一、网络中的医疗保健（论文文献综述）
穆晓敏[1]（2021）在《老年慢性病共病模式挖掘与防控策略研究》文中提出目的:随着经济快速发展,医疗卫生服务水平提高,人们的预期寿命逐渐延长,老年慢性病人群普遍存在共病现象,共病已成为威胁人类生存与健康的重要隐患。与单一慢性病相比,共病导致患者生活质量下降、药物不良事件风险增加、死亡风险增加、医疗资源消耗增加等,给慢性病防控和管理带来了诸多挑战。但目前慢性病管理侧重于单病种管理,与老年慢性病人群普遍存在共病的现象不一致,开展共病模式挖掘研究对了解共病现状,完善慢性病综合防控体系具有重要意义。如今,在医疗大数据背景下,如何在现有的大量且异构化的医疗数据中挖掘共病模式,提取出能够辅助共病管理的有价值的信息已成为当前亟待解决的问题。因此,本研究基于数据挖掘的方法和技术,对共病模式挖掘与利用的理论与方法展开了深入的探讨,为共病的管理及防控策略提供数据与理论支持。方法:（1）通过对国内外相关文献调研,明晰本文研究的相关理论基础,对共病相关概念进行梳理与界定;探讨共病的影响因素类型及其作用机理;厘清数据驱动共病管理决策的过程;基于信息管理的DIKW体系构建共病模式挖掘与利用模型。（2）基于复杂网络理论的基本思想,提出了整合影响因素的共病模式挖掘方法。利用c2检验和Logistic回归模型分析共病影响因素,抽取疾病-疾病关联关系和疾病-影响因素关联关系建立整合影响因素的共病网络,在此基础上引入重叠社区发现算法识别社区结构,挖掘共病模式。（3）结合共病模式挖掘结果,基于慢性病管理理论和协同管理理论的基本思想,构建老年共病防控机制,并提出具体建议,为政府部门制定公共卫生政策提供理论依据。结果:（1）共病的发生发展受生物因素、心理因素、社会环境因素和生活行为因素的影响,构建了由生物因素、心理因素、社会环境因素和生活行为因素所组成的共病影响因素的花瓣模型,并对生物因素、心理因素、社会环境因素和生活行为因素间的相互作用进行系统阐述。（2）构建了基于DIKW体系的共病模式挖掘与利用模型,共病模式挖掘与利用模型是由共病数据（数据层）、共病中的关联信息（信息层）、共病模式（知识层）和共病管理（智慧层）组成,基本要素之间的转化通过数据驱动实现。（3）选取中国健康与养老追踪调查CHARLS项目2015年调查数据作为数据来源,利用本研究提出的共病模式挖掘方法识别中国老年慢性病人群的共病模式。影响因素分析结果显示,年龄、疼痛、睡眠时间、基本生活活动能力障碍、肥胖、抑郁、生活满意度是老年慢性病人群共病的影响因素;识别出的共病模式包括5个社区,包括{高血压、血脂异常、糖尿病、心脏病、24≤BMI<28、BMI≥28}、{慢性肺部疾病、哮喘、70-79岁、BMI<18.5、对生活满意度一般、睡眠时间<4小时}等。（4）通过共病管理现状分析发现存在制度不完善、信息不对称等问题,结合共病模式挖掘结果,提出以全人管理、分类指导、预防为主和全面协调的基本原则,构建慢性病共病防控模式,分析共病管理中政府、医疗机构、社区和患者参与主体的职责,提出共病防控的主要措施。结论:（1）共病模式挖掘与利用包含了数据收集与预处理、共病关联关系抽取、共病模式挖掘和共病管理决策,其核心任务是利用共病模式挖掘结果,驱动共病管理决策。（2）提出的整合影响因素的共病模式挖掘方法,既可以发现疾病之间的关联关系,又可以发现共病模式与影响因素之间的潜在关联。（3）利用提出的整合影响因素的共病模式挖掘方法,识别出中国老年慢性病人群的共病模式。（4）基于共病模式挖掘结果,可以为共病管理决策提供服务,优化共病防控策略。
戴丹[2]（2020）在《组件自适应的神经网络架构研究》文中进行了进一步梳理随着信息时代的来临,人工智能从学术研究转变为应用驱动,智能系统用于认知、识别、分析和决策等方面,其本质和最终目标是模拟人类意识与思维的过程。由于大量数据、复杂的深度非线形模型和计算性能,造就了深度学习当前的技术发展,掀起了人工智能的新一轮浪潮,因此数据收集、整理、算法设计及高性能计算等技术对智能发展起着关键核心和驱动作用。网络组件是各种神经网络模型的基础组成和关键特色之处,如卷积神经网络中的卷积、池化等组件。如何对这些组件进行有效的超参数设置和方法设计,在可能的超参数空间中进行搜索,是整个架构能够高效训练及应用的基础。通过组件的相关基础研究,不同数据场景下需要不同的网络组件及超参数设置,而充足的数据是训练智能模型的前提条件,任何关键技术和模型都需要在数据的支撑下进行场景应用,使智能技术在各个产业上进行大规模的应用与发展。随着神经网络整体架构规模设计越来越大,越来越深,网络节点也随之越来越多,训练过程都需要耗费大量资源,因此如何有效的减轻计算资源负担且能保证模型一定的性能是未来后续工作的一个研究重点。根据神经网络中存在的数据、模型问题,本文分别从网络组件、数据应用和浅层架构延展来设计,根据“网络组件-场景分析-架构延展”脉络的主要挑战和研究思路,聚焦于以下三个研究点来开展研究工作:（1）通过对卷积网络中的卷积核组件进行自适应选取、特征融合和浅层网络中恒等映射分析,提出Tception模型;（2）分析中文医疗文本问答数据特性,设计网络组件关系,提出Tception CAE模型并进行聚类应用,通过实验来探讨每种类别间的语义关系和主题分析;（3）根据生物细胞的新陈代谢机制,结合神经网络中节点资源消耗等问题,通过隐藏层神经元的新增与自噬过程,利用不同方法进行参数学习,从而使得模型架构自动进行延展,形成动态延展网络架构。首先,如何对超参数进行自适应设置和组件结合操作是神经网络设计的基本问题,本文聚焦于卷积神经网络,针对多卷积核设置需先验知识和不同场景下特征融合方法的重要性,根据卷积核自适应选取、特征融合与恒等映射方法分析,提出Tception模型。由于单卷积核特征提取有限,多卷积核可以获取层次复杂特征,捕获信息要素之间的空间相关性,提出基于集成学习理念设计多卷积核自适应选取方法来增加特征多样性;特征融合可从不同层面对数据中的多个特征进行集中性区分,消除特征间的冗余,从特征间关系与融合方式出发,提出四种不同的特征融合方法;特征重用可提高模型性能,提出不同的恒等映射来增强特征传播,鼓励特征重用,进行浅层网络中残差的分析和探索。其次,如何分析数据特性和进行不同场景下的组件选择是应用中的实际问题,本文聚焦于中文医疗文本问答数据,针对如何通过数据特性和场景分析进行模型设计问题,提出基于Tception CAE模型（Tception Convolutional Autoencoder Model）的医疗文本聚类应用。通过医疗平台收集用户医学问答文本数据,用户对病情的描述存在专业性不强、文本稀疏、高维语义、数据标注专业且难、标签信息偏差等情况,设计卷积自编码模型,对无标签数据进行无监督的特征表示学习;根据实际应用任务,依据聚类集成思想对卷积核进行选取;从数据特性层面考虑基本网络组件设计,通过真实的文本数据对网络组件中所提方法进行各种实验比较,获取聚类结果各科室间的语义关系、主题词云及问答关联分析。最后,如何有效的减轻神经网络模型计算资源负担,但能保证模型一定的性能是未来深度学习研究的重点问题,受细胞新陈代谢具有增殖和自噬作用启发,聚焦于每层神经元数的自我调节机制,针对如何通过增殖新神经元和吞噬衰变神经元来进行网络代谢,提出从网络神经元角度设计普遍适用性的动态延展网络DSN（Dynamic Stretch Network on Broad Direction）。DSN利用网络动态增长来科学、全面地探讨浅层神经网络的延伸行为,首先初始化给定一个小的网络模型,根据DSN中提出神经元新增条件,借鉴元学习方法,静态或动态技术生成新的隐藏神经元,利用不同技术为这些引入的神经元进行权值学习。为了保持模型的高效性,结合网络中的自噬条件,在网络更新前筛选出需要删除的神经元进行淘汰。研究网络模型的自我调节功能,节约资源,提高效率。
尚丽维[3]（2020）在《在线医疗社区信息交互关系网络关键节点影响力研究》文中研究指明在线医疗社区作为践行新医改背景下“健康中国”建设的重要支撑,是现代医疗领域中知识交流与分享的新平台,社区成员的信息交互过程能够促进医疗知识高效扩散,关键节点成为在线医疗社区信息交互关系网络中的重要力量。在线医疗社区能够助力医生患者信息交互实现信息互联互通,它的健康发展需要关键节点影响力的正向推动。在线医疗社区是现阶段医疗服务系统变革过程中的新兴事物,对提升人民健康水平、促进医疗服务发展和全面贯彻落实总体国家安全观具有重要意义,如何准确把握在线医疗社区信息交互关系网络关键节点影响力提升的重要性,全面总结出在线医疗社区信息交互关系网络关键节点影响力机理认识、关键节点识别方法、关键节点动态演化规律以及关键节点影响力评价工作中存在的提升困境,从而提出在线医疗社区信息交互关系网络关键节点影响力提升策略的建议,需要政府和平台管理者注意到新兴事物中蕴含的一系列新现象以及底层逻辑,这些从关键节点影响力视角探究发现的在线医疗社区信息交互关系网络中的新现象和新规律能够更好地指导未来在线医疗社区的实践提升工作。本文以在线医疗社区信息交互关系网络关键节点为研究对象,在系统梳理国内外在线医疗社区信息交互关系网络关键节点相关研究的基础上,运用文献分析、实证分析、比较分析和社会网络分析等研究方法,结合信息负载理论和约束理论,对在线医疗社区信息交互关系网络关键节点进行了深入研究,提出关键节点影响力的机理框架和解释模型,挖掘在线医疗社区信息交互关系网络关键节点及演化规律,探索以在线医疗社区信息交互关系动态网络为基础的关键节点影响力的评价方法,并提出关键节点影响力提升策略的相关建议。