Une étude sur un système intelligent d’assistance au diagnostic et au traitement pour l’acupuncture dans la diminution de la réserve ovarienne, basée sur un graphique de connaissances

Résumé

Un graphe de connaissances en acupuncture spécifique à la gynécologie et un système d’aide à la décision pour la réserve ovarienne diminuée (DOR) ont été développés à partir de la littérature, des textes classiques et des données cliniques. L’évaluation clinique a démontré un accord diagnostique de 86,7 % et des scores de prescription élevés, avec un accord inter-experts statistiquement significatif mais limité, soutenant son rôle d’outil auxiliaire à la décision clinique.

Résumé

La diminution de la réserve ovarienne (DOR) augmente en incidence et touche les femmes plus jeunes. L’acupuncture a été utilisée cliniquement pour la DOR ; cependant, la pratique reste subjective, dépendante de l’expérience et manque de mise en œuvre de lignes directrices standardisées. S’appuyant sur notre précédent système d’acupuncture intelligente générale, cette étude cible les maladies gynécologiques et utilise la DOR comme point d’entrée clinique pour développer un graphe de connaissances spécialisé et un système d’aide à la décision. Cette étude comprenait 82 ouvrages classiques sur l’acupuncture, la littérature chinoise et anglaise, ainsi que des données cliniques. Les connaissances ont été extraites en utilisant une approche hybride combinant grands modèles de langage et annotation manuelle pour construire un graphe complet des connaissances en acupuncture et un sous-graphique gynécologique spécifique au DOR. Le système utilise la reconnaissance d’entités basée sur BiLSTM-CRF et la récupération en double mode pour automatiser la différenciation du syndrome et la génération de prescriptions d’acupuncture. Le graphe complet contient 16 558 entités et 80 084 relations, tandis que le sous-graphe gynécologie contient 8 677 entités et 27 092 relations. Dans une évaluation clinique de 90 patients atteints de DOR, le système a atteint un taux d’accord diagnostique de 86,7 % par rapport aux évaluations d’experts. Le score moyen d’adéquation des prescriptions était de 4,65. L’accord entre évaluateurs entre experts, mesuré à l’aide du coefficient de concordance de Kendall, était W ≈ 0,13 (P < 0,05), indiquant un accord statistiquement significatif mais limité. Ces résultats suggèrent que le système peut fournir un soutien structuré à la différenciation du syndrome basée sur l’acupuncture et à la génération de prescriptions dans le DOR, avec un potentiel comme outil auxiliaire d’aide à la décision clinique.

Introduction

La diminution de la réserve ovarienne (DOR) se caractérise par une diminution de la quantité et/ou de la qualité des ovocytes, entraînant une diminution de la fertilité, des irrégularités menstruelles et un déséquilibre^{hormonal 1}. L’incidence du RID a augmenté ces dernières années et touche progressivement les populations plus jeunes. Les données épidémiologiques des États-Unis indiquent une augmentation de 19 % en 2004 à 26 % en 2011², tandis qu’un rapport de l’Association médicale chinoise a documenté une prévalence de 13,58 % chez les patients infertiles subissant une technologie de procréation^{assistée 2,3}.

Les stratégies de prise en compte actuelles en médecine occidentale incluent l’hyperstimulation ovarienne contrôlée, les traitements pharmacologiques adjuvants et la thérapie hormonale substitutive. Cependant, ces approches sont associées à plusieurs limitations, notamment de faibles taux de prélèvement d’ovocytes, une amélioration limitée des résultats de naissance vivante, des taux élevés d’arrêt du traitement, des contre-indications et des effets indésirables^{potentiels 4,5}.

L’acupuncture a été étudiée comme une approche thérapeutique complémentaire pour améliorer la fonction ovarienne chez les patients atteints de DOR. Les preuves issues d’études cliniques et de revues systématiques suggèrent des bénéfices^{potentiels 6,7,8}. Néanmoins, le diagnostic et le traitement de l’acupuncture restent fortement dépendants de l’expérience des praticiens, varient selon les différentes écoles théoriques et manquent d’intégration standardisée avec les données cliniques modernes. Ces limitations restreignent la mise en œuvre plus large des lignes directrices en acupuncture et augmentent la barrière d’apprentissage pour les cliniciens sans formation formelle en médecine traditionnelle chinoise.

