另外一种人群治疗，比如说二型糖尿病，这是一个定义，针对这群人怎么治？目前很多精准医疗希望在这两个极端之间找到更多的重点状态，以中国为例我们心血管的病人2.6亿，糖尿病病人1亿，这1亿人肯定不一样，他肯定不是1亿种情况，也肯定不会是一种情况，怎么样在中间找到一个更合理的分群个性化的治疗，这里面我们做的一个案例是针对房颤病人做卒中的预防，房颤本身是无害的，但有病人会导致恶性的事件，比如说心梗或者脑梗，医生要做的事情就是当来了一个病人之后要做判断，要判断这个病人是高危还是低危，如果高危病人要怎么治，是不是要吃法华林去进行中风的预防。

　　但是如果这个治疗就这么简单也就罢了，但是很多治疗都是有危害性的，以法华林为例，这个治疗如果用药过量会导致脑溢血。所以医生每天都会面临一个选择，吃还是不吃，这对他们来说是一个问题。按照他们的经验他们知道其实以前可能有一些病人不该吃的我给他吃了，但是很不幸用以前的模型不够精准，发现不了那些不该吃的病人，我们用传统的医学模型认为是高危的病人，不同中风的发病率，看完这个图之后医生特别激动，发现了第一点，有一群人过度治疗了，这群人传统医学方法认为是高危的，其实并不是高危的，只不过以前的模型无法捕捉到细微的区别。

　　同时这群人是用某种药物。针对这群人，如果吃这个药物中风的发病率是9%，如果不吃则接近18%，这群人对某种治疗方案反映特别好，这个治疗方案在整个人群上是没有显著差异的。所以这就是精准的分群的方法，能够帮助从病例数据中间挖掘出来更精准的患者的分群，然后帮助医生做一个个性化的治疗。

　　它在方法上有什么特点呢？其实分群也不是一个多么新的方法，分群传统上是一个无监督的学习，分群聚类出来很多结果临床上是没有意义的。我们有一些方法引入一些监督信号。

　　所以这就是一个精准的分群的方法，能够帮助从病例数据中间挖掘出来更精准的患者的分群，然后去帮助医生做一个个性化的治疗。患者按照中风的发病率分的非常开，这个方法核心是干什么事呢？

　　它会判断哪一些因素对患者聚类是非常重要的，哪一些因素比较重要，它要自动的挑出来，同时，每个因素的权重是多少，他就可以把患者分的非常开，利用这个方法它就可以挑的非常开。

　　认知决策

　　下面我想介绍的叫认知决策，其实这个决策知识也不是新话题，从人工智能诞生的第一天起就有专家系统了，专家系统无非就是如何把专家的知识变成计算机可以执行的规则，所以最早的人工智能，五几年的时候斯坦福做了一个人工智能系统，当时他们针对血液病的治疗，可以对血液病治疗进行分析的，这就是前面的第一步。如果各位有了解，医疗里面有很多临床指南，或者临床路径，这些都是医生总结出来的一些知识和规律。

　　是不是这样就能看病了呢？如果这样就能看病的话，医学院的医生读完之后就可以当神医了，现实不是这样的，从书本中间学习到知识是有缺陷的，往往学习到的是比较抽象的，实际使用的时候有各种各样的问题。比如说以糖尿病的治疗为例，你会看到，当指南告诉你说这个病人血糖控制的不好，目前使用了双胍类的药物还是控制不住，他应该用双胍和磺脲类联合治疗，到底怎么联合。

　　我们开始尝试另外一条路径就是用数据驱动，用一些机器学习的方法，不管用什么样的模型，可以用各种各样的模型去做基于数据的推荐，简单的说就是你看到类似的病人都是怎么治的，治完之后效果好不好就可以得到类似的治疗方案，这样出来的结果的好处就是，所有知识都是从数据中间学习出来的，它的数据推荐最接地气。当然它也有缺点，它的缺点是数据往往都是有漏洞的，你的知识是从这个数据上学习出来的。