本文的研究工作主要有:第一,对在线医疗社区信息交互行为进行分析。首先,本章对在线医疗社区成员信息交互行为的内涵进行了系统的梳理,提出本文所认为在线医疗社区成员信息交互行为的定义;其次,分析了在线医疗社区成员信息交互行为的角色,对各类角色的属性、作用和价值进行讨论;接着,思考了在线医疗社区成员信息交互行为的过程,并按照具体类型进行区分和整合;最后,总结出在线医疗社区成员信息交互行为的特征,分别论述各自特征的含义与内容。第二,探究在线医疗社区信息交互关系网络关键节点影响力的形成机理。首先对在线医疗社区、信息交互、信息交互关系网络、关键节点和约束理论的理论基础进行了阐述,综合提出在线医疗社区信息交互关系网络关键节点影响力机理框架;其次,借鉴约束理论,构建了在线医疗社区信息交互关系网络关键节点影响力模型,阐述了信息交互能力、信息交互关系强度以及信息负载能力与关键节点影响力之间的内在关系;最后,在该理论框架和模型的指导下,通过Python语言编程获取百度贴吧HPV主题的用户数据,利用社会网络分析工具Gephi,构建百度贴吧HPV主题的信息交互关系网络,并对在线医疗社区信息交互关系网络关键节点影响力模型进行检验。第三,挖掘百度贴吧HPV主题的信息交互关系网络关键节点及演化规律。首先,界定了在线医疗社区信息交互关系网络关键节点影响力的基础概念、明确了关键节点及演化规律的研究方法和技术路线;其次,通过反复开展探索性实验,利用社会网络分析方法,以百度贴吧用户关注关系作为构建信息交互关系网络的基础,对节点中心性进行分析,对关键节点的现实身份进行细分;对信息交互关系网络主导结构分析,对关键节点特征值的分布规律作进一步判断;对关键节点进行分析,从关键节点类型构成将关键节点划分为信息交互达人型、信息交互主动型、信息交互被动型和信息交互懒惰型四种类型,并通过对用户发帖和回帖内容、以及访问用户主页判断关键节点的现实身份。最后,对实验结果进行讨论,发现未曾受重视却具有现实启发意义的现象,需要政府和平台管理者注意到这类新现象。第四,基于信息交互关系动态网络的在线医疗社区关键节点影响力评价研究。首先,对相关概念及理论进行阐述,其次,构建在线医疗社区关键节点影响力评价模型。根据信息交互过程确定两类在线医疗关键节点影响力评价指标,并对具体评价指标释义;利用一种改进的熵权法来确定具有传递性质的指标权重,具有权重分配合理、符合网络动态规律等特点;根据社会网络分析方法计算在线医疗社区关键节点的每个具体指标的观测值实现对评价过程的优化。最后,选取HPV吧开展实证研究,反复爬取社区成员的用户数据,从不同实验权重结果对比分析、不同组别评价结果对比分析、不同时间评价结果对比分析三种不同维度对在线医疗社区关键节点影响力进行动态评价。第五,在线医疗社区信息交互关系网络关键节点影响力提升策略。论述在线医疗社区信息交互关系网络关键节点影响力提升的重要性,针对我国在线医疗社区信息交互关系网络关键节点影响力机理认识、关键节点识别方法、关键节点动态演化规律以及关键节点影响力评价工作中存在的提升困境,利用前文章节得到的机理模型、动态识别思路、演化规律发现、长期评价方案,提出在线医疗社区信息交互关系网络关键节点影响力提升策略的相关建议。既有助于促进在线医疗社区信息交互关系网络的知识分享效率,又有助于减少在线医疗社区中一系列的不安全因素,使在线医疗社区赖以生存和发展的健康信息资源的可信性和科学性得到保障,引领在线医疗社区获得长期的、稳定的运营与发展。本文从理论层面丰富了在线医疗社区信息交互关系网络关键节点的理论体系,深化了社会网络理论的应用领域和范围,为在线医疗社区信息交互关系网络关键节点研究提供科学方法和理论依据,并为在线医疗社区信息交互行为研究提供了新的理论视角。在实践层面,本文为增强在线医疗社区关键节点影响力提供参考依据和建议,为在线医疗环境下关键节点影响力的提升提供方法支持,为在线医疗社区健康发展提供实践启示。在以后的研究中,将继续应用网络爬虫技术获取不同类型的在线医疗社区用户数据,采用社会网络分析方法对不同类型的在线医疗社区关键节点影响力进行分析和刻画,为具有多源异构的特征的不同类型的在线医疗社区的信息交互服务提供更有针对性的指导建议。
曹海苓[4]（2020）在《中国社会化养老服务中的政府职能研究》文中研究说明人口老龄化是贯穿我国21世纪的基本国情。由人口老龄化引发的养老服务保障需求大幅增长,供需矛盾日益突显,给政府老年服务行业治理带来了严峻考验。在传统家庭养老功能弱化以及政府经济上不堪重负的双重压力下,社会化养老成为我国缓解养老负担压力的现实出路。作为一种现代养老方式,社会化养老是指在遵循政府主导和社会力量参与相结合原则下,通过社会途径,由包括政府、家庭、市场、社区等在内的多元服务主体为满足全体老年人的养老服务需求,共担养老服务职能的养老方式。从提供主体视角讲,社会化养老强调养老资源由传统的家庭、政府的一元或二元向包括社区、社会组织、养老机构等在内的多元主体的转化。从社会化养老的客体角度讲,社会化养老面向社会全体有养老需求的老年人,实现了服务对象的普遍化。同时,社会化养老更加强调政府主导作用、市场决定作用以及社区、社会组织、养老机构等养老服务主体专业化服务特征的有机结合。社会化养老服务是完善我国老年福利制度,不断提高老年人生活质量的必然要求,亦是我国社会养老服务体系建设的重要内容。随着养老服务需求的不断增长与需求层次的不断提高,社会化养老服务建设应被提到更加重要的位置。养老作为关系国家政治稳定与社会和谐发展的根本性问题,一方面,其解决得程度如何与执政党的执政成效息息相关,决定民心向背,政府作为执政党意志的集中体现者,应当发挥其在养老服务中的主导作用。另一方面,从政府的本质来讲,政府作为公共权力的掌握者和公共资源的控制者,促使公共利益的实现是其重要的施政目标。养老作为人类生产、生活过程中基础性、现实性的民生问题,直接关乎公共利益,保障与改善民生是政府公共服务的基本领域,是衡量现代政府公共服务水平与能力的重要尺度。自20世纪80年代末中国提出“社会福利社会化”构想以来,养老服务在各个阶段都显露出政府参与的痕迹,依靠政府的行政干预,客观上保障了我国养老服务事业的健康、可持续性发展。然而,政府在干预养老服务过程中也存在管理体制不完善、制度供给缺乏、社会组织扶持培育力度不够、服务主体协同性不足、市场化运行中监管缺失等缺陷与不足,这说明政府在干预养老服务过程中依然未能找准自身的定位,未能真正坚持“有所为有所不为”的原则发挥其职能。由于养老服务兼具政府保障特征和社会公益福利性质,适应新时期政府职能转变的客观需要,培育和扶持多元主体共同参与养老服务事业建设与发展,提高政府社会化养老服务治理能力已是转换政府职能的当务之急。本文从政治学视角出发,立足社会化养老服务领域,借鉴政府职能、准市场、协同治理等理论的精髓和分析框架,以社会化养老为研究背景,以养老服务中的政府职能为研究对象,以政府职能的履行与发挥为主体框架,以政府职能的完善为研究主线,以社会化养老服务中政府职能的核心概念、理论基础、历史回溯、实践形态、域外经验借鉴、具体完善路径为叙事脉络,主要采用文献研究、历史研究、比较研究和实证研究的方法,提出了充分发挥社会化养老服务中政府职能的建议。从政府职能角度开展社会化养老服务研究,系统探讨和分析我国社会化养老服务中政府职能的理论依据及行动策略,合理界定政府职能的内容、边界、存在问题和改进对策,以推动政府在养老服务中承担适度、有效职责。这对于拓展社会化养老服务讨论的政治学理论空间,巩固和维护我国政治和谐稳定的大局具有重要的理论与现实意义。本文可能的创新之处主要体现在:1.构建了政府养老服务职能的理论分析框架。依据政府职能理论,从政府管理过程角度出发,结合社会化养老服务对政府职能的现实需求,将政府职能界定为决策职能、计划职能、组织职能、监督职能等四个要素,厘清了各要素的功能,为我国政府职能理论研究提供了新的视角。同时,在研究工具的选择上,设计了针对负责养老服务政府职能部门以及参与养老服务社会力量的调查与访谈,在系统分析社会化养老服务中政府职能问题上具有一定的工具价值。2.先行研究中存在重客体研究、轻主体研究的现象,对于社会化养老服务发展中的关键主体——政府与社会组织、社区、家庭等其他核心主体联动作用的研究视角关注较少。社会化养老服务是多元主体共同行动的过程,主体间关系结构复杂,行动逻辑不尽统一。处于社会化养老服务基础与核心地位的政府如何在多元主体的互动过程中抽离出不同主体的行动逻辑,进行资源整合与动员,以实现多元主体的合作治理是本文研究的亮点之一。3.研究结论的创新。本文提炼出了中国社会化养老服务中政府职能研究的新的结论,主要表现在以下三个方面:（1）优化政府的决策职能,提高政府社会化养老服务的决策质量。决策过程是政府行政的核心,政府决策是否科学与公正是决定社会化养老服务能否健康顺利运行的关键因素。（2）完善政府的组织职能,构建社会化养老服务中政府与社会的协同关系。我国社会化养老服务供给现状表明,任何单一供给主体独立提供养老服务都存在供给困境,正是在这一背景下,需要整合多方力量重构中国养老社会化服务中的政社关系,建立供给主体协同治理模式,实现政府与社会的“强强联合”。（3）深化政府治理体制的改革。我国政府在行使其职能过程中仍然存在不同程度的错位、缺位与越位问题,说明政府未能准确定位自身作用的边界与范围。因此,本文提出,要从转变政府治理理念,建立多元主体联动机制,提升政府治理能力等方面进一步深化政府治理体制改革。
