Se desarrolló un grafo de datos específico para acupuntura y un sistema de apoyo a la decisión para la reserva ovárica disminuida (DOR) utilizando literatura, textos clásicos y datos clínicos. La evaluación clínica demostró un 86,7% de concordancia diagnóstica y altas puntuaciones de prescripción, con un acuerdo estadísticamente significativo pero limitado entre expertos, que respaldan su papel como herramienta auxiliar de apoyo clínico a la decisión.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
Un estudio sobre un sistema inteligente de diagnóstico y asistencia al tratamiento para acupuntura en la disminución de la reserva ovárica basado en un gráfico de conocimiento
En este artículo
Resumen
Resumen
La disminución de la reserva ovárica (DOR) está aumentando en incidencia y afecta a mujeres más jóvenes. La acupuntura se ha utilizado clínicamente para la DOR; sin embargo, la práctica sigue siendo subjetiva, depende de la experiencia y carece de una implementación estandarizada de las directrices. Basándose en nuestro anterior sistema de acupuntura inteligente general, este estudio se centra en enfermedades ginecológicas y utiliza la DOR como punto de entrada clínico para desarrollar un grafo de conocimiento especializado y un sistema de apoyo a la decisión. Este estudio incluyó 82 textos clásicos sobre acupuntura, literatura china e inglesa, y datos clínicos. El conocimiento se extrajo mediante un enfoque híbrido que combina grandes modelos de lenguaje y anotación manual para construir un grafo completo de conocimiento sobre acupuntura y un subgrafo de ginecología específico para el DOR. El sistema emplea el reconocimiento de entidades basado en BiLSTM-CRF y la recuperación de doble modo para automatizar la diferenciación del síndrome y la generación de prescripciones de acupuntura. El grafo completo contiene 16.558 entidades y 80.084 relaciones, mientras que el subgrafo de ginecología contiene 8.677 entidades y 27.092 relaciones. En una evaluación clínica de 90 pacientes con DOR, el sistema alcanzó una tasa de concordancia diagnóstica del 86,7% en comparación con las evaluaciones de expertos. La puntuación media de adecuación de la prescripción fue de 4,65. El acuerdo entre evaluadores entre expertos, medido usando el coeficiente de concordancia de Kendall, fue W ≈ 0,13 (P < 0,05), lo que indica un acuerdo estadísticamente significativo pero limitado. Estos hallazgos sugieren que el sistema puede proporcionar un apoyo estructurado para la diferenciación del síndrome basada en acupuntura y la generación de prescripciones en el DOR, con potencial como herramienta auxiliar de apoyo clínico a la decisión.
Introducción
La disminución de la reserva ovárica (DOR) se caracteriza por un descenso en la cantidad y/o calidad de los ovocitos, lo que conduce a una reducción de la fertilidad, irregularidades menstruales y desequilibriohormonal 1. La incidencia de la DOR ha aumentado en los últimos años y está afectando progresivamente a poblaciones más jóvenes. Los datos epidemiológicos de Estados Unidos indican un aumento del 19% en 2004 al 26% en 20112, mientras que un informe de la Asociación Médica China documentó una prevalencia del 13,58% entre pacientes infértiles sometidos a tecnología de reproducciónasistida 2,3.
Las estrategias actuales de manejo en la medicina occidental incluyen la hiperestimulación ovárica controlada, tratamientos farmacológicos adyuvantes y terapia de reemplazo hormonal. Sin embargo, estos enfoques están asociados a varias limitaciones, incluyendo bajas tasas de extracción de ovocitos, mejora limitada en los resultados de nacimientos vivos, altas tasas de interrupción del tratamiento, contraindicaciones y posibles efectosadversos 4,5.
