Eine Studie zu einem intelligenten Diagnose- und Behandlungsassistentensystem für Akupunktur bei vermindertem Eierstockreserve basierend auf einem Wissensdiagramm

Zusammenfassung

Ein gynäkologiespezifisches Akupunktur-Wissensdiagramm und Entscheidungsunterstützungssystem für verminderte Ovarialreserve (DOR) wurde unter Verwendung von Literatur, klassischen Texten und klinischen Daten entwickelt. Die klinische Untersuchung zeigte eine diagnostische Übereinstimmung von 86,7 % und hohe Verschreibungswerte, wobei statistisch signifikant, aber begrenzte Übereinstimmung zwischen Experten ihre Rolle als ergänzendes klinisches Entscheidungsunterstützungsinstrument unterstützte.

Zusammenfassung

Die verminderte Eierstockreserve (DOR) nimmt an Häufigkeit zu und betrifft jüngere Frauen. Akupunktur wurde klinisch für DOR eingesetzt; Praxis bleibt jedoch subjektiv, erfahrungsabhängig und es fehlt an standardisierter Leitlinienumsetzung. Aufbauend auf unserem bisherigen allgemeinen intelligenten Akupunktursystem konzentriert sich diese Studie auf gynäkologische Erkrankungen und nutzt DOR als klinischen Einstiegspunkt, um ein spezialisiertes Wissensdiagramm und ein Entscheidungsunterstützungssystem zu entwickeln. Diese Studie umfasste 82 klassische Akupunkturtexte, chinesische und englische Literatur sowie klinische Daten. Das Wissen wurde mit einem hybriden Ansatz extrahiert, der große Sprachmodelle und manuelle Annotation kombinierte, um einen vollständigen Akupunktur-Wissensgraphen und einen DOR-spezifischen gynäkologischen Subgraphen zu erstellen. Das System nutzt BiLSTM-CRF-basierte Entitätserkennung und Dual-Mode-Retrieval, um die Syndromdifferenzierung und die Erstellung von Akupunkturrezepten zu automatisieren. Der vollständige Graph enthält 16.558 Entitäten und 80.084 Relationen, während der Gynäkologie-Subgraph 8.677 Entitäten und 27.092 Relationen enthält. Bei einer klinischen Untersuchung von 90 Patienten mit DOR erreichte das System eine diagnostische Übereinstimmungsrate von 86,7 % im Vergleich zu Expertenbewertungen. Der mittlere Wert für die Angemessenheit von Verschreibungen lag bei 4,65. Die Übereinstimmung zwischen Experten zwischen den Experten, gemessen mit Kendalls Konkordanzkoeffizienten, betrug W ≈ 0,13 (P < 0,05), was auf eine statistisch signifikante, aber begrenzte Übereinstimmung hinweist. Diese Ergebnisse legen nahe, dass das System strukturierte Unterstützung für die akupunkturbasierte Syndromdifferenzierung und Verschreibungsgenerierung in DOR bieten kann, mit Potenzial als ergänzendes klinisches Entscheidungsunterstützungsinstrument.

Einleitung

Die verminderte Ovarialreserve (DOR) ist durch einen Rückgang der Menge und/oder Qualität der Eizellen gekennzeichnet, was zu verminderter Fruchtbarkeit, Menstruationsunregelmäßigkeiten und hormonellem^{Ungleichgewicht} führt. Die Inzidenz von DOR ist in den letzten Jahren gestiegen und betrifft zunehmend jüngere Bevölkerungsgruppen. Epidemiologische Daten aus den Vereinigten Staaten zeigen einen Anstieg von 19 % im Jahr 2004 auf 26 % im Jahr 2011, während ein Bericht der Chinesischen Medizinischen Vereinigung eine Prävalenz von 13,58 % bei unfruchtbaren Patienten mit assistierter Fortpflanzungstechnologie dokumentierte ^2,3.

Aktuelle Managementstrategien in der westlichen Medizin umfassen kontrollierte Ovarialhyperstimulation, adjuvante pharmakologische Behandlungen und Hormonersatztherapie. Diese Ansätze sind jedoch mit mehreren Einschränkungen verbunden, darunter niedrige Eizellentnahmeraten, begrenzte Verbesserung der Lebendgeburtenergebnisse, hohe Behandlungsabbrücheraten, Gegenanzeigen und mögliche Nebenwirkungen ^4,5.