陈珂[5]（2020）在《A股市场行业板块联动关系分析 ——基于非线性视角》文中研究说明随着中国资本市场快速的发展,A股市场已成长为全球第二大股票市场,金融持续安全和稳健投资收益愈发引起中国政府及各类投资者的重点关注,对股票市场行业指数波动的研究也愈发深入。股票市场行业之间是否具有联动性,以及是否可以利用这种联动性提高投资者的收益率、降低投资风险以及给监管机构提供政策依据已成为值得继续深入探究的问题。本文针对以上问题,以通达信一级行业股指为基础数据,基于非线性格兰杰因果关系,构建了A股市场行业板块收益率联动网络与波动率联动网络,利用社会网络分析方法,分别对收益率联动网络与波动率联动网络进行整体网络结构特征、中心性与块模型分析,对其网络性质和行业关联情况进行深入研究。结果表明:在收益率联动网络中,中国股票市场的各行业板块呈现出稳定的非线性联动关系网络结构,存在互惠性;石油、供电供热、保险、证券与电力5个行业板块处于“中心”地位,与其他行业板块存在的关联数量最多;化纤、供气供热、电力、运输设备、水务等行业为“净溢出”子群,具有明显的溢出效应,而酿酒板块在收益网络中处于边缘位置,且属于“孤立者”子群在收益网络中具有相对的独立性。在波动率联动网络中,非线性联动关系网络结构较为稳定并存在传染性;钢铁、日用化工、商贸代理、电气设备、电信运营与保险等行业板块是造成股市风险交叉影响的重要“桥梁”而家居用品、IT设备、食品饮料行业处于波动网络的“边缘”位置,说明大消费以及行业壁垒较高的高新科技行业的稳定性较好,受整体市场的波动影响较小。最后本文给出了相关投资建议及政策建议:各类投资者应该深入的了解行业之间的关联关系,利用产业链逻辑和行业之间信息溢出方向提高投资收益、降低投资风险;政府机构应加大对“核心”行业和“净溢出”子群相关消息的监管,当重大利好利空消息出现时,及时给予投资者风险提示,同时防止虚假消息扰乱市场,促进整个股票市场稳健发展。
谢锦浩[6]（2020）在《社会网络对我国居民商业性医疗保险支出的影响 ——基于CFPS2018的实证分析》文中指出社会网络关系属于居民个人资本,一方面社会网络在我国表现出独特的特征,另一方面也在各个事情上潜移默化地影响居民的决策。当前我国的社会基本医疗保险具有覆盖广、保障力度不足、个人医疗支出占比过大的特点,随着居民对于个人健康问题关注的加大,商业性医疗保险逐渐得到更多居民的青睐。因此,本文结合社会网络理论和社会网络量化分析法,基于中国家庭动态追踪调查（CFPS2018）的数据,从微观居民个人角度出发,探究和检验了社会网络关系及其他因素对商业性医疗保险支出的影响。通过构建Tobit模型,研究社会网络代理变量对居民个人购买商业性医疗保险的影响,在此基础上加入其他控制变量,更全面地分析影响商业性医疗保险支出的因素。进行异质性分析之后,为了避免居民个人选择性偏误对于社会网络效用评估造成影响,采用倾向得分匹配法进行稳健性检验并尝试消除内生性,以此来探究社会网络关系对商业性医疗保险支出的影响。研究发现:（1）从整体上看,我国居民的亲戚关系、人情礼支出正向促进商业性医疗保险支出,邻里关系负向抑制商业性医疗保险支出。（2）异质性分析来看,在高收入人群组中,亲戚关系、朋友关系、人情礼支出正向促进商业性医疗保险支出,在低收入人群组中,社会网络关系对商业性医疗保险支出的影响更大。东、中、西部居民,尽管在发现对医疗资源的评价上存在差距,但商业性医疗保险支出受社会网络的影响在地区上无明显差异。（3）女性、结婚、受教育程度更高、居住在城市、家庭规模更大、家庭人均收入更高、拥有住房等个体特征的居民在商业性医疗保险支出上会更高且购买意愿更强。（4）通过倾向得分匹配法的稳健性检验,再次验证了社会网络从亲戚关系、邻里关系、朋友关系、人情礼支出四个方面对我国居民的商业性医疗保险支出产生显着性影响。随着我国居民对健康问题和商业性医疗保险的关注日益增大,本文研究有助于政府及保险行业关注社会网络的重要性,从而更好地制定发展规划。
陈子优[7]（2020）在《基于社会网络分析法的高血压医疗服务整合研究 ——以上海市A区为例》文中研究指明随着我国工业化、城镇化、老龄化进程的加快,居民的健康风险加大,慢性病发病人数极速增加。2019年初国家统计局发布的人口数据显示,截止2018年底,60岁以上人口已达到2.5亿,占总人口17.9%,其中慢性病患者近1.8亿。世界卫生组织在2007年提出要用整合的方法消除断裂、碎片化的卫生服务问题,以提高慢性病等各类疾病的医疗卫生服务质量和服务效率。十九大报告和卫生体系总体发展纲要中均提出发展整合卫生体系。以构建整合型医疗卫生服务体系为最终目标,通过开展分级诊疗制度、推进医联体建设探索符合我国国情的整合医疗服务路径,但是整体发展缓慢,探索还处于初步阶段,距离以健康需求为导向为人民群众提供全方位全周期服务的要求还有很大差距。根本原因在于整合医疗卫生服务过程中的关键节点、重要环节以及存在的主要问题等尚不明确,亟需基于实际的健康大数据,运用科学的方法,系统性地开展以健康需求为导向的整合型医疗卫生服务体系研究。为此,本文以上海市A区慢性病高血压为例,收集分析该病种相关的健康大数据;在此基础上,主要运用社会网络分析方法,探究整合型医疗卫生服务网络的断裂点,分析整合型医疗卫生服务体系构建中应关注的重点问题,从而为破解我国高血压等慢性病医疗卫生服务整合难题提供政策努力的方向。首先,运用文献法,全面梳理了国内外整合医疗服务相关研究成果,并指出了存在的不足。国外已较多的开始使用社会网络分析方法研究复杂疾病的医疗服务整合过程,并多已取得实际成效;而国内文字性定性研究居多,鲜少有研究者基于此方法探究慢性病或复杂疾病的医疗服务整合,具体实践效果也有待于进一步提升,这为本文以特定病种——高血压为例,运用社会网络分析方法定量分析研究医疗机构之间的整合提供了研究空间。其次,收集整理了高血压整合服务相关数据,并依据研究目的确定多项网络研究指标,提出了以上海市A区为例,探究医疗机构这一关键的利益主体之间合作现状的研究方案。将健康信息系统中具有患病率高、发病率高、复发率高、危险因素可预防等特点的高血压病患者人群的就诊和转诊情况转化为医疗机构的接诊与转诊情况,运用社会网络分析法对上海市A区各级医疗机构的健康大数据开展贯穿“预防—治疗—康复—预防”整个流程的医疗卫生服务整合研究。再次,以上海市A区为例,开展了高血压医疗服务整合实证分析。主要运用社会网络分析方法,对度中心性、特征向量中心性、中介中心性、凝聚力和紧密度多指标进行了深入系统分析。综合运用指标值测算和可视化图研究各级医疗卫生服务提供方之间、以及整体医疗服务方网络的关联程度,从定性、定量、网络图三方面进行了直观呈现和剖析,明确了各医疗机构的贡献度和重要性,并找出了提高网络紧密度的关键点。最后,根据综合分析结果进行了讨论,提出了相关政策建议。研究结果显示:A区整体呈现联系紧密的状态,同时也存在明显处于边缘位置的社区卫生服务中心;各医疗机构患者分配不均衡;较高层级的医疗机构在医疗服务提供中承担众多任务,医疗服务负担重;社区卫生服务中心水平差异大。依据研究结果,完善健康信息网络、提高基层医疗专业服务能力是基础,有利于促进医疗机构之间加强互联互通,打破高层级医疗机构负担重、患者分布不均的局面。在建立覆盖全人群的健康信息系统的同时,要更新仅在服务提供方实现信息共享的思路,更注重需求方与供给方双方的信息共享的实现。在整合工作中要十分注重将平衡各方利益的思想贯穿到医疗卫生服务整合的全过程,并采用激励方式使医生执业灵活化,推进整合医疗卫生服务工作落地落实。
樊晋华[8]（2020）在《基于区块链的药物历史溯源系统研究与实现》文中指出在大数据时代,患者的历史用药记录往往都是高度隐私并且极度敏感的,这些用药信息的丢失和泄露都可能被商业所利用或导致诈骗交易,如何安全可靠的存储这些数据并且进行可信的溯源对于患者的健康和医疗机构的长远发展都有着重大意义。目前医疗机构依赖于集中式系统来存储以及溯源药物历史数据。然而,这种方式缺乏有效的机制来确保从一个医疗机构转移到另一个机构的药物历史数据是准确,安全和值得信赖的。以及如何保证处方者只有获得患者批准才拥有患者处方记录溯源的权限。所以本文进行了基于区块链的药物历史溯源系统的研究,利用区块链的优势来管理和追溯药物历史记录。具体主要工作包括:首先,为解决中心化系统的安全问题,采用去中心化模式,对其安全性、可靠性进行了研究讨论。并且对于药物数据采用加密存储的方式,保障了数据的准确性与完整性。其次,跨机构对于药物数据要进行共享和溯源,这需要患者的授权。系统中处方医生为患者开药,然后通过患者的公钥加密处方。医疗机构经患者授权,可以从医疗机构的不同历史中查询用药记录,然后通过私钥解密处方。从而保证了医疗机构不再能够在用户不知情的情况下随意使用用户数据,实现了存储和使用的权限分离。此外,实现数据的不可篡改,可溯源,传统模式对于药物数据记录变更的处理方式存在安全风险,系统将通过智能合约链码对执行的所有数据处理交易记录到链上,从而无法被篡改,降低信息敏感患者用药记录泄露的风险。并且由于将交易存储在区块中,因此可以进行数据的溯源。保证了交易的可追踪性。最后通过对系统的测试评估表明了本文研究实现的基于区块链的药物历史溯源系统的有效性和可用性。