La acupuntura ha sido investigada como un enfoque terapéutico complementario para mejorar la función ovárica en pacientes con DOR. La evidencia de estudios clínicos y revisiones sistemáticas sugiere posiblesbeneficios 6,7,8. No obstante, el diagnóstico y tratamiento de la acupuntura siguen dependiendo en gran medida de la experiencia del profesional, varían entre diferentes escuelas teóricas y carecen de integración estandarizada con los datos clínicos modernos. Estas limitaciones restringen la implementación más amplia de las directrices de acupuntura y aumentan la barrera de aprendizaje para los clínicos sin formación formal en medicina tradicional china.
Los avances recientes en inteligencia artificial (IA) y tecnologías de grafos de conocimiento (KG) han permitido nuevos enfoques para estructurar y utilizar conocimientos médicos complejos en acupuntura yMTC 9,10. Estudios previos incluyen análisis visuales de tendencias de investigación enacupuntura 11, modelos de recomendación de puntos de acupuntura basados en redes convolucionalesde grafos 12, marcos de grafos de conocimiento que incorporan aprendizaje prompt para acupuntura ytuina 13, y revisiones sistemáticas de la construcción y aplicaciones de grafos de conocimiento de laMTC 14. Además, la integración de grafos de conocimiento con grandes modelos de lenguaje (LLMs) ha surgido como una dirección prometedora, como demuestran sistemas como TCM-KLLaMA para la generación de prescripciones y sistemas de respuesta a preguntas basados en casos que combinan LLMs con grafos de conocimiento15,16. Estos estudios ponen de manifiesto el potencial de los enfoques impulsados por IA para apoyar el razonamiento estructurado y la toma de decisiones en la MTC. Además, se han aplicado metodologías complejas de redes para analizar sistemas teóricos de acupuntura, proporcionando apoyo metodológico para modelar el conocimiento médicoestructurado 17.
Nuestro grupo ya ha desarrollado previamente un grafo general de conocimiento sobre acupuntura para la infertilidad, incluyendo el modelo18 de doble canal ACUBERT basado en Transformer y una base de conocimiento de acupuntura a gran escala con capacidad de razonamientomulti-saltos 19. Sin embargo, estos sistemas fueron diseñados como marcos de propósito general y carecen de optimización específica para enfermedades ginecológicas. Además, no han sido validados clínicamente en un escenario de aplicación centrado en la DOR.
En este contexto, el presente estudio se centra en los trastornos reproductivos ginecológicos, utilizando la DOR como punto de entrada clínico. Basándose en el actual grafo de conocimiento general de acupuntura, se construyó un grafo de conocimiento específico por dominio adaptado al DOR y se desarrolló un sistema inteligente de apoyo a la decisión clínica. El sistema fue evaluado utilizando casos clínicos reales para evaluar la consistencia diagnóstica y la adecuación de la prescripción, con el objetivo de proporcionar un apoyo estructurado y reproducible para la toma de decisiones clínicas basadas en acupuntura.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Este estudio se llevó a cabo conforme a los estándares éticos institucionales y fue aprobado por el Comité de Ética del Hospital General del Mando del Teatro Oriental (Aprobación nº DZQH-KYLLFS-25-38). Se obtuvo el consentimiento informado por escrito de todos los participantes antes de su inclusión. Todos los datos de los pacientes fueron anonimizados y desidentificados para garantizar la protección de la privacidad. Las herramientas de investigación para este protocolo se han listado en la Tabla de Materiales.
1. Construcción de grafos de conocimiento
El grafo de conocimiento se construyó utilizando una estrategia de integración de datos multifuente. La recopilación y anotación de datos fue realizada por personal formado con formación formal en Medicina Tradicional China (MTC) y acupuntura. Las fuentes de datos incluían textos clásicos de acupuntura, literatura en chino del CNKI, literatura en inglés de la Web of Science Core Collection, datos clínicos de centros reproductivos en hospitales terciarios y bases de conocimiento estandarizadas (la lista detallada de textos clásicos está disponible en el Archivo Suplementario 1). Estas fuentes fueron seleccionadas para garantizar tanto la profundidad histórica como la relevancia clínica contemporánea. Se incluyeron un total de 400 casos clínicos para apoyar la identificación de patrones diagnósticos y terapéuticos. El flujo de trabajo general de construcción de grafos de conocimiento se ilustra en la Figura 1.
