6、AI实践与实施：问题与成本

AI实践与实施：问题与成本

1. 数据质量维度

数据质量维度（DQDs）对于评估数据质量至关重要，以下是五个被广泛认可的数据质量维度：
1. 完整性（Completeness） ：衡量数据对于其应用任务而言，在广度和深度上是否足够完整。
2. 可解释性（Interpretability） ：考察数据标题和单位的定义是否清晰，以及描述数据时所使用的语言、单位和符号是否恰当。
3. 相关性（Relevance） ：判断数据是否适用于当前任务，还是仅有间接的用途。
4. 及时性（Timeliness） ：评估数据对于当前应用是否足够及时、最新。
5. 清洁度（Cleanliness） ：检测数据是否可靠、正确且基本无错误。

在医疗应用中，这些数据质量维度尤为重要。以个性化决策支持系统（PDSS）为例，该系统旨在通过大数据分析，以循证的方式提升个性化医疗水平。显然，在实施或依赖PDSS的决策时，拥有相关、及时、干净、完整且可解释的数据是必不可少的。

此外，在其他医疗应用场景中，如预防医疗（特别是医疗保险）欺诈、推动医学研究（尤其是涉及异构数据集的整合）以及质量控制措施（如降低患者再入院率）等，这些数据质量维度也具有重要意义，但重要程度可能有所不同。例如，在降低患者再入院率的应用中，相关性可能比及时性更为重要。

一般来说，可解释性在所有应用中都很重要，尤其是在高风险或有法律影响的应用中，它可能变得至关重要。而及时性在某些应用中可能并非