孙晨菲[9]（2020）在《基于异构信息网络的医疗保险反欺诈关键问题研究》文中指出随着互联网和大数据的发展,越来越多的企业和政府机构采用信息化技术来进行交易活动或者提供服务,如信用卡业务、医疗保险、汽车保险等。信息化在为合法用户提供便利的同时,也使得欺诈者拥有了新的欺诈途径。统计数据表明欺诈活动在全球范围内每年造成的经济损失高达数千亿。信用卡和财产保险等领域的欺诈检测已被广泛研究,但有些领域如医疗保险领域由于其数据及欺诈行为独有的特点,面临着更多的挑战和困难。医疗保险数据指医疗保险业务过程中获得的数据,包括医疗机构、患者、住院记录以及基金等异构信息。除了海量性、异构性等大数据共有的特点外,医疗保险数据具有领域知识粒度较为粗糙、离散性、冗余性等特性。医疗保险数据的上述特性加剧了医疗保险欺诈识别的困难程度。与此同时,医疗保险欺诈本身也面临比其他领域更复杂的情况。1)医疗保险欺诈主体类型并不单一。2)有些欺诈者了解充足的领域知识,能够巧妙躲避反欺诈规则,伪装成正常用户实施欺诈行为。3)当欺诈者有组织地进行合谋欺诈时,分析个人的行为将无法挖掘出欺诈记录。4)医疗保险涉及不同类型的主体,如医院、患者、诊疗项目等。除了单一实体的行为分析之外,欺诈线索还可能隐藏在不同实体的交互过程中。现有的大多数数据驱动的医疗反欺诈研究都集中在统计分析和机器学习算法的使用上,如聚类、k-最近邻、决策树、神经网络等。但是,这些方法总是具有较高的假阳性率（将正常医疗记录判定为欺诈记录）,因为正常患者也可能会有一些违反正常模式的行为,而欺诈者可能会努力模仿正常行为,使他们看起来“正常”。一个有效的医疗保险欺诈检测算法需要满足可解释性和高精度等要求。针对反欺诈面临的上述挑战,结合医疗保险数据的特点,本文利用异构信息网络对医疗保险数据进行建模,从异构信息网络的社区划分/极大团枚举/频繁子图挖掘等方面进行探讨和研究,以医疗保险为研究背景,提出针对于不同欺诈类型的反欺诈算法。主要的研究内容和贡献包括以下方面:1)针对骗取药品欺诈者的伪装识别问题,本研究提出基于患者集散程度的反欺诈算法,将患者的时序行为与异构网络社区划分算法相结合,可以对抗欺诈者的伪装行为。本研究定义了病人住院记录相似度计算方式并通过基于图的密度峰聚类算法对患者进行聚类,进而对每个聚类类别进行了语义抽取工作,这能够帮助了解每个聚类类别背后的含义。当病人相似度和病人就医行为相似度之间存在较大冲突时,该病人为疑似欺诈者的概率较高。基于病人集散程度的医疗保险欺诈者检测方法-PCDHIFD考虑在整个期间每个病人的入院记录情况,由于欺诈者的伪装行为通常只会持续很短一段时间,该方法可以检测医疗保险欺诈者免受欺诈者伪装行为的干扰。实验结果表明,PCDHIFD在伪装存在的情况下可以显着提高欺诈者检测准确率达到87%,优于已有算法超过15%,且聚类语义抽取工作增强了算法的可解释性。2)针对医患合谋骗取医保基金识别问题,本研究提出基于极大团挖掘的合谋欺诈检测算法,通过两阶段基于H图的极大团挖掘算法来减少计算复杂性,可以帮助检测合谋欺诈。本研究将挖掘出的特异群组进行分类,区分特异群组究竟是因为合谋欺诈而产生还是周期性等因素而产生。最终将由于欺诈产生的特异群组作为疑似欺诈者交由人工进行稽查。在医疗保险背景下,针对慢性病合谋刷卡套现问题,首先构建病人就医邻接图,通过极大团挖掘算法找出特异群组。进而对特异群组进行分类（合谋欺诈产生/慢性病就医周期性产生）。将由于欺诈而产生的特异群组中所包含的病人视为疑似欺诈者。基于异常群体的联合欺诈者检测方法（AGJFD）可以将可疑的合谋欺诈者与因周期性而碰巧具有高度相似性的人区分开,因而可以确保反欺诈结果的高精度。此外,本研究通过提出两阶段基于H图的极大团挖掘算法来减少计算复杂性。医疗保险数据集上所做的大量实验表明,本研究的方法在精度方面大幅度优于现有方法,可以达到94%。3)针对虚报慢性病欺诈识别问题,本研究提出基于频繁子图挖掘和社区划分的慢性病欺诈识别算法,重新定义了候选集的选取方案,可以帮助了解包括罕见病在内的慢性病进展,这对于发现慢性病欺诈和降低医疗成本非常有用。基于频繁子图挖掘和社区划分的慢性病欺诈识别算法HNCDPM考虑同一疾病的不同用药阶段并获得两种模式-不同慢性病在时间上的模式（表明不同种类的慢性疾病之间的时序关系）以及同一慢性疾病的不同阶段之间的模式（表明慢性病不同阶段对应的不同治疗方案）。这两种模式可用于帮助发现慢性病欺诈。本研究的方法能够挖掘白血病等罕见疾病的临床路径,这对于传统的子图挖掘方法是不可能的,因为罕见疾病节点将在寻找频繁候选集步骤中被移除。同时,本研究的方法考虑了同一疾病的不同用药阶段,这对于了解慢性疾病进展更有意义。而现有的疾病进展挖掘方法认为相同诊断即是相同疾病并且忽略相同疾病的不同用药阶段。大量实验表明,本研究的方法在识别准确率中可以超过现有方法约20%。4)针对可疑患者欺诈者检测问题,本研究提出基于就诊图的患者欺诈者检测算法,提出就诊网络的概念并捕获患者、就诊记录和医院之间的相互关系。由于医疗保健治疗的复杂性和连续性,很难通过单一的就诊记录来判断欺诈行为。已有的欺诈者检测方法通常考虑实体的行为并将欺诈者视为异常,忽略了不同实体间的复杂关系。本研究利用患者可信度,就诊真实性和医院权威值之间的相互关系来检测患者欺诈者。该方法显示了就诊图中的信息如何指出欺诈者的原因,并揭示了不同类型的欺诈者的重要线索。实验结果表明该方法的准确率要比已有算法高出超过10%。
朱笑笑[10]（2020）在《微博环境下乳腺癌防治健康信息的传播特征及公众关注度分析》文中指出目的了解2019年微博环境下乳腺癌防治健康信息传播的实际情况,掌握健康信息、传播主体、受众群体的特征。挖掘健康信息的时序特征及主题特征,传播主体对信息资源的掌握度及信息扩散能力等特征,公众关注的健康信息特征及信息的主题特征。综合分析乳腺癌防治健康信息传播网络的特征、传播主体的网络结构特征,以及公众对微博健康信息的关注度。为提高微博环境下健康信息的传播效率,充分发挥新浪微博的健康宣教作用提出建议,为有关部门及时掌握公众关注的健康信息主题,有针对性地科普公众亟需的健康知识提供参考,为提高公众健康素养,促进“健康中国”战略目标的实现提供支持。方法确定2019年在新浪微博平台上传播乳腺癌防治健康信息且具备医学背景的用户,采集主题相关微博的内容、评论数、转发量等数据。基于新闻传播学的理论及情报学的方法与工具,采用数据统计软件Excel、社会网络分析软件Ucinet以及内容文本挖掘软件ROST Content Mining处理数据。通过社会网络分析法挖掘信息传播网络的整体特征、局部网络的特征,以及传播主体的节点属性特征,梳理健康信息的扩散路径,分析健康信息的传播效率。采用内容分析法挖掘健康信息的高频词汇及核心主题,厘清用户传播的健康信息主题,网络核心用户传播的健康信息主题,以及公众关注的健康信息主题,分析公众关注的微博特征及健康信息偏好。深入挖掘健康信息、传播主体及受众群体的特征,总结微博环境下乳腺癌防治健康信息的传播特征以及公众对健康信息的关注度等。结果（1）基于新浪微博平台的活跃用户发挥了针对乳腺癌防治的健康宣教作用,“乳腺科杨青峰”等活跃用户是微博健康科普的主要力量。但各用户健康科普的活跃度存在差异,部分用户更新健康信息的频率较低。30.34%的用户发布了 89.15%的乳腺癌防治健康知识,微博健康信息来源较为单一。（2）微博环境下乳腺癌防治健康信息的传播效率较高,促进了健康信息的全网络快速流动。微博健康信息的主题主要包括乳腺癌的诊断及治疗、乳腺癌的预防及健康指导建议、乳腺疾病的种类及疾病表征、乳腺癌防治相关研究进展等,涵盖疾病预防、诊断、预后等全方面的健康指导建议。并且,健康信息的内容形式多样,包括一对一问诊、典型症状描述等科普形式以及网页链接、图片展示等健康知识呈现方式。（3）公众对于微博环境下医生、医疗机构、健康资讯平台等专业用户传播的乳腺癌防治健康信息较为关注,通过转发、评论、点赞微博表达对微博健康科普较感兴趣。公众重点关注乳腺癌诊断及治疗、乳腺癌防治研究进展等相关的健康信息。由于微博健康信息的易读性较好且可读性较高,公众能快速获取、理解、掌握健康指导建议,提高健康信息素养并做出正确的科学决策。结论（1）互动频率较低的用户需加强关注关系的形成,提高与其余用户联系交流的紧密度,畅通健康信息的传播路径,促进形成稳定且较短的信息传输通道。位于信息传播网络关键节点的用户需扩大影响力,发挥节点高效传播健康信息的优势,促进信息的大范围高效扩散。（2）认证信息中包含“乳腺癌”的用户需利用身份优势以及微博平台的优势进行健康科普,鼓励青年医生利用新浪微博分享典型病例、交流工作经验,提高微博健康信息的更新速度,丰富微博健康知识数据库。鼓励位于传播网络核心等重要位置的用户提高健康信息的更新频率,加强健康科普的活跃度,充分发挥粉丝数量众多的优势,吸引更多普通群众关注乳腺癌的预防及治疗。（3）鼓励“乳腺科吕鹏威”、“乳腺外科杨青峰”等活跃用户加强发挥能够有效促进信息扩散的网络节点属性优势,促进多来源、多主题、多类型的健康信息在全网络快速传播,鼓励医生、医疗机构、健康资讯平台等专业用户进一步关注并转发乳腺癌研究进展相关的健康信息,鼓励用户重点关注并扩散男性乳腺癌、低龄患者等更新频率较慢且公众关注度较低的健康信息,促进公众获取更加全面的乳腺癌防治健康知识,提高公众对疾病的认知及早期症状的敏感性,进一步提高患者的早期就诊率。
二、网络中的医疗保健（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、网络中的医疗保健（论文提纲范文）
（1）老年慢性病共病模式挖掘与防控策略研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.1.1 研究目的 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据来源及共病患病率 |
| 1.2.2 共病的影响因素研究 |
