中文摘要：

基于规则/案例(CBR/RBR)融合推理模式应用于医疗决策的研究已取得初步理论与实践成果,但仍存在误判率、漏判率高的决策代价敏感性问题。本项目针对医疗决策中融合推理空间知识场特征,运用时间窗技术、传递熵原理构建基于同态性及其条件转移概率的转移代价状态方程,揭示融合推理机制中决策代价敏感性诱因、关键因素及作用。将临床和智能模拟病房结合,获取与分析不同类别病例特征集及其诊断结论等决策代价损失数据,在CBR/RBR框架下建立融合推理模型,使其既可提高不完整性数据集推理效率,又可减小代价矩阵一定时的推理损失；运用奇异值分解定理,研究决策代价敏感性判别准则及决策解空间的收敛性。在不确定性与非平衡性条件下,构建考虑稳态与随机态关联性的贝叶斯网络学习模型；分析决策代价敏感性对推理效率与品质的影响,针对不同条件提出降低误判率、漏判的措施。通过实证研究对模型进行验证,将理论与仿真结果应用于医疗决策分析中。