tab醫學術語的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

以本體為基礎建構營養照護知識模型─以慢性腎臟病為例

為了解決tab醫學術語的問題，作者莊佩蓉 這樣論述：

本研究提出一個針對慢性腎臟病患者的營養照護知識模型，根據全國腎臟基金會研究顯示，大部分的病患並不能夠調整自己的飲食，本研究將整合各領域異結構的知識源，並利用知識庫系統作為問題解決，藉由知識模型為核心的設計，包括：(1) 建置「領域本體」為共用的知識概念，使用is-a關係來表達的實例知識的分類架構，並提供標準術語讓本體之間溝通；(2) 建置物件導向的知識框架為「任務本體」，使用has-a關係來表達問題組成；以及(3) 針對問題解決與計算式「開發語意規則」邏輯以提供推論引擎運算。最後，本研究從醫療機構取得慢性腎臟病患者的基本資料做為實驗對象，已完成十位患者的實驗結果，實驗顯示此知識模型符合實務上

營養照護之計算原則。

應用知識模型技術與專家系統方法來加強臨床藥品資訊知識庫的查詢功能

為了解決tab醫學術語的問題，作者李欣雅 這樣論述：

對於所有醫護人員來說，舉凡相關臨床處理的問題，皆必須在短時間內得到最好的解答，才可以爲病人的健康帶來最大的福祉。在過去，當我們要查詢一個病人所用的一個藥品或是多個藥品的資訊，我們必須大費周章的查出單一個藥品的資料，再去除不要的資訊，留下想要的資訊，再整合所有資訊，並下最後的結論。而在分秒必爭的急性處理之下，這樣的查詢方法似乎在花費許多醫療人員的決策時間。爲了改善舊有資訊系統查詢不良的問題，我們著手研究改進舊有資訊系統的不足，並進一步從我們豐富的知識中推衍出隱藏在領域中知識。 在本研究中，我們將以本體論的概念，對於複雜的臨床藥品資訊進行有效的知識管理。目前我們先以抗微生物用藥及藥品交互作用為

例。首先，我們先用Protégé-2000知識模型技術及TOVE本體論方法論分別建立兩個知識系統DKB (Drug Knowledge Base)和DDI (Drug Drug Interaction)。在DKB中，主要把藥品的重點放在抗感染性疾病的抗微生物用藥 (antimicrobial agents)。例如：呼吸系統感染、中樞神經感染、尿道感染等疾病的治療用藥，而開發一個藥品知識庫的雛型 (DKB prototype)。由於目前臨床藥品的使用上，最常碰到的問題就是藥品跟藥品或是藥品跟食物之間有交互作用的情形。為了加速用藥查詢速度以減少非必要的不良反應發生，我們開始發展藥品交互作用的本體論

雛型 (DDI prototype)。接下來，我們以CLIPS專家系統技術進行更進一步知識推理的部份。此部分主要是以知識庫為核心而來進一步建立法則式的專家系統 (Rule Based Expert System，簡稱RBES)，進行藥品知識的推論。而目前我們所要發展的目標為一個腦膜炎治療藥品決策的專家系統，並且針對台灣所使用的抗生素，提供完整的藥品產品資訊。 目前DKB研究結果包含265個classes、100個slots、12個facets、2770個instances及3147個frames。DDI目前總共有298個classes、51個slots、12個facets、278個insta

nces及639個frames。所可以回答的問題型態包括藥物層級的問題、數字問題的問題以及雙向詢問方式等等。而RBES的法則庫中總共有117條法則。所遵循的決策原則首先是，懷疑病人是否有感染腦膜炎；第二，是詢問病人是屬於哪一個年齡層；第三，根據參考書籍 (Koda-Kimble, et al., 2002) 等，我們找出各個年齡層病人最容易感染的菌種；第四，系統回到知識庫中推理出這類病人可以用哪些首選抗生素以及次選抗生素來治療；第五，使用者可以觀看關於用藥更詳細的資料，包括用藥的所有商品資訊；最後，相關於所有用藥時的小心事項及禁忌症等等都可以藉由本系統回到知識庫中推理出相關結果。 本研究的結

論可從整體研究結果當中發現DKB及DDI可以有效的改善以往資訊系統查詢的缺點，也可以促使我們進一步應用臨床藥學中所有知識。我們所開發的系統不再是像以往的資訊系統，而是一個知識系統，藉由過去知識的累積，進一步推理出新的知識。在醫療的領域中，很多知識是處於無法清楚描述的情況。而藉由RBES的協助，我們可以試著利用規則的推理來解決問題，進一步協助使用者解決所遇問題。