Figura 1: Flujo de trabajo de construcción de grafos de conocimiento. Resumen del proceso de recopilación, extracción e integración de datos utilizado para construir el grafo de conocimiento. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Los criterios de inclusión requerían que todos los datos estuvieran directamente relacionados con el diagnóstico y tratamiento de la acupuntura, con contenido completo y claramente estructurado adecuado para la extracción de entidades y relaciones. Los textos clásicos debían ser recopilados críticamente y libres de errores evidentes, mientras que la literatura moderna se limitaba a publicaciones revisadas por pares o documentos publicados por instituciones autorizadas. Se requería que los datos clínicos fueran desidentificados y aprobados éticamente. Los criterios de exclusión incluían registros duplicados, fragmentos de texto incompletos, contenido no relacionado con el diagnóstico y tratamiento de la acupuntura, y afirmaciones sin fundamento o erróneas.
Se implementó un enfoque híbrido de extracción de conocimiento, que combinaba anotación manual y extracción automatizada. Aproximadamente el 30% de los datos, incluidos textos clásicos y contenido semánticamente complejo, fueron anotados manualmente por expertos del dominio utilizando una plataforma de anotación estandarizada. El 70% restante de los datos se procesó utilizando grandes modelos de lenguaje (LLMs) para su extracción automatizada, incluyendo reconocimiento de entidades, extracción de relaciones y normalización terminológica. Todos los resultados generados automáticamente fueron revisados y corregidos por expertos para garantizar la precisión y la coherencia.
La extracción automatizada se realizó utilizando plantillas estructuradas de prompts diseñadas para guiar el comportamiento de los LLM (los ejemplos de plantillas se presentan en el Archivo Suplementario 2). Estas plantillas definían el rol del modelo como un experto en extracción de conocimiento específico de dominio e incorporaban ejemplos de aprendizaje de pocos disparos en formato JSON triplet para mejorar el rendimiento de extracción. Los resúmenes de la literatura preprocesada se enviaron mediante interfaces de programación de aplicaciones (APIs), y se implementaron estrategias de procesamiento paralelo para mejorar la eficiencia computacional. Las salidas de extracción se analizaban y validaban utilizando herramientas de validación JSON para garantizar la integridad estructural. Los tripletes de conocimiento validados se serializaban en archivos JSON independientes, nombrados según sus documentos fuente para mantener la trazabilidad.
El grafo de conocimiento finalizado se almacenaba en una base de datos de grafos e implementaba utilizando frameworks basados en Python. La visualización se realizó utilizando herramientas integradas de bases de datos de grafos para facilitar la inspección y validación.
Las entidades en el grafo de conocimiento se categorizaron en siete tipos: enfermedades, síntomas, patrones de síndrome, puntos de acupuntura, meridianos, métodos de tratamiento y sustancias efectoras y mecanismos biológicos. Se construyeron relaciones entre entidades para reflejar la lógica diagnóstica y terapéutica clínica, apoyando el razonamiento multi-saltos y la inferencia estructurada. La ontología y la estructura de relaciones se ilustran en la Figura 2. El esquema detallado del grafo de conocimiento y ejemplos de restricciones de relaciones se proporcionan en el Archivo Suplementario 3 y el Archivo Suplementario 4.
Figura 2: Ontología de grafos de conocimiento y modelo de relaciones. Representación esquemática de tipos de entidades y relaciones dentro del grafo de conocimiento. Las entidades centrales incluyen enfermedad, síntoma, síndrome, punto de acupuntura y método de tratamiento, y ilustran las relaciones diagnósticas y terapéuticas.
Por favor, haz clic aquí para ver una versión ampliada de esta figura.
2. Desarrollo de sistemas de aplicaciones
El sistema de aplicación se desarrolló a partir del grafo de conocimiento construido para permitir el apoyo a la decisión clínica. El sistema procesa datos de entrada de usuario y realiza análisis estructurados mediante procesamiento de lenguaje natural y razonamiento con grafos de conocimiento.
