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

Unsere Forschung konzentriert sich auf die Entwicklung eines intelligenten Akupunktursystems für die Diagnose und Behandlung des verringerten Ovarialreserven. Dieses Protokoll kann auf Akupunkturforschung mit vermindertem Eierstockreserve und anderen geologischen Fortpflanzungserkrankungen angewendet werden. Zunächst sammeln Sie Daten aus klassischen Akupunkturtexten, chinesischer Literatur aus der China National Knowledge Infrastructure, CNKI, klinischen Daten aus Fortpflanzungszentren tertiärer Krankenhäuser, englischsprachige Literatur aus der Web of Science Kernsammlung und standardisierten Wissensdatenbanken.

Führen Sie Datenannotationen durch und wählen Sie die Daten entsprechend den Einschluss- und Ausschlusskriterien aus. Beziehen Sie 400 klinische Fälle ein, um die Identifizierung diagnostischer und therapeutischer Muster zu unterstützen. Mit einer standardisierten Annotationsplattform werden etwa 30 % der Daten manuell annotiert, einschließlich klassischer Texte und semantisch komplexer Inhalte.

Bei großen Sprachmodellen, oder LLMS, werden 70 % der Daten für Entitätserkennung, Beziehungsextraktion und Terminologie-Normalisierung verarbeitet. Überprüfen Sie die generierten Ergebnisse. Verwenden Sie strukturierte Prompt-Vorlagen, die LLM anleiten sollen, um automatisierte Extraktionen durchzuführen.

Sobald die Modellrolle als domänenspezifischer Experte für Wissensextraktion definiert ist, fügen Sie einige Shot-Learning-Beispiele in JavaScript-Objektnotation oder JSON-Triplet-Format hinzu, um die Extraktionsleistung zu verbessern. Mit JSON-Validierungstools serialisieren validierte Wissens-Triplets in unabhängige JSON-Dateien, benannt nach ihren Quelldokumenten, um die Rückverfolgbarkeit zu gewährleisten. Speichere den finalisierten Wissensgraphen in einer Graphdatenbank mit Python-basierten Frameworks.

Visualisieren Sie den Wissensgraphen mit integrierten Graphdatenbank-Tools zur Unterstützung von Inspektion und Validierung. Entwickeln Sie das Anwendungssystem auf Basis des konstruierten Wissensdiagramms, um klinische Entscheidungsunterstützung zu ermöglichen und Benutzereingabedaten entsprechend zu verarbeiten. Mit dem bidirektionalen Langzeit-Kurzzeitgedächtnis-bedingten Zufallsfeld oder dem Bi-LSTM-CRF-Modell implementieren Sie das natürliche Sprachverständnis für die Erkennung benannter Entitäten und Entitätsverknüpfung.

Baue die Modellarchitektur mit einer Embedding-Schicht, die auf domänenspezifischen Korpora trainiert ist, einer bidirektionalen Langzeitspeicherschicht zur Erfassung kontextueller Informationen und einer bedingten Zufallsfeldschicht zur Sicherstellung optimaler Sequenzkennzeichnung. Trainieren Sie das Modell auf manuell annotierten klinischen und Literaturdaten, wobei Annotationen unabhängig von Fachexperten durchgeführt werden. Mit Cohens Kappa-Koeffizienten wird die Übereinstimmung zwischen den Annotatoren mit einem Schwellenwert von mindestens 0,85 bewertet und Abweichungen durch Expertenkonsens besegelt.

Während der Schlussfolgerung werden strukturierte Einheiten wie Symptome, Krankheiten und Syndrommuster aus klinischen Eingabedaten extrahiert. Kartibe diese Entitäten auf standardisierte Knoten im Wissensgraphen. Mit einer Dual-Mode-Strategie wird Wissensabruf durchgeführt, wobei schlüsselwortbasierte und semantische Ansätze kombiniert werden.