| 1.2.3 共病模式识别方法研究 |
| 1.2.4 共病管理相关研究 |
| 1.2.5 相关研究成果述评 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2章节安排 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 第2章 相关概念及理论基础 |
| 2.1 共病的概念 |
| 2.2 生物-心理-社会医学模式 |
| 2.2.1 医学模式的转变 |
| 2.2.2 医学模式的内容 |
| 2.2.3 医学模式对共病的指导意义 |
| 2.3 复杂网络理论 |
| 2.3.1 复杂网络相关概念 |
| 2.3.2 复杂网络的统计特性 |
| 2.3.3 复杂网络社区发现 |
| 2.3.4 复杂网络在共病模式识别中的适用性 |
| 2.4 协同管理理论 |
| 2.4.1 协同理论 |
| 2.4.2 协同管理理论 |
| 2.4.3 协同管理在共病管理的适用性 |
| 2.5 慢性病管理理论 |
| 2.5.1 慢性病管理概况 |
| 2.5.2 慢性病管理模式 |
| 2.5.3 慢性病管理的过程 |
| 第3章 共病模式挖掘与利用的理论研究 |
| 3.1 共病的影响因素分析 |
| 3.1.1 生物因素 |
| 3.1.2 心理因素 |
| 3.1.3 社会环境因素 |
| 3.1.4 生活行为因素 |
| 3.1.5 共病影响因素的花瓣模型 |
| 3.2 整合影响因素的共病模式问题研究 |
| 3.2.1 整合影响因素的共病模式问题分析 |
| 3.2.2 整合影响因素的共病模式研究框架 |
| 3.3 数据驱动的共病管理决策流程 |
| 3.3.1 数据驱动决策过程 |
| 3.3.2 数据驱动的共病管理决策过程分析 |
| 3.4 基于DIKW体系的共病模式挖掘与利用模型 |
| 3.4.1 DIKW体系 |
| 3.4.2 基于DIKW的共病模式挖掘与利用模型构建 |
| 第4章 整合影响因素的共病模式挖掘方法 |
| 4.1 整合影响因素的共病模式挖掘流程 |
| 4.2 整合影响因素的共病网络构建 |
| 4.2.1 疾病-疾病关联的一模网络 |
| 4.2.2 疾病-影响因素关联的二模网络 |
| 4.2.3 整合影响因素的共病网络 |
| 4.3 基于重叠社区发现的共病模式识别 |
| 4.3.1 重叠社区发现的适用性 |
| 4.3.2 LFM算法的原理和步骤 |
| 4.3.3 节点重要性分析 |
| 4.4 共病模式挖掘方法评价研究 |
| 4.4.1 评价原理 |
| 4.4.2 对比方法的选择 |
| 第5章 基于CHARLS的我国老年共病模式挖掘与分析 |
| 5.1 数据来源与预处理 |
| 5.1.1 数据来源 |
| 5.1.2 数据预处理 |
| 5.2 老年共病影响因素分析结果 |
| 5.2.1 老年共病的患病情况 |
| 5.2.2 共病影响因素的单因素分析 |
| 5.2.3 共病影响因素的多因素分析 |
| 5.3 老年共病模式挖掘结果 |
| 5.3.1 共病关系抽取 |
| 5.3.2 共病网络 |
| 5.3.3 共病模式 |
| 5.4 共病模式挖掘结果评价 |
| 5.4.1 结果评价 |
| 5.4.2 方法对比评价 |
| 第6章 老年共病防控策略研究 |
| 6.1 共病管理现状研究 |
| 6.1.1 现状分析 |
| 6.1.2 存在问题 |
| 6.2 共病防控机制 |
| 6.2.1 基本原则 |
| 6.2.2 模式构建 |
| 6.3 参与主体的主要职责 |
| 6.3.1 政府层面 |
| 6.3.2 医疗机构层面 |
| 6.3.3 社区层面 |
| 6.3.4 个人层面 |
| 6.4 共病防控主要措施 |
| 6.4.1 加强危险因素的综合干预 |
| 6.4.2 完善慢性病信息系统建设 |
| 6.4.3 借助新媒体进行健康指导 |
| 第7章 研究结论与展望 |
| 7.1 主要研究结论 |
| 7.2 本文创新点 |
| 7.3 研究局限与展望 |
| 7.3.1 局限性 |
| 7.3.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（2）组件自适应的神经网络架构研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究意义与应用前景 |
| 1.2 神经网络架构研究现状 |
| 1.2.1 深度学习起源和发展 |
| 1.2.2 神经网络架构研究 |
| 1.3 神经网络架构研究主要挑战 |
| 1.4 本文的研究目标及创新点 |
| 1.5 论文主要架构及安排 |
| 第二章 神经网络架构相关研究工作 |
| 2.1 网络架构搜索空间 |
| 2.1.1 基于全局的网络搜索空间 |
| 2.1.2 基于单元的网络搜索空间 |
| 2.2 网络架构搜索策略 |
| 2.2.1 网络结构的演变方法 |
| 2.2.2 网络结构的优化方法 |
| 2.3 集成理论在深度学习中的应用 |
| 2.4 本章小结 |
| 第三章 卷积核组件自适应选取及Tception模型 |
| 3.1 概述 |
| 3.2 准备工作 |
| 3.2.1 问题描述及表示 |
| 3.2.2 集成学习 |
| 3.2.3 卷积神经网络 |
| 3.3 基本框架 |
| 3.3.1 分类中的卷积核选取 |
| 3.3.2 特征融合方法分析 |
| 3.3.3 恒等映射分析 |
| 3.3.4 Tception模型选择 |
| 3.4 实验结果及分析 |
| 3.4.1 实验设置 |
| 3.4.2 实验数据集分析 |
| 3.4.3 Fashion Mnist卷积核选取及对比实验 |
| 3.4.4 20 Newsgroups卷积核选取及对比实验 |
| 3.5 本章小结 |
| 第四章 基于Tception CAE模型的医疗文本聚类应用 |
| 4.1 概述 |
| 4.2 准备工作 |
| 4.2.1 问题描述及表示 |
| 4.2.2 自动编码机 |
| 4.3 基本框架 |
| 4.3.1 卷积自编码机 |
| 4.3.2 聚类中的卷积核选取 |
| 4.3.3 Tception CAE模型结构 |
| 4.4 实验结果及分析 |
| 4.4.0 实验设备和评价指标 |
| 4.4.1 医疗问答文本数据 |
| 4.4.2 聚类数实验分析 |
| 4.4.3 医疗文本数据的卷积核选取 |
| 4.4.4 模型深度对比实验 |
| 4.4.5 实验运行时间和特征融合方法对比 |
| 4.4.6 恒等映射实验效果对比 |
| 4.4.7 模型复杂性与收敛性分析 |
| 4.4.8 聚类结果对比分析 |
| 4.4.9 聚类文本主题展示及问答系统应用 |
| 4.5 本章小结 |
| 第五章 神经网络模型的动态延展学习 |
| 5.1 概述 |
| 5.2 准备工作 |
| 5.2.1 问题描述及表示 |
| 5.2.2 前馈神经网络 |
| 5.3 基本框架 |
| 5.3.1 变化周期 |
| 5.3.2 神经元繁殖 |
| 5.3.3 参数学习 |
| 5.3.4 神经元自噬 |
| 5.3.5 DSN架构设计 |
| 5.4 实验结果及分析 |
| 5.4.1 实验数据集分析 |
| 5.4.2 MNIST实验结果及分析 |
| 5.4.3 Fashion MNIST实验结果及分析 |
| 5.4.4 CIFAR-10实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文取得进展及所做贡献 |
| 6.2 本文研究内容总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（3）在线医疗社区信息交互关系网络关键节点影响力研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在线医疗社区研究现状 |
| 1.2.2 信息交互研究现状 |
| 1.2.3 关键节点研究现状 |
| 1.2.4 研究评述 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 研究技术路线 |
| 1.5 论文创新点 |
| 第2章 相关概念及理论基础 |
| 2.1 在线医疗社区 |
| 2.1.1 在线医疗社区的概念 |
| 2.1.2 在线医疗社区的类型 |
| 2.1.3 在线医疗社区的信息内容 |
| 2.2 信息交互 |
| 2.2.1 信息交互的内涵 |
| 2.2.2 信息交互关系 |
| 2.2.3 信息交互关系网络 |
| 2.3 关键节点 |
| 2.3.1 关键节点的内涵 |
| 2.3.2 关键节点的角色 |
| 2.3.3 关键节点的作用 |
| 2.4 信息负载理论 |
| 2.4.1 信息负载理论的起源--信息传播 |
| 2.4.2 信息负载理论的内容 |
| 2.4.3 信息负载理论的延伸--信息过载 |
| 2.5 约束理论 |
| 2.5.1 约束理论的形成和发展 |
| 2.5.2 约束理论的基本概念 |
| 2.5.3 约束理论的特点 |
| 2.5.4 约束理论的性质 |
| 2.5.5 约束理论运用的基本步骤 |
| 2.6 社会网络分析 |
| 2.6.1 社会网络理论 |
| 2.6.2 社会网络分析方法 |