Les avancées récentes en intelligence artificielle (IA) et en technologies de graphes de connaissances (KG) ont permis de nouvelles approches pour structurer et utiliser des connaissances médicales complexes en acupuncture et^{MTC 9,10}. Les études antérieures incluent des analyses visuelles des tendances de recherche en^{acupuncture 11}, des modèles de recommandations de points d’acupuncture basés sur des réseaux convolutionnels^{de graphes 12}, des cadres de graphes de connaissances intégrant l’apprentissage prompt pour l’acupuncture et tuina¹³, ainsi que des revues systématiques de la construction et des applications des graphes de connaissances^{MTC 14}. De plus, l’intégration des graphes de connaissances avec les grands modèles de langage (LLM) s’est imposée comme une direction prometteuse, comme le démontrent des systèmes tels que TCM-KLLaMA pour la génération de prescriptions et des systèmes de questions-réponses basés sur des cas combinant LLM avec des graphes de connaissances^15,16. Ces études mettent en avant le potentiel des approches pilotées par l’IA pour soutenir le raisonnement structuré et la prise de décision en MTC. De plus, des méthodologies de réseaux complexes ont été appliquées pour analyser les systèmes théoriques de l’acupuncture, fournissant un soutien méthodologique pour modéliser les connaissances médicales^{structurées 17}.

Notre groupe a déjà développé un graphique général de connaissances en acupuncture pour l’infertilité, incluant le modèle¹⁸ ACUBERT à double canal basé sur Transformer et une base de connaissances d’acupuncture à grande échelle avec capacité de raisonnement^{multi-sauts 19}. Cependant, ces systèmes ont été conçus comme des cadres polyvalents et manquent d’optimisation spécifique à la maladie pour les conditions gynécologiques. De plus, ils n’ont pas été validés cliniquement dans un scénario de candidature axé sur le DOR.

Dans ce contexte, la présente étude se concentre sur les troubles gynécologiques de la reproduction, en utilisant la DOR comme point d’entrée clinique. S’appuyant sur le graphe de connaissances général existant sur l’acupuncture, un graphe de connaissances spécifique à un domaine adapté à la DOR a été construit, et un système intelligent d’aide à la décision clinique a été développé. Le système a été évalué à partir de cas cliniques réels afin d’évaluer la cohérence diagnostique et la pertinence des prescriptions, dans le but d’offrir un soutien structuré et reproductible à la prise de décision clinique basée sur l’acupuncture.

Protocole

Cette étude a été menée conformément aux normes éthiques institutionnelles et a été approuvée par le Comité d’éthique de l’Hôpital général du Commandement du théâtre de l’Est (Approbation n° DZQH-KYLLFS-25-38). Un consentement éclairé écrit a été obtenu de tous les participants avant l’inclusion. Toutes les données des patients ont été anonymisées et désidentifiées afin de garantir la protection de la vie privée. Les outils de recherche pour ce protocole ont été listés dans le tableau des matériaux.

1. Construction de graphes de connaissances

Le graphe de connaissances a été construit en utilisant une stratégie d’intégration de données multi-sources. La collecte et l’annotation des données étaient réalisées par du personnel formé ayant une formation formée en médecine traditionnelle chinoise (MTC) et en acupuncture. Les sources de données comprenaient des textes classiques d’acupuncture, de la littérature en langue chinoise du CNKI, de la littérature anglophone de la Web of Science Core Collection, des données cliniques provenant de centres de reproduction d’hôpitaux tertiaires, ainsi que des bases de connaissances standardisées (la liste détaillée des textes classiques est disponible dans le Fichier Supplémentaire 1). Ces sources ont été sélectionnées pour garantir à la fois une profondeur historique et une pertinence clinique contemporaine. Un total de 400 cas cliniques ont été inclus pour soutenir l’identification des schémas diagnostiques et thérapeutiques. Le flux de travail global de la construction de graphes de connaissances est illustré à la Figure 1.

Figure 1 : Flux de travail de construction de graphes de connaissances. Aperçu du processus de collecte, d’extraction et d’intégration des données utilisé pour construire le graphe de connaissances. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Les critères d’inclusion exigeaient que toutes les données soient directement liées au diagnostic et au traitement de l’acupuncture, avec un contenu complet et clairement structuré, adapté à l’extraction d’entités et de relations. Les textes classiques devaient être classés de manière critique et exempts d’erreurs évidentes, tandis que la littérature moderne se limitait aux publications évaluées par des pairs ou aux documents publiés par des institutions faisant autorité. Les données cliniques devaient être désidentifiées et approuvées sur le plan éthique. Les critères d’exclusion comprenaient des dossiers en double, des fragments de texte incomplets, du contenu non lié au diagnostic et au traitement de l’acupuncture, ainsi que des affirmations non étayées ou erronées.

Une approche hybride d’extraction des connaissances a été