2.1对中医学循证的思考
中医学与西方医学大不一样，虽然同属为病人解除病痛的学科，但是有着完全不同的理论体系。中医学建立于临床经验之上，而后有理论；西方医学建立于自然科学，理论先于实践。而循证医学兴起于西方，是西方医学对其基础———自然科学的尊敬；中医学里虽有循证元素，却并未提出类似理论，是出于中医学本身存在着一定的先验性。所以从循证医学被引入国内以来，中医学界对中医学能否循证就一直存在着争议。很多中医专家认为，循证医学就是要完全摒弃医生的个人经验而遵循所谓的经过多中心、大样本的随机、对照、双盲试验所获得的证据循证，因而不适合中医。相对于西医来说，中医师更加重视经验在治疗中的作用，原因是中医强调辨证论治而轻视现代检查技术，这就要求医者具备丰富的临床经验。另一方面，循证医学的核心是证据，但是中医领域的研究成果、文献数量有限、质量也并不高，故而容易出现无证可循的尴尬场面。这些原因让很多人认为中医根本无法循证。但是循证医学更多地是一种理念，它不仅仅是一门由知识堆积起来的学科，也不仅仅是一些技巧性的内容，而是要求医生在医疗过程中具备这样一种思维：根据医生的经验和医学文献，寻找最佳的证据，为患者提供最合适的治疗。它并没有否定经验医学，而是提高了证据的可信性。中医作为经验医学的代表，从来都是重视证据的，也就是一直都有着循证的“基因”。只是中医学所循的证，部分来自经典古籍，部分来自古时的医家医案，甚至有些属于“祖传秘方”。这些治疗方法对一些疾病也许真的存在疗效，但是并没有经过系统的多中心、大样本的随机、对照、双盲试验检验，所以这样的“证据”在现代社会并不具有太大的可信性。在这种状况下，中医想要适应时代生存发展，只有通过提升自己证据的“可信度”。这就要求我们在前人留下的丰富素材的基础上，继往开来，不断创新，在中医的教育实践领域提出适应时代的新的循证观念和循证方案。
2.2如何将循证医学应用于中医的教育实践
2.2.1培养中医学生的循证思维
以前的中医教育传承，大多是学徒制，经验教学远远超过了理论教学，更不用提科学研究，近几十年来，随着各省成立中医学院，中医教育进入了正规教育的时代。但是由于这种教育并没有考虑到中医的特殊性，导致我国这些年来培养的中医药人才专业水平普遍不高，中医行业也青黄不接。循证医学实践的基础是高素质的临床医生、最佳的研究证据、临床流行病学的基本方法和知识、患者的参与这四大要素构成。如果培养不出一批具有循证思维的高素质中医师，那么我们将永远在中医学循证之路上原地踏步。我国循证医学的教育现状并不乐观，很多医学院校的循证教育还仅仅停留在课堂教学与学期末考试的阶段，这导致很多医学生的循证观念还只是简单的文字概念，而并没有形成一种思维模式，更不用说与临床相结合。循证医学并非一门知识性的学科，它的教学必须和临床实践紧密结合起来，才能真正培养出具有循证思维的中医生。教学不必局限在课堂，而应该拓展到临床上，并鼓励学生积极参与。具体的说，可以在学生完成基本的教材学习后，通过见习的方式学习临床医生如何在治疗过程中融入循证思维，也可以要求学生自己对某些文献做出“循证价值”的评价，这样更能训练学生的循证思维。
2.2.2循证观念与辨证施治相结合
询证医学论文范文第3篇
（一）理论考试评价
统一对两组学生进行理论测试，成绩以百分制评分。与传统教学比较，P<0．05
（二）开题报告评价
对两组学生规定时间内完成的开题报告进行评价，评价结果以优秀、合格、不合格表示。与传统教学比较，P<0.05
二、讨论
（一）循证医学指导下CBL教学能有效提高教学效果
GreenML将循证医学描述为“慎重、准确和明智地应用当前所能获得的最好的研究依据，同时结合临床医生的个人专业技能和临床经验，考虑患者的价值和愿望，将三者完美的结合制订出患者的治疗方案”。现代医学教育因为循证医学的出现而出现了一种新的教学模式，循证医学应用于临床教育时，会提供一种以问题为基础的自我教育学习方式，其基本的解决步骤包括：依据临床病历资料提出需要解决的问题；依据提出的问题寻找最好的临床证据；评价证据的真实性、合理性和实用性；结合病人的具体情况和临床专业知识将现有最好的成果应用于病人的诊断及诊疗决策中。循证医学可为多因素疾病的预后及有效治疗提供有力的指导，众多研究者认为循证医学是临床医学教育发展的必然趋势，它必将逐步取代传统的经验医学。以病例为基础的学习(casebasedlearning，CBL)模式是基于以问题为基础的学习(problembasedlearning，PBL)模式发展而来的全新教学方法。1969年Barrows教授首先创立了以学生自学为中心，老师为引导者，自我指导学习及小组讨论为教学形式的PBL教学法。循证医学和CBL教学都强调：寻找发现问题、查找参考资料、解决问题的循环式学习方法。因此循证医学导向下采用CBL教学是打破传统教学模式，提高教学效果的有效方法。
（二）循证医学指导下CBL教学可激发学生创造性思维
目前我国的医学教育，无论是本科生还是研究生，仍然沿用的“理论学习、临床见习再临床实习，最后直接接触临床”的模式。这种模式有它循序渐进的道理，但是却忽略了理论和实际结合思维能力培养以及学生自己分析解决问题能力的培养。而且目前我们的教材大多落后于实际医学前沿发展，传统的理念固然重要，但是接受医学最前沿发展动态对于医学生，特别是研究生是不可或缺的。因为只有了解和掌握了最新的知识才能激发其创造性思维。缺乏创造性这也是目前我们的教育所面临的困境。在神经外科专业而言其医疗技术和理念更新很快，如果仅仅是停留在书本上的知识，那将永远不可能有自己的创造性成果和独特的见解。因此而对于神经外科研究生来说重要的是要学会查阅并运用最新的医学证据来验证并给出最佳的治疗方案，而不仅仅是对传统经验积累的思考。这正符合循证医学的理念和要求。而对于导师，也不能再停留在传统的教学模式，而是要运用更为开放和互动的教学方式，例如CBL、PBL等教学法进行授课，这样才能“授之以渔”。有学者在本科临床教学中运用循证医学取得了良好效果，也说明了循证医学对于医学教育得重要性。而在我们的前期工作中在本科生实践教学中引用CBL教学法也取得了良好效果。
（三）循证医学指导下CBL教学更易调动师生的积极性和互动性
询证医学论文范文第4篇
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