| 2.7 本章小结 |
| 第3章 在线医疗社区信息交互行为分析 |
| 3.1 问题的提出 |
| 3.2 在线医疗社区信息交互行为内涵 |
| 3.3 在线医疗社区信息交互行为的角色 |
| 3.4 在线医疗社区信息交互行为的过程 |
| 3.5 在线医疗社区信息交互行为的特征 |
| 3.6 本章小结 |
| 第4章 在线医疗社区信息交互关系网络关键节点影响力形成机理 |
| 4.1 问题的提出 |
| 4.2 在线医疗社区信息交互关系网络关键节点影响力分析 |
| 4.2.1 在线医疗社区信息交互关系网络的内涵与结构 |
| 4.2.2 在线医疗社区信息交互关系网络关键节点的内涵与影响力 |
| 4.3 在线医疗社区信息交互关系网络关键节点影响力机理框架 |
| 4.3.1 信息交互能力对关键节点影响力的作用 |
| 4.3.2 信息交互关系强度对关键节点影响力的作用 |
| 4.3.3 信息负载能力对关键节点影响力的作用 |
| 4.3.4 在线医疗社区信息交互关系网络关键节点影响力机理分析 |
| 4.4 在线医疗社区信息交互关系网络关键节点影响力机理模型 |
| 4.4.1 模型条件 |
| 4.4.2 模型变量 |
| 4.4.3 模型表示 |
| 4.5 在线医疗社区信息交互关系网络关键节点影响力机理实证分析 |
| 4.5.1 样本选择与数据获取 |
| 4.5.2 数据处理 |
| 4.5.3 讨论分析 |
| 4.5.4 实践启示 |
| 4.6 本章小结 |
| 第5章 在线医疗社区信息交互关系网络关键节点识别及演化规律 |
| 5.1 问题的提出 |
| 5.2 在线医疗社区信息交互关系网络关键节点识别的基础 |
| 5.2.1 在线医疗社区信息交互关系网络关键节点识别的依据 |
| 5.2.2 在线医疗社区信息交互关系网络关键节点识别的相关指标 |
| 5.2.3 在线医疗社区信息交互关系网络关键节点识别的技术路线 |
| 5.3 关键节点识别实验与演化规律分析 |
| 5.3.1 数据获取 |
| 5.3.2 节点中心性分析 |
| 5.3.3 信息交互关系网络关键结构分析 |
| 5.3.4 关键节点分析 |
| 5.4 结果讨论 |
| 5.4.1 在线医疗社区信息交互关系网络有均匀化演进可能 |
| 5.4.2 在线医疗社区关键力量构成或可成为健康性指标 |
| 5.4.3 泛“药贩”掌权现象亟需在线医疗社区管理者关注 |
| 5.5 本章小结 |
| 第6章 在线医疗社区信息交互关系网络关键节点影响力评价 |
| 6.1 问题的提出 |
| 6.2 在线医疗社区信息交互关系网络关键节点影响力评价概述 |
| 6.2.1 评价的对象 |
| 6.2.2 评价的原则 |
| 6.2.3 评价的指标 |
| 6.2.4 评价的方法 |
| 6.2.5 评价的程序 |
| 6.3 在线医疗社区信息交互关系网络关键节点影响力评价模型 |
| 6.4 在线医疗社区信息交互关系网络关键节点影响力评价实证 |
| 6.4.1 数据获取 |
| 6.4.2 数据处理 |
| 6.4.3 “HPV吧”关键节点影响力评价 |
| 6.5 讨论与分析 |
| 6.5.1 不同实验权重结果对比分析 |
| 6.5.2 不同组别评价结果对比分析 |
| 6.5.3 不同时间评价结果对比分析 |
| 6.6 本章小结 |
| 第7章 在线医疗社区信息交互关系网络关键节点影响力提升策略 |
| 7.1 在线医疗社区信息交互关系网络关键节点影响力提升的重要性 |
| 7.1.1 关键节点本身视角关键节点影响力提升重要性 |
| 7.1.2 信息受众视角关键节点影响力提升重要性 |
| 7.1.3 在线医疗社区视角关键节点影响力提升重要性 |
| 7.1.4 国家安全视角关键节点影响力提升重要性 |
| 7.2 在线医疗社区信息交互关系网络关键节点影响力提升的困境 |
| 7.2.1 信息交互关系网络关键节点影响力机理认识不确切 |
| 7.2.2 信息交互关系网络关键节点识别方法不科学 |
| 7.2.3 信息交互关系网络关键节点动态演化规律不清晰 |
| 7.2.4 信息交互关系网络关键节点影响力评价不合理 |
| 7.3 在线医疗社区信息交互关系网络关键节点影响力提升策略的建议 |
| 7.3.1 坚持以在线医疗社区关键节点影响力机理作为制定策略前提 |
| 7.3.2 提升在线医疗社区管理者对关键节点的动态识别能力 |
| 7.3.3 丰富在线医疗社区管理者对关键节点的演化规律认识 |
| 7.3.4 建立在线医疗社区管理者对关键节点影响力的长期评价方案 |
| 7.4 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究局限与展望 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 致谢 |
（4）中国社会化养老服务中的政府职能研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 引言 |
| 一、问题的缘起 |
| (一)选题的背景 |
| (二)问题的呈现 |
| 二、研究的意义 |
| (一)理论意义 |
| (二)现实意义 |
| 三、文献回顾与述评 |
| (一)国内研究现状 |
| (二)国外研究现状 |
| (三)研究现状述评 |
| 四、研究思路与研究方法 |
| (一)研究思路 |
| (二)研究方法 |
| 五、研究的重点、创新与不足 |
| (一)研究的重点 |
| (二)创新之处 |
| (三)不足之处 |
| 第一章 政府职能研究的理论基础 |
| 一、基本概念的界定 |
| (一)政府职能 |
| (二)政府治理 |
| (三)公共服务 |
| (四)社会化养老 |
| 二、基本理论的阐释 |
| (一)政府职能理论 |
| (二)准市场理论 |
| (三)协同治理理论 |
| 三、社会化养老服务政府职能的构成 |
| (一)公共服务视阈下政府的职责 |
| (二)社会化养老服务中政府职能的构成要素 |
| 第二章 中国社会化养老服务政府职能的历史演进 |
| 一、中国政府职能的历史变迁 |
| (一)计划经济背景下的全能型政府职能 |
| (二)改革开放初期政府职能的改变 |
| (三)深化改革阶段政府职能的转向 |
| 二、政府职能转变的基本特征 |
| (一)从无限职能到有限职能的转变 |
| (二)政治职能向社会职能的演进 |
| (三)管制型政府向服务型政府转换 |
| 三、社会化养老服务中政府职能的演变轨迹 |
| (一)“单位”制养老服务时期:政府职能的全面干预 |
| (二)“单位”制向社会化养老服务转换时期:政府职能的收缩 |
| (三)社会养老服务体系构建时期:政府职能的回归 |
| 第三章 中国社会化养老服务政府职能的现状考察 |
| 一、社会化养老服务中政府职能的发挥 |
| (一)社会化养老政策与法规的制定 |
| (二)社会化养老资源的初步整合 |
| (三)政府与社会组织的协同行动 |
| (四)社会化养老服务过程的监督 |
| 二、社会化养老服务中政府职能模式的变革 |
| (一)计划体制时期:政府的全能型、管制型养老服务 |
| (二)市场体制时期:政府的有限性、服务型养老服务 |
| 三、社会化养老服务中政府职能履行的失位 |
| (一)社会化养老服务管理体制的不完善 |
| (二)社会化养老服务制度供给的缺乏 |
| (三)社会组织培育扶持力度不够 |
| (四)社会化养老服务主体协同性不足 |
| (五)养老服务市场化监管的缺失 |
| 第四章 社会化养老服务中发挥政府职能的国际经验与借鉴 |
| 一、域外国家社会化养老服务中的政府职能 |
| (一)英国政府的职能定位 |
| (二)美国政府的职能定位 |
| (三)日本政府的职能定位 |
| 二、域外国家社会化养老服务中的政府治理模式 |
| (一)英国的混合主义模式 |
| (二)美国的自由市场模式 |
| (三)日本的政府主导型模式 |
| (四)中外社会化养老服务中政府治理模式的比较 |
| 三、域外国家社会化养老服务中政府职能分析的启示 |
| (一)确立政府主导原则并付诸行动 |
| (二)实施多元主体的引导性培育 |
| (三)发挥政府对社会化养老服务全过程的监管 |
| 第五章 充分发挥中国社会化养老服务政府职能的建议 |
| 一、政府完善社会化养老服务职能的动力因素分析 |
| (一)法治建设的驱动 |
| (二)人口老龄化的现实挑战 |
| (三)传统养老制度的历史传承 |
| (四)服务型政府建设的价值取向 |
| 二、社会化养老服务职能履行中政府的行动逻辑 |
| (一)以养老服务的社会化需求为逻辑起点 |
| (二)以建构政府与社会协同治理关系为逻辑中介 |
| (三)以实现高质量的社会化养老服务为逻辑终点 |
| 三、完善社会化养老服务进程中政府职能的行动策略 |
| (一)优化政府的决策职能:提高政府社会化养老服务的决策质量 |
| (二)增强政府的计划职能:提高政府社会化养老服务制度供给能力 |
| (三)完善政府的组织职能:构建社会化养老服务中政府与社会的协同关系 |
| (四)强化政府的监管职能:建立社会化养老服务监察制度 |
| (五)深化政府治理体制的改革 |
| 结语 |
| 参考文献 |
| 附录一:图表目录 |
| 附录二 居家·社区养老服务中心、养老服务机构主要管理者、创建者访谈提纲 |