Akupunktur wurde als komplementärer therapeutischer Ansatz zur Verbesserung der Eierstockfunktion bei Patienten mit DOR untersucht. Evidenz aus klinischen Studien und systematischen Übersichtswerken deutet auf potenzielle Vorteile^{hin 6,7,8}. Dennoch sind die Akupunkturdiagnose und -behandlung stark von der Erfahrung der Praktiker abhängig, variieren zwischen verschiedenen theoretischen Schulen und fehlen eine standardisierte Integration mit modernen klinischen Daten. Diese Einschränkungen schränken die umfassendere Umsetzung von Akupunkturrichtlinien ein und erhöhen die Lernbarriere für Kliniker ohne formale Ausbildung in der traditionellen chinesischen Medizin.

Jüngste Fortschritte in den Technologien von künstlicher Intelligenz (KI) und Knowledge Graph (KG) haben neue Ansätze zur Strukturierung und Nutzung komplexer medizinischer Erkenntnisse in Akupunktur und TCM ^9,10 ermöglicht. Frühere Studien umfassen visuelle Analysen von Akupunktur-Forschungstrends¹¹, Akupunktur-Empfehlungsmodelle basierend auf Graphen-Konfaltionsnetzwerken¹², Wissensgraphen-Frameworks mit promptem Lernen für Akupunktur und Tuina¹³ sowie systematische Übersichten zur TCM-Wissensgraphenkonstruktion und -Anwendungen¹⁴. Darüber hinaus hat sich die Integration von Wissensgraphen mit großen Sprachmodellen (LLMs) als vielversprechende Richtung erwiesen, wie Systeme wie TCM-KLLaMA zur Erstellung von Rezepten und fallbasierte Frage-Antwort-Systeme, die LLMs mit Wissensgraphen kombinieren,^{demonstriert 15,16}. Diese Studien heben das Potenzial KI-gesteuerter Ansätze hervor, um strukturiertes Denken und Entscheidungsfindung im TCM zu unterstützen. Darüber hinaus wurden komplexe Netzwerkmethoden zur Analyse theoretischer Akupunktursysteme angewandt und bieten methodische Unterstützung für die Modellierung strukturierten medizinischen Wissens¹⁷.

Unsere Gruppe hat zuvor einen allgemeinen Akupunktur-Wissensgraphen für Unfruchtbarkeit entwickelt, einschließlich des Transformer-basierten Dual-Channel-ACUBERT Modell¹⁸ und einer groß angelegten Akupunktur-Wissensdatenbank mit Multi-Hop-Denkfähigkeit¹⁹. Diese Systeme wurden jedoch als allgemeine Rahmenwerke konzipiert und fehlen krankheitsspezifischer Optimierung für gynäkologische Erkrankungen. Außerdem wurden sie in einem DOR-orientierten Anwendungsszenario nicht klinisch validiert.

In diesem Zusammenhang konzentriert sich die vorliegende Studie auf gynäkologische Fortpflanzungsstörungen und verwendet DOR als klinischen Einstiegspunkt. Aufbauend auf dem bestehenden allgemeinen Akupunktur-Wissensgraphen wurde ein domänenspezifischer Wissensgraph erstellt, der auf DOR zugeschnitten ist, und ein intelligentes klinisches Entscheidungsunterstützungssystem entwickelt. Das System wurde anhand realer klinischer Fälle bewertet, um die diagnostische Konsistenz und die Angemessenheit der Verschreibung zu bewerten, mit dem Ziel, strukturierte und reproduzierbare Unterstützung für akupunkturbasierte klinische Entscheidungsfindung zu bieten.

Protokoll

Diese Studie wurde gemäß institutionellen ethischen Standards durchgeführt und vom Ethikausschuss des Generalkrankenhauses des Eastern Theater Command genehmigt (Genehmigungsnummer DZQH-KYLLFS-25-38). Vor der Aufnahme wurde von allen Teilnehmern eine schriftliche informierte Zustimmung eingeholt. Alle Patientendaten wurden anonymisiert und anonymisiert, um den Datenschutz zu gewährleisten. Die Forschungswerkzeuge für dieses Protokoll sind in der Materialtabelle aufgeführt.

1. Konstruktion von Wissensgraphen

Der Wissensgraph wurde mit einer Multiquellen-Datenintegrationsstrategie erstellt. Die Datenerhebung und -annotation wurden von geschultem Personal mit formaler Ausbildung in Traditioneller Chinesischer Medizin (TCM) und Akupunktur durchgeführt. Die Datenquellen umfassten klassische Akupunkturtexte, chinesischsprachige Literatur von CNKI, englischsprachige Literatur aus der Web of Science Core Collection, klinische Daten aus Fortpflanzungszentren tertiärer Krankenhäuser und standardisierte Wissensdatenbanken (die detaillierte Liste klassischer Texte ist in Supplementary File 1 verfügbar). Diese Quellen wurden ausgewählt, um sowohl historische Tiefe als auch zeitgenössische klinische Relevanz zu gewährleisten. Insgesamt wurden 400 klinische Fälle eingeschlossen, um die Identifizierung diagnostischer und therapeutischer Muster zu unterstützen. Der gesamte Arbeitsablauf der Knowledge Graph-Erstellung ist in Abbildung 1 dargestellt.