La comprensión del lenguaje natural se implementó utilizando el modelo BiLSTM-CRF para el reconocimiento y enlace de entidades nombradas; la arquitectura del modelo se muestra en la Figura 3. La arquitectura del modelo consistía en una capa de incrustación entrenada con corpus específicos de dominio, una capa bidireccional de memoria a corto plazo largo para capturar información contextual, y una capa condicional de campo aleatorio para asegurar el etiquetado óptimo de secuencias. El modelo se entrenó con datos clínicos y literarios anotados manualmente, con anotaciones realizadas de forma independiente por expertos del dominio. El acuerdo entre anotadores se evaluó usando el coeficiente kappa de Cohen, con un umbral de ≥0,85. Las discrepancias se resolvieron mediante consenso de expertos.
Figura 3: Arquitectura del modelo BiLSTM-CRF. Diagrama esquemático del modelo BiLSTM-CRF utilizado para el reconocimiento de entidades nombradas, incluyendo incrustaciones, capas BiLSTM y CRF.
Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Durante la inferencia, el modelo extrajo entidades estructuradas, incluyendo síntomas, enfermedades y patrones de síndromes, a partir de datos clínicos de entrada. Estas entidades se mapearon a nodos estandarizados en el grafo de conocimiento usando normalización terminológica, coincidencia vectorial basada en similitud coseno y desambiguación contextual.
La recuperación de conocimiento se realizó utilizando una estrategia de doble modo que combinaba enfoques basados en palabras clave y semántica. La recuperación por palabras clave utilizó la indexación de texto completo para la coincidencia precisa de entidades estructuradas, mientras que la recuperación semántica empleó representaciones vectoriales para identificar el conocimiento no estructurado relevante. Los resultados recuperados se fusionaron, deduplicaron y estructuraron para el procesamiento posterior. Se aplicó una estrategia de clasificación multidimensional para priorizar los resultados basándose en la coincidencia exacta, la similitud semántica y la relevancia de palabras clave, ajustando la ponderación para contextos ginecológicos y relacionados con la DOR.
El sistema generaba resultados diagnósticos y de tratamiento utilizando técnicas de generación de lenguaje natural, convirtiendo el conocimiento estructurado en respuestas clínicamente interpretables.
3. Aplicación clínica y evaluación
El sistema desarrollado se aplicó en un entorno clínico para evaluar su desempeño práctico. Los participantes del estudio fueron pacientes diagnosticados con reserva ovárica disminuida en un hospital terciario de Nankín que consintieron recibir tratamiento de acupuntura.
Los participantes eran elegibles si tenían entre 20 y 40 años y cumplían los criterios diagnósticos para la disminución de la reserva ovárica según los criterios POSEIDON de 2016 y el Consenso de Expertos Chinos de 2020. Los indicadores diagnósticos incluyeron una reducción de los niveles hormonales anti-Müllerianas y el recuento de folículos antrales < 5. Se excluyeron pacientes si presentaban condiciones que afectaban la fertilidad, comorbilidades graves o si habían recibido tratamiento de acupuntura para la fertilidad en los tres meses previos. El diagrama de flujo de inclusión y exclusión del paciente se muestra en la Figura 4.
Figura 4: Diagrama de flujo de inclusión y exclusión de pacientes. Diagrama de flujo que muestra la selección de pacientes. Un total de 127 pacientes cumplieron los criterios de inclusión, y 90 pacientes fueron incluidos tras aplicar criterios de exclusión y tener en cuenta los datos incompletos. Por favor, haz clic aquí para ver una versión ampliada de esta figura.
Los datos de los pacientes, incluyendo información demográfica y clínica, se recopilaron y registraron en un formato estructurado. Los participantes completaron cuestionarios estandarizados para recoger la información de síntomas e clínica (el cuestionario detallado se proporciona en el Archivo Suplementario 5). El sistema generaba resultados diagnósticos y prescripciones de acupuntura basándose en los datos de entrada.