| 附录三 政府养老服务相关部门负责人访谈提纲 |
| 后记 |
| 在学期间公开发表论文及着作情况 |
（5）A股市场行业板块联动关系分析 ——基于非线性视角（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 国外相关文献综述 |
| 1.2.2 国内相关文献综述 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线图 |
| 1.5 创新点与不足 |
| 1.5.1 创新点 |
| 1.5.2 不足之处 |
| 第2章 行业板块联动效应的理论分析 |
| 2.1 行业板块分类方法 |
| 2.2 行业板块指数联动机制分析 |
| 2.2.1 “联动”的解释 |
| 2.2.2 产业关联对行业板块联动的影响机制分析 |
| 2.2.3 信息溢出对行业板块联动的影响机制分析 |
| 2.2.4 行业板块联动机制理论实例分析 |
| 第3章 A股市场行业板块联动实证模型构建 |
| 3.1 A股市场行业板块联动实证模型 |
| 3.2 实证方法介绍 |
| 3.2.1 收益率与波动率序列 |
| 3.2.2 非线性格兰杰因果关系检验 |
| 3.2.3 社会网络分析法 |
| 第4章 A股市场行业板块联动网络实证分析 |
| 4.1 数据描述 |
| 4.2 A股市场行业板块收益率和波动率的非线性联动关系 |
| 4.2.1 ADF检验 |
| 4.2.2 BDS检验 |
| 4.2.3 非线性格兰杰因果关系检验 |
| 4.3 A股市场行业板块联动网络分析 |
| 4.3.1 行业板块收益率联动网络分析 |
| 4.3.2 行业板块波动率联动网络分析 |
| 第5章 结论与建议 |
| 5.1 主要结论 |
| 5.2 投资策略与政策建议 |
| 5.2.1 投资策略 |
| 5.2.2 政策建议 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）社会网络对我国居民商业性医疗保险支出的影响 ——基于CFPS2018的实证分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 研究意义 |
| 1.4 研究思路与逻辑结构 |
| 1.5 框架和章节安排 |
| 1.6 创新之处与不足 |
| 1.6.1 创新之处 |
| 1.6.2 不足之处 |
| 第二章 文献综述 |
| 2.1 社会网络的研究 |
| 2.1.1 社会网络的概念起源及发展 |
| 2.1.2 代表性的社会网络理论 |
| 2.1.3 社会网络量化分析法 |
| 2.1.4 社会网络理论在本世纪的运用 |
| 2.2 国外文献综述 |
| 2.2.1 社会网络与保险的文献回顾 |
| 2.2.2 社会网络与医疗支出的文献回顾 |
| 2.2.3 关于社会网络与风险分担的文献回顾 |
| 2.3 国内文献综述 |
| 2.3.1 社会网络与保险的文献回顾 |
| 2.3.2 社会网络与医疗支出的文献回顾 |
| 2.3.3 关于社会网络与风险分担的文献回顾 |
| 2.4 文献评述 |
| 第三章 社会网络影响商业性医疗保险支出的理论机制 |
| 3.1 保险的风险分担与社会网络 |
| 3.2 中国家庭的社会网络特征 |
| 3.3 国外医疗保险发展现状 |
| 3.4 各影响因素的影响机制的探究及假设 |
| 3.4.1 社会网络对商业性医疗保险购买、医疗保健支出的影响机制 |
| 3.4.2 受教育水平对商业性医疗保险购买、医疗保健支出的影响机制 |
| 3.4.3 年龄对商业性医疗保险购买、医疗保健支出的影响机制 |
| 3.4.4 性别特征对商业性医疗保险购买、医疗保健支出的影响机制 |
| 3.4.5 区位特征对商业性医疗保险购买、医疗保健支出的影响机制 |
| 第四章 社会网络影响商业性医疗保险支出的实证研究 |
| 4.1 数据来源与变量选取 |
| 4.1.1 数据来源 |
| 4.1.2 变量选取 |
| 4.2 描述性统计 |
| 4.3 模型的建立 |
| 4.3.1 Tobit模型 |
| 4.3.2 倾向得分匹配 |
| 第五章 实证结果与检验分析 |
| 5.1 实证结果与分析 |
| 5.2 异质性分析 |
| 5.2.1 家庭人均收入异质性分析 |
| 5.2.2 地区异质性分析 |
| 5.3 稳健性检验及分析 |
| 5.3.1 共同支撑与平衡性检验 |
| 5.3.3 匹配结果与分析 |
| 第六章 主要结论与政策建议 |
| 6.1 主要结论 |
| 6.2 政策建议 |
| 致谢 |
| 参考文献 |
| 学位论文评阅及答辩情况表 |
（7）基于社会网络分析法的高血压医疗服务整合研究 ——以上海市A区为例（论文提纲范文）
| 中文摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题依据 |
| 1.1.1 研究背景 |
| 1.1.2 研究现状 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究创新与不足 |
| 1.3.1 研究创新点 |
| 1.3.2 研究不足 |
| 1.4 研究思路和方法 |
| 1.4.1 研究思路 |
| 1.4.2 研究方法 |
| 2 相关概念与理论基础 |
| 2.1 相关概念 |
| 2.1.1 高血压 |
| 2.1.2 整合医疗卫生服务 |
| 2.1.3 社会网络分析 |
| 2.2 理论基础 |
| 2.2.1 信息不对称理论 |
| 2.2.2 利益相关者理论 |
| 3 实证研究设计 |
| 3.1 数据来源与数据预处理 |
| 3.2 方案设计与指标选择 |
| 3.2.1 方案设计 |
| 3.2.2 指标选择 |
| 4 A区高血压医疗机构网络分析 |
| 4.1 建立医疗机构网络关系矩阵 |
| 4.2 医疗机构网络中心性分析 |
| 4.2.1 网络中各医疗机构度中心性值测算 |
| 4.2.2 网络中各医疗机构度特征向量中心性值测算 |
| 4.2.3 网络中各医疗机构度中介中心性值测算 |
| 4.2.4 网络中各医疗机构标准化中心性测算值比较 |
| 4.3 网络中各医疗机构间凝聚力分析 |
| 4.4 医疗机构网络整体紧密度分析 |
| 4.5 本章小结 |
| 5 结果与讨论 |
| 5.1 研究结果 |
| 5.1.1 整体联系紧密但部分医疗机构处于边缘化位置 |
| 5.1.2 各医疗机构患者分布不一 |
| 5.1.3 二级医院承担主要的高血压防治任务 |
| 5.2 结果讨论 |
| 5.2.1 医疗机构整合障碍的原因分析 |
| 5.2.2 有效推进医疗机构整合的对策建议 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
（8）基于区块链的药物历史溯源系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究综述 |
| 1.3.1 国内外研究现状 |
| 1.3.2 区块链与超级账本 |
| 1.3.3 现有研究不足 |
| 1.4 主要研究内容与章节安排 |
| 第2章 超级账本平台 |
| 2.1 HYPERLEDGER超级账本 |
| 2.2 网络交易 |
| 2.3 智能合约链码 |
| 2.4 共识算法 |
| 2.5 HYPERLEDGER COMPOSER开发工具集 |
| 2.6 本章小结 |
| 第3章 基于区块链的药物数据存储系统设计 |
| 3.1 系统层次架构 |
| 3.2 系统总体设计 |
| 3.3 系统网络架构 |
| 3.4 智能合约模块 |
| 3.5 数据存储模块 |
| 3.5.1 业务网络交易过程 |
| 3.5.2 药物历史信息加密处理 |
| 3.6 本章小结 |
| 第4章 基于去中心化网络的药物历史信息溯源系统设计 |
| 4.1 药物历史信息的溯源 |
| 4.2 药物历史信息的跨机构访问 |
| 4.3 本章小结 |
| 第5章 药物历史溯源系统实现与测试评估 |
| 5.1 药物历史溯源系统功能实现 |
| 5.2 医疗共享平台功能测试 |
| 5.2.1 个人信息处理模块 |
| 5.2.2 药物数据录入模块 |
| 5.2.3 药物记录溯源及共享模块 |
| 5.3 药物历史溯源系统安全性讨论 |
| 5.4 系统评估 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）基于异构信息网络的医疗保险反欺诈关键问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 医疗保险欺诈识别存在挑战 |
| 1.3 研究内容 |
| 1.4 本文主要贡献 |
| 1.5 本文结构 |
| 第二章 反欺诈相关工作 |
| 2.1 反欺诈分类算法 |
| 2.2 反欺诈聚类算法 |
| 2.3 反欺诈离群点检测算法 |
| 2.4 反欺诈模式挖掘算法 |
| 2.5 反欺诈图挖掘算法 |
| 2.6 反欺诈深度学习算法 |
| 2.7 本章小结 |
| 第三章 基于患者集散程度的医疗保险欺诈者检测 |
| 3.1 引言 |
| 3.2 医疗保险欺诈者检测相关研究 |
| 3.3 问题定义 |
| 3.4 基于患者集散程度的医疗保险欺诈者检测 |
