另外，很多计算机的模型是黑盒子，它对医生来说不可解释，你不能给我一个模型告诉我说怎么治，也不告诉我为什么，我们这个过程当中发现了一个真实的例子。我们以前拿了几万糖尿病病人超过5年的数据。我们发现，降糖方案最好的方法到底是什么？最好的方法就是上胰岛素。医生说你们不是开玩笑吗，我们治疗分一二三四线，胰岛素是最后的，一二三线药物控制不住的时候才会这样，这背后是有一个生物学的逻辑的。对计算机来说，效果最好的就是上胰岛素，所以后来我们说，其实你看这个过程，特别像一个医生的成长过程，一开始是读书，他能够把一些理论的框架和一些非黑即白的知识挖掘出来。但是真实世界很复杂，它复杂在哪呢？就是复杂在数据这一块，因为医疗不是非黑即白的事情，面对一个患者的时候，往往是有多种选择的，每一种选择都有优缺点，并不是说存在一个单一最好的选择。每一种选择应用到患者身上之后，它的效果也是不确定的，这个患者好，那个患者不好，这简单来说就是概率。

　　所以其实好的医生毕业之后通过大量的学习，看老医生看病，在自己脑子里面构建了一个概率模型，知道这种情况下会有这几种选择，哪一种选择靠谱可能性大一点，这恰恰是计算机非常擅长的。我们最后做出来的这个方法就是用指南和临床知识作为一个骨架，从数据中间学习各种从疾病的筛查、诊断、治疗、预后相关的概率模型，把它作为血肉，添加到指南的骨架之后，就变成一个非常完整的临床决策的知识库。

　　最后，我再给大家介绍一个例子，这是一个技术，这个技术它到底能怎么用？我们把它用到慢性病管理领域里面，中国现在的慢性病患者超过3亿，包括2.6亿高血压，1亿糖尿病，1亿系统疾病，还有慢性的肿瘤患者，这些患者，靠的是大概100万的社区医生来进行管理。面临的现状就是管不过来，所以这些医生，他们一年大概接受两天的培训，帮助他们了解最先进的治疗方案，而且他们一个人不是管一种病，他们一个人至少管20种病以上，这对他们来说是一个巨大的挑战。

　　从计算机角度来看，我们帮他们做什么呢？我们选择了两个场景，一个场景是做疾病的预防，我们帮助医生把那些有并发症风险的高危患者尽可能挑出来，比如说糖尿病患者可以并发到超过30万并发症，怎么样可以把那些还没有得中风，还没有得心梗的糖尿病患者及早的发现出来，让医生进行一些预防性的手段，这样做预防能降低病人的痛苦，同时也降低医疗的成本。

　　第二块就是治，这个角度我们主要考虑，怎么样利用这种临床指南的知识，和我们从几十万、上百万的这种糖尿病病人治疗既往的数据中间挖掘出来的证据结合在一起，给医生一个针对当前患者最好的治疗方案。这一块我也给大家看一个小的视频，这是我们实际使用的情况，这个情况你可以看到，我们目前这个系统跟医生用的电子病例做了一个整合，目前有6000个病人已经使用这个系统进行治疗，每个月系统生成的推荐接近2000，而且还在持续增长。可以看到，医生接受新鲜事物的情况很有意思。这个社区的医生，他一开始不愿意接受新鲜事物，慢慢就接受并达到了很好的使用水平。

　　这个系统模拟社区医生的一个工作平台，医生还要进行随访，这个系统会自动把患者按它的风险给他排高中低排出来，同时为什么这个病人有风险，比如说这个病人为什么有中风的风险，风险模型是什么，有哪一些数据导致他有这样的风险，我们会帮助医生把风险因素找到，同时给他做一个治疗的推荐，这个病人应该降糖、降压、降脂，包括剂量频率等等，都是从数据中间挖掘出来的，类似的病人都用了什么样的治疗方案，效果怎么样，把这样的信息推送给医生，这里面所有的证据，针对治疗系统发现说这是指南里面的证据，包括有接近26%的病人用了这样一个治疗方案，这些病人都是有糖尿病，高血压年龄是在55到75岁，其中很大部分人用了这种治疗，另外一部分人用了另外一种，包括每一种治疗方案的效果。这些信息从数据中间挖掘出来的和指南知识结合在一起推送给医生，帮助他做一个更好的慢性病的管理。

　　降压药有没有按时吃，血糖有没有变化，如果发现血压特别高，医生就会督促他进行更好的降压管理，血糖升高了也降血糖，这些项目以前是靠人干的，500万人口有100万进行这样的随访，怎么可能随访的过来？所以要招很多护士，包括健康管理机构提供健康管理服务，培训护士来干这个事，这依然是大量人工的工作。