【博士论文】数据驱动决策：通过数据集成与预测性决策支持优化重症监护

背景：人工智能与机器学习在重症监护及围术期领域具有提高诊断准确性、减轻临床工作负荷和实现前瞻性病人管理的潜力，但其临床应用面临数据质量、可解释性、法规监管和临床信任等挑战。研究目的：探讨数据驱动型临床决策支持系统的开发、验证及临床相关性，通过结构化流程设计并评估具有临床意义的算法，包括构建高频生理数据云端基础设施、验证专家标注的旋转式血栓弹力图数据以开发凝血管理决策支持工具，以及利用动脉血压波形形态学预测麻醉诱导后低血压。结论：研究为开发可靠且深度融入临床的数据驱动决策支持系统提供了实践与理论框架，强调单纯技术性能提升不足以实现临床价值，需结合稳健的数据基础设施、临床洞察和周密的部署策略，并讨论了预测性能与可解释性的权衡以及伦理议题。