与社会的许多其他行业一样，医疗行业也进入了大数据时代。目前，医生诊断患者的标准做法是查看少量的生物标记物，询问患者，然后利用其经验和临床指南，来决定下一步该如何行事。值得注意的是，随着现代测量技术和数据存储技术的出现，这种策略可能很快就会得到加强，因为从患者就诊中获得的数据量很容易变得非常之大，以至于无法手工检查，更不用说分析了。此外，我们现在可以利用大型临床研究，对数百万类似的患者进行检查和跟踪，这些都是重要的背景信息。最后，患者还可以利用各种可穿戴设备中的传感器技术，产生大量的数据。忽视医生现在可以获得的新数据和新知识，是不可接受的解决方案。因此，迫切需要能够利用和整合所有这些数据和知识类型的新技术。
利用大量数据进行高度个性化的预测称为精准医疗。精准医疗是一种医疗保健形式，它依靠数据、算法和精确的分子工具为患者提供个性化的医疗。这些工具可以深入了解疾病、治疗和预防的机制。通过将患者作为个体进行治疗，主治医生可以根据病理生理学、基因组学和解剖学的变化调整治疗方案。精准医疗有可能改善治疗结果和降低医疗成本。例如，该方法已成功应用于肿瘤学中，用于发现基因突变，目前正考虑应用到多个不同领域。
脑卒中就是精准医疗的一个适用病种，它适用于脑卒中医疗的所有阶段：预防、急性治疗和康复。但脑卒中是一个复杂的多因素疾病，涉及多个器官、时间量程和疾病机理。为了应对这种复杂性，实现脑卒中的精准医疗，需要建立数学模型。这类方法包括：（1）机器学习；（2）生物信息网络模型；（3）机制模型。由于这三种方法各有其优缺点，因此把它们结合起来的混合建模方法将是最有益的。然而，迄今为止还没有提出可针对某一特定疾病实施的具体办法。
本文综述了这三种方法的优缺点，并提出了脑卒中医疗的混合建模路线图。本文专注于临床环境所需的两项主要任务：（1）对于脑卒中风险的计算，并对此提出了一种新的两步法，其中非线性混合效应模型和生物信息网络模型所产生的生物标志物可作为机器学习模型的输入；（2）对于医疗场景的仿真，提出了一种新的四步法。它围绕着机制模型的仿真和非建模或非测量变量插补之间的迭代。本文阐述和讨论了脑卒中精准医疗背景下的不同方法。
如需要《脑卒中医疗的混合建模：风险评估和情景仿真新方法的综述与建议》（英文，共14页），请在本