Verwenden Sie Vektorrepräsentationen, um relevantes, unstrukturiertes Wissen zu identifizieren. Zusammenführen von schlüsselwortbasierten und semantischbasierten abgerufenen Ergebnissen. Identifikation und Entferne Duplikate sowie Strukturergebnisse für die nachgelagerte Verarbeitung.

Passen Sie das Gewicht an gynäkologische und verringerte Ovarialreserven an. Mit Techniken zur natürlichen Spracherzeugung werden diagnostische und behandlungsbasierte Ergebnisse erzeugt und strukturiertes Wissen in klinisch interpretierbare Antworten umgewandelt. Nach Anwendung des entwickelten Systems in einer klinischen Umgebung rekrutieren Sie Teilnehmer, bei denen eine verminderte Ovarialreserve gemäß den Einschluss- und Ausschlusskriterien diagnostiziert wurde.

Sammeln und erfassen Sie demografische und klinische Informationen der Patienten in einem strukturierten Format. Erzeugen Sie diagnostische Ausgaben und Akupunkturverschreibungen basierend auf den Eingabedaten. Sobald die Systemleistung anhand diagnostischer Genauigkeit und Behandlungsangemessenheit bewertet wurde, vergleichen Sie die Ergebnisse der systemgenerierten Syndromdifferenzierung mit den Ergebnissen von drei leitenden ärztlichen Medizinern der traditionellen gynäkologischen Medizin, die als Referenzstandard dienen.

Berechnen Sie die diagnostische Übereinstimmungsrate als Anteil der konsistenten Fälle unter allen Fällen. Bewerten Sie die Angemessenheit der Behandlung anhand eines Panels von drei erfahrenen Akupunkteuren mit mindestens fünf Jahren klinischer Erfahrung und leitenden Berufstiteln und lassen Sie Experten die vom System erstellten Rezepte unabhängig mit einer Fünf-Punkte-Likert-Skala bewerten. Bewerten Sie die Interrater-Übereinstimmung mit Kendalls Konkordanzkoeffizienten.

Insgesamt wurden 374 chinesischsprachige Quellen, 267 englischsprachige Artikel und 82 klassische Lehrbücher der traditionellen chinesischen Medizin in den Wissensgraphen integriert. Der vollständige Wissensgraph enthielt 16.558 Entitäten in sieben vordefinierten Kategorien und 80.084 Relationen aus 21 Beziehungstypen. Bei 90 Patienten im Alter von 22 bis 54 Jahren, mit einem Höhepunkt von 32 Jahren und der höchsten Konzentration in der Altersgruppe 31 bis 35 Jahre, zeigte eine Selbstbewertung auf der Angstskala, dass 57 % der Patienten normale Werte hatten.

28 % hatten subklinische Angststufen und kleinere Anteile hatten leichte, mittlere oder schwere Angststörungen. Die diagnostische Übereinstimmung zwischen systemgenerierten Ergebnissen und Expertenbewertungen betrug 86,7 %. Die Behandlungsangemessenheit hatte einen Mittelwert von 4,65 auf einer Likert-Skala von fünf Punkten. Interrater-Übereinstimmung unter Experten, gemessen mit Kendalls Konkordanzkoeffizienten, lag bei etwa 0,13, was auf ein statistisch signifikantes Maß an Übereinstimmung hindeutet, obwohl die Gesamtübereinstimmung begrenzt blieb.

Dieser Ansatz ermöglicht es Forschern, auf die diagnostische Übereinstimmung und die angemessene Akupunkturverschreibung zuzugreifen. Forscher können außerdem umfangreiche Analysen des sprachmodischen Denkens, multizentrische Validierung und langfristige Nachverfolgung mit diesem Verfahren durchführen. Zukünftige Studien können auf dieser Arbeit aufbauen, indem sie Anwendungen auf weitere Krankheiten ausweiten, multimodale Daten integrieren und prospektive Studien durchführen.