| 3.4.1 相似度计算及患者入院图构建 |
| 3.4.2 基于图的密度峰值聚类及群组语义提取 |
| 3.4.3 基于患者集散程度的医疗欺诈者检测 |
| 3.5 实验 |
| 3.5.1 实验设置 |
| 3.5.2 结果及分析 |
| 3.6 结论 |
| 第四章 基于特异群组的合谋医疗欺诈检测 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 问题定义 |
| 4.4 基于特异群组的合谋欺诈检测 |
| 4.4.1 人物相似度计算 |
| 4.4.2 特异群组挖掘 |
| 4.4.3 特征选择 |
| 4.5 实验 |
| 4.5.1 实验设置 |
| 4.5.2 结果及分析 |
| 4.6 结论 |
| 第五章 基于频繁子图挖掘和社区划分的慢性病欺诈识别 |
| 5.1 引言 |
| 5.2 相关研究 |
| 5.3 问题定义 |
| 5.4 基于频繁子图挖掘和社区划分的慢性病欺诈识别 |
| 5.4.1 就医时序图构造 |
| 5.4.2 有约束的频繁疾病诊疗子图挖掘 |
| 5.4.3 疾病进展基图构建 |
| 5.4.4 慢性疾病进展挖掘 |
| 5.4.5 慢性疾病欺诈检测 |
| 5.5 实验 |
| 5.5.1 实验设置 |
| 5.5.2 结果及分析 |
| 5.6 结论 |
| 第六章 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.3 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.3.1 观察与假设 |
| 6.3.2 问题定义 |
| 6.3.3 患者可信度 |
| 6.3.4 就诊真实性 |
| 6.3.5 医院权威值 |
| 6.3.6 基于就诊网络的医疗保险患者欺诈者检测 |
| 6.4 实验 |
| 6.4.1 实验设置 |
| 6.4.2 结果及分析 |
| 6.5 结论 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与科研项目情况 |
| 附录A 外文论文一 |
| A.1 Introduction |
| A.2 Related Work |
| A.3 Problem Definition |
| A.4 Patient Cluster Divergence based Healthcare Insurance FraudsterDetection |
| A.4.1 Similarity Measurement and Patient Hospital AdImissionGraph Construct |
| A.4.2 Graph based Density Peak Clustering and Cluster Seman-tic Interpretation Extraction |
| A.4.3 Patient Cluster Divergence based Healthcare Insurance FraudDetection |
| A.5 Experiments |
| A.6 Conclusion |
| A.7 References |
| 附录B 外文论文二 |
| B.1 Introduction |
| B.2 Related Work |
| B.3 Problem Definition |
| B.4 Heterogeneous Network based Chronic Disease Progression Min-ing |
| B.4.1 Health seeking temporal graph construct |
| B.4.2 Constrained Frequent disease-process subgraph mining |
| B.4.3 Base Disease Progression Network Construct |
| B.4.4 Heterogeneous network basedchronic disease progressionmining |
| B.4.5 Chronic disease fraud detection |
| B.5 Experiments |
| B.6 Conclusion |
| References |
| 学位论文评阅及答辩情况表 |
（10）微博环境下乳腺癌防治健康信息的传播特征及公众关注度分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 乳腺癌已严重危害公众健康 |
| 1.1.2 网络拓宽健康信息传播渠道 |
| 1.1.3 社交媒体信息传播优势初现 |
| 1.2 研究目的 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 实践意义 |
| 1.4 研究内容 |
| 1.4.1 主要内容 |
| 1.4.2 论文结构 |
| 1.5 研究方法及工具 |
| 1.5.1 数据爬取技术 |
| 1.5.2 社会网络分析法 |
| 1.5.3 内容分析法 |
| 1.6 数据来源 |
| 1.7 技术路线图 |
| 1.8 创新及不足 |
| 1.8.1 研究的创新 |
| 1.8.2 存在的不足 |
| 第2章 理论基础与文献综述 |
| 2.1 相关概念 |
| 2.1.1 健康信息 |
| 2.1.2 伪健康信息 |
| 2.1.3 健康信息需求 |
| 2.1.4 健康信息行为 |
| 2.2 理论基础 |
| 2.2.1 小世界效应 |
| 2.2.2 意见领袖理论 |
| 2.3 国内外文献综述 |
| 2.3.1 健康信息的作用 |
| 2.3.2 公众健康信息需求 |
| 2.3.3 公众健康信息行为 |
| 2.3.4 网络健康信息传播的特征 |
| 2.3.5 不同媒介健康信息的特征 |
| 2.3.6 网络健康信息的筛查监管 |
| 2.4 本章小结 |
| 第3章 乳腺癌防治健康信息的基本特征及传播主体的基本特征分析 |
| 3.1 数据采集 |
| 3.1.1 目标用户集合 |
| 3.1.2 微博文本集合 |
| 3.1.3 数据采集步骤 |
| 3.2 结果分析 |
| 3.2.1 健康信息基本特征分析 |
| 3.2.2 传播主体基本特征分析 |
| 3.2.3 健康科普的活跃度分析 |
| 3.3 本章小结 |
| 第4章 基于社会网络分析的乳腺癌防治健康信息传播特征挖掘 |
| 4.1 数据处理 |
| 4.1.1 用户关系矩阵 |
| 4.1.2 网络整体特征 |
| 4.1.3 网络局部特征 |
| 4.1.4 节点属性特征 |
| 4.2 结果分析 |
| 4.2.1 宏观角度分析 |
| 4.2.2 中观角度分析 |
| 4.2.3 微观角度分析 |
| 4.3 本章小结 |
| 第5章 基于内容分析的乳腺癌防治健康信息主题挖掘 |
| 5.1 数据处理 |
| 5.1.1 定义词表的原则 |
| 5.1.2 自定义主题词表 |
| 5.1.3 自定义过滤词表 |
| 5.1.4 高频词汇的提取 |
| 5.1.5 主题词共现网络 |
| 5.2 结果分析 |
| 5.2.1 用户传播的健康信息主题 |
| 5.2.2 核心用户传播的信息主题 |
| 5.2.3 公众关注的健康信息主题 |
| 5.3 本章小结 |
| 第6章 结论与建议 |
| 6.1 结论 |
| 6.1.1 用户健康科普活跃度存在差异,信息源单一且信息更新频率较低 |
| 6.1.2 微博用户健康信息传播效率高,健康科普的主题多元且形式多样 |
| 6.1.3 公众对健康信息的关注度较高,易获取科学正确的健康指导建议 |
| 6.2 建议 |
| 6.2.1 增强传播主体互动交流紧密度 |
| 6.2.2 提高传播主体健康科普活跃度 |
| 6.2.3 丰富高效传播的健康信息主题 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
四、网络中的医疗保健（论文参考文献）
- [1]老年慢性病共病模式挖掘与防控策略研究[D]. 穆晓敏. 吉林大学, 2021(01)
- [2]组件自适应的神经网络架构研究[D]. 戴丹. 华南理工大学, 2020(05)
- [3]在线医疗社区信息交互关系网络关键节点影响力研究[D]. 尚丽维. 吉林大学, 2020(01)
- [4]中国社会化养老服务中的政府职能研究[D]. 曹海苓. 东北师范大学, 2020(06)
- [5]A股市场行业板块联动关系分析 ——基于非线性视角[D]. 陈珂. 湖北工业大学, 2020(10)
- [6]社会网络对我国居民商业性医疗保险支出的影响 ——基于CFPS2018的实证分析[D]. 谢锦浩. 山东大学, 2020(12)
- [7]基于社会网络分析法的高血压医疗服务整合研究 ——以上海市A区为例[D]. 陈子优. 江西中医药大学, 2020(01)
- [8]基于区块链的药物历史溯源系统研究与实现[D]. 樊晋华. 哈尔滨工业大学, 2020(01)
- [9]基于异构信息网络的医疗保险反欺诈关键问题研究[D]. 孙晨菲. 山东大学, 2020(01)
- [10]微博环境下乳腺癌防治健康信息的传播特征及公众关注度分析[D]. 朱笑笑. 南京中医药大学, 2020(10)