Abbildung 1: Knowledge Graph Construction Workflow. Überblick über den Datenerfassungs-, Extraktions- und Integrationsprozess, der zur Erstellung des Wissensgraphen verwendet wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die Aufnahmekriterien verlangten, dass alle Daten direkt mit der Akupunkturdiagnose und -behandlung in Zusammenhang stehen und vollständige und klar strukturierte Inhalte für die Entität- und Beziehungsextraktion geeignet sind. Klassische Texte mussten kritisch zusammengestellt und frei von offensichtlichen Fehlern sein, während die moderne Literatur auf peer-reviewte Publikationen oder Dokumente autoritativer Institutionen beschränkt war. Klinische Daten mussten deidentifiziert und ethisch genehmigt werden. Zu den Ausschlusskriterien gehörten doppelte Unterlagen, unvollständige Textfragmente, Inhalte, die nicht mit der Akupunkturdiagnose und -behandlung zu tun hatten, sowie nicht belegte oder fehlerhafte Aussagen.

Ein hybrider Ansatz zur Wissensextraktion wurde implementiert, der manuelle Annotation und automatisierte Extraktion kombiniert. Ungefähr 30 % der Daten, einschließlich klassischer Texte und semantisch komplexer Inhalte, wurden manuell von Fachexperten mit einer standardisierten Annotationsplattform annotiert. Die restlichen 70 % der Daten wurden mit großen Sprachmodellen (LLMs) für automatisierte Extraktionen verarbeitet, einschließlich Entitätserkennung, Beziehungsextraktion und Terminologie-Normalisierung. Alle automatisch generierten Ergebnisse wurden von Experten überprüft und korrigiert, um Genauigkeit und Konsistenz sicherzustellen.

Die automatisierte Extraktion erfolgte mit strukturierten Prompt-Vorlagen, die das Verhalten von LLMs steuern sollten (Vorlagenbeispiele sind in Supplementary File 2 dargestellt). Diese Vorlagen definierten die Modellrolle als domänenspezifische Wissensextraktionsexperte und integrierten Few-Shot-Lernbeispiele im JSON-Triplet-Format, um die Extraktionsleistung zu verbessern. Vorverarbeitete Literaturzusammenfassungen wurden über Application Programming Interfaces (APIs) eingereicht, und parallele Verarbeitungsstrategien wurden implementiert, um die Recheneffizienz zu verbessern. Extraktionsausgaben wurden mit JSON-Validierungstools analysiert und validiert, um die strukturelle Integrität sicherzustellen. Validierte Wissens-Triplets wurden in unabhängige JSON-Dateien serialisiert, die nach ihren Quelldokumenten benannt wurden, um die Rückverfolgbarkeit zu gewährleisten.

Der finalisierte Wissensgraph wurde in einer Graphdatenbank gespeichert und mit Python-basierten Frameworks implementiert. Die Visualisierung wurde mit integrierten Graphdatenbank-Tools durchgeführt, um Inspektion und Validierung zu unterstützen.

Die Entitäten im Wissensgraphen wurden in sieben Typen eingeteilt: Krankheiten, Symptome, Syndrommuster, Akupunkte, Meridiane, Behandlungsmethoden sowie Effektorsubstanzen und biologische Mechanismen. Beziehungen zwischen Entitäten wurden so konstruiert, dass sie die klinische diagnostische und therapeutische Logik widerspiegeln und Multi-Hop-Argumentation sowie strukturierte Inferenz unterstützen. Die Ontologie und Beziehungsstruktur sind in Abbildung 2 dargestellt. Das detaillierte Knowledge Graph-Schema und Beispiele für Beziehungsconstraints sind in Supplementary File 3 und Supplementary File 4 bereitgestellt.

Abbildung 2: Wissensgraph-Ontologie und Beziehungsmodell. Schematische Darstellung von Entitätstypen und Beziehungen innerhalb des Wissensgraphen. Kernobjekte umfassen Krankheit, Symptom, Syndrom, Akupunktur und Behandlungsmethode und veranschaulichen diagnostische und therapeutische Zusammenhänge.
Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

2. Entwicklung von Anwendungssystemen

Das Anwendungssystem wurde auf Basis des konstruierten Wissensdiagramms entwickelt, um klinische Entscheidungsunterstützung zu ermöglichen. Das System verarbeitet Benutzereingabedaten und führt strukturierte Analysen durch natürliche Sprachverarbeitung und Wissensgraphen-Argumentation durch.

Das Verständnis natürlicher Sprache wurde mit dem BiLSTM-CRF-Modell für die Erkennung benannter Entitäten und Entitätsverknüpfung implementiert; die Modellarchitektur ist in Abbildung 3 dargestellt. Die Modellarchitektur bestand aus einer Embedding-Schicht, die auf domänenspezifischen Korpora trainiert wurde, einer bidirektionalen Langzeit-Kurzzeitspeicherschicht zur Erfassung kontextueller Informationen und einer bedingten Zufallsfeldschicht zur Sicherstellung optimaler Sequenzkennzeichnung. Das Modell wurde auf manuell annotierten klinischen und Literaturdaten trainiert, wobei die Annotation unabhängig von Fachexperten durchgeführt wurde. Die Übereinstimmung zwischen den Annotatoren wurde mit dem Cohenschen Kappa-Koeffizienten bewertet, mit einem Schwellenwert von ≥0,85. Unstimmigkeiten wurden durch Expertenkonsens gelöst.

Abbildung 3: BiLSTM-CRF Modellarchitektur. Schematisches Diagramm des BiLSTM-CRF-Modells, das für die Erkennung benannter Entitäten verwendet wird, einschließlich Einbettungen, BiLSTM- und CRF-Schichten.
Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Während der Inferenz extrahierte das Modell strukturierte Entitäten, einschließlich Symptome, Krankheiten und Syndrommuster, aus klinischen Eingabedaten. Diese Entitäten wurden auf standardisierte Knoten im Wissensgraphen abgebildet, indem Terminologie-Normalisierung, cosinusähnlichkeitsbasierte Vektorabgleichung und kontextuelle Mehrdeklarisierung verwendet wurden.

Die Wissensabrufung erfolgte mit einer Dual-Mode-Strategie, die Schlüsselwort- und semantischbasierte Ansätze kombinierte. Der Schlüsselwortabruf nutzte Volltext-Indexierung zur präzisen Abgleichung strukturierter Entitäten, während semantische Abrufe Vektorrepräsentationen nutzte, um relevantes unstrukturiertes Wissen zu identifizieren. Die abgerufenen Ergebnisse wurden zusammengeführt, dedupliziert und für die nachgelagerte Verarbeitung strukturiert. Eine multidimensionale Ranking-Strategie wurde angewandt, um Ergebnisse basierend auf exaktem Matching, semantischer Ähnlichkeit und Keyword-Relevanz zu priorisieren, wobei die Gewichtung für gynäkologische und DOR-bezogene Kontexte angepasst wurde.

Das System erzeugte diagnostische und Behandlungsergebnisse mithilfe natürlicher Sprachgenerierungstechniken und wandelte strukturiertes Wissen in klinisch interpretierbare Antworten um.

3. Klinische Anwendung und Bewertung

Das entwickelte System wurde in einer klinischen Umgebung eingesetzt, um seine praktische Leistung zu bewerten. Die Studienteilnehmer waren Patienten, bei denen in einem tertiären Krankenhaus in Nanjing eine verminderte Ovarialreserve diagnostiziert wurde und die einer Akupunkturbehandlung zustimmten.

Die Teilnehmer waren berechtigt, wenn sie im Alter von 20 bis 40 Jahren waren und die diagnostischen Kriterien für eine verminderte Eierstockreserve gemäß den POSEIDON-Kriterien 2016 und dem chinesischen Expertenkonsens 2020 erfüllten. Diagnostische Indikatoren umfassten reduzierte anti-Müllersche Hormonspiegel und eine antrale Follikelzahl < 5. Patienten wurden ausgeschlossen, wenn sie Erkrankungen hatten, die die Fruchtbarkeit beeinträchtigten, schwerwiegende Begleiterkrankungen hatten oder innerhalb der vorangegangenen drei Monate eine Akupunkturbehandlung zur Fruchtbarkeit erhalten hatten. Das Patienteneinschluss- und Ausschluss-Flussdiagramm ist in Abbildung 4 dargestellt.