El rendimiento del sistema se evaluó utilizando la precisión diagnóstica y la adecuación del tratamiento. La precisión diagnóstica se evaluó comparando los resultados de diferenciación del síndrome generados por el sistema con los proporcionados por tres médicos senior de MTC ginecológica, que sirvieron como estándar de referencia. La tasa de concordancia diagnóstica se calculó como la proporción de casos consistentes entre todos los casos.
La idoneidad del tratamiento fue evaluada por un panel de tres acupuntores senior con al menos cinco años de experiencia clínica y títulos profesionales superiores. Los expertos evaluaron de forma independiente las prescripciones generadas por el sistema utilizando una escala de Likert de 5 puntos. El acuerdo entre evaluadores se evaluó utilizando el coeficiente de concordancia (W) de Kendall.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
El grafo de conocimiento construido integra datos heterogéneos de textos de medicina tradicional china clásica, literatura clínica moderna y registros de casos reales, siguiendo principios establecidos de construcción y evaluación de grafos de conocimiento. Se incorporaron un total de 374 fuentes en chino, 267 artículos en inglés y 82 textos clásicos de la MTC, asegurando tanto profundidad histórica como relevancia clínica contemporánea (Figura 5).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El presente estudio describe un sistema inteligente de apoyo a la decisión basado en grafos de conocimiento, adaptado para el tratamiento con acupuntura de la disminución de la reserva ovárica, representando una transición de la modelización general del conocimiento de la medicina tradicional china a una aplicación clínica específica para cada enfermedad.
En comparación con la práctica convencional de la acupuntura, que depende en gran medida de la experiencia...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no declaran intereses en competencia.
Agradecimientos
Esta investigación fue apoyada por la Fundación Especial del Plan Provincial de Ciencia y Tecnología de Jiangsu (BE2022712) y el Proyecto Especial de Investigación sobre el Plan de Desarrollo de la Tecnología de la Medicina Tradicional China en la provincia de Jiangsu (ZT202120).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| BiLSTM-CRF | Open Source (https://github.com/jmhIcoding/bilstm-crf) | N/A | Arquitectura de modelo de aprendizaje profundo empleada para el reconocimiento de entidades nombradas en la extracción de texto clínico. |
| CNKI Database | China National Knowledge Infrastructure | N/A | Repositorio de literatura utilizado para la recuperación de publicaciones académicas relevantes en idioma chino. |
| JSON Viewer & Formatter | Megaish | 1.6.0 | Herramienta de software utilizada para la visualización y validación de estructuras de datos JSON. |
| KGs Annotation Platform | Nanjing KGI Data Technology Co., Ltd. | N/A | Plataforma de anotación colaborativa basada en web utilizada para la etiquetado manual de corpora de entidades médicas y relaciones para apoyar la construcción de gráficos de conocimiento. |
| Large Language Model API | Moonshot AI | N/A | API de LLM Kimi empleada para la comprensión semántica y extracción automatizada de conocimiento de literatura biomédica; interfaz compatible con el formato de API de OpenAI. |
| MySQL | Oracle Corporation | 8.0.42 | Sistema de gestión de bases de datos relacionales utilizado para el almacenamiento de datos clínicos estructurados. |
| Neo4j Browser | Neo4j,Inc. | 5.26.10 | Interfaz de base de datos gráfica utilizada para la visualización interactiva y consultas exploratorias del gráfico de conocimiento ginecológico. |
| Python | Python Software Foundation | 3.11.4 | Lenguaje de programación principal utilizado para la recopilación automatizada de literatura, invocación de API de LLM, coordinación de multiprocesamiento, análisis de datos y construcción de gráficos de conocimiento. |
| Web of Science Core Collection | Clarivate Analytics | N/A | Repositorio de literatura utilizado para la recuperación de publicaciones académicas relevantes en idioma inglés. |
Reimpresiones y permisos