Abbildung 4: Patienteneinschluss- und -ausschluss-Flussdiagramm. Flussdiagramm zeigt die Patientenauswahl. Insgesamt erfüllten 127 Patienten die Einschlusskriterien, und 90 Patienten wurden nach Anwendung der Ausschlusskriterien und Berücksichtigung unvollständiger Daten eingeschlossen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Patientendaten, einschließlich demografischer und klinischer Informationen, wurden in einem strukturierten Format gesammelt und erfasst. Die Teilnehmer füllten standardisierte Fragebögen aus, um Symptom- und klinische Informationen zu erfassen (der detaillierte Fragebogen ist in Supplementary File 5 bereitgestellt). Das System erzeugte diagnostische Ausgaben und Akupunkturverschreibungen basierend auf den Eingabedaten.

Die Systemleistung wurde anhand der diagnostischen Genauigkeit und der Behandlungsangemessenheit bewertet. Die diagnostische Genauigkeit wurde bewertet, indem systemgenerierte Syndrom-Differenzierungsergebnisse mit denen von drei leitenden gynäkologischen TCM-Ärzten verglichen wurden, die als Referenzstandard dienten. Die diagnostische Übereinstimmung wurde als Anteil der konsistenten Fälle unter allen Fällen berechnet.

Die Angemessenheit der Behandlung wurde von einem Gremium aus drei erfahrenen Akupunkteuren mit mindestens fünf Jahren klinischer Erfahrung und leitenden Berufstiteln bewertet. Experten bewerteten systemgenerierte Rezepte unabhängig mit einer 5-Punkte-Likert-Skala. Die Übereinstimmung zwischen den Ratern wurde mit Kendalls Konkordanzkoeffizienten (W) bewertet.

Ergebnisse

Der konstruierte Wissensgraph integriert heterogene Daten aus klassischen traditionellen chinesischen Medizintexten, moderner klinischer Literatur und realen Fallaufzeichnungen und folgt den etablierten Prinzipien der Erstellung und Bewertung von Wissensdiagrammen. Insgesamt wurden 374 chinesischsprachige Quellen, 267 englischsprachige Artikel und 82 klassische TCM-Texte aufgenommen, was sowohl historische Tiefe als auch zeitgenössische klinische Relevanz gewährleistet (Abbildung 5)....

Diskussion

Die vorliegende Studie beschreibt ein auf Wissensgraphen basierendes intelligentes Entscheidungsunterstützungssystem, das auf die Akupunkturbehandlung eines verminderten Ovarialreservas zugeschnitten ist und einen Übergang von der allgemeinen traditionellen chinesischen Medizin-Wissensmodellierung hin zu einer krankheitsspezifischen klinischen Anwendung darstellt.

Im Vergleich zur herkömmlichen Akupunkturpraxis, die stark auf der Erfahrung der Behandler setzt,...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Deep Learning-Modellarchitektur, die für die Benennungsentitätserkennung bei der Extraktion klinischer Texte verwendet wird.
CNKI-Datenbank	China National Knowledge Infrastructure	N/A	Literatur-Repository, das für das Abrufen relevanter chinesischsprachiger akademischer Publikationen verwendet wird.
JSON Viewer & Formatter	Megaish	1.6.0	Software-Tool zur Anzeige und Validierung von JSON-Datenstrukturen.
KGs Annotation Platform	Nanjing KGI Data Technology Co., Ltd.	N/A	Webbasierte kollaborative Annotation-Plattform, die für die manuelle Kennzeichnung von medizinischen Entitäts- und Beziehungskorpora zur Unterstützung der Wissensgraphenkonstruktion verwendet wird.
Large Language Model API	Moonshot AI	N/A	Kimi LLM API, die für das semantische Verständnis und die automatisierte Wissensextraktion aus biomedizinischer Literatur verwendet wird; Schnittstelle kompatibel mit dem OpenAI API-Format.
MySQL	Oracle Corporation	8.0.42	Relationales Datenbankmanagementsystem, das für die Speicherung strukturierter klinischer Daten verwendet wird.
Neo4j Browser	Neo4j,Inc.	5.26.10	Graphdatenbank-Schnittstelle, die für die interaktive Visualisierung und explorative Abfrage des gynäkologischen Wissensgraphen verwendet wird.
Python	Python Software Foundation	3.11.4	Primäre Programmiersprache, die für automatisiertes Literatur-Crawling, LLM API-Aufruf, Multiprocessing-Koordination, Datenparsung und Wissensgraphenkonstruktion verwendet wird.
Web of Science Core Collection	Clarivate Analytics	N/A	Literatur-Repository, das für das Abrufen relevanter englischsprachiger akademischer Publikationen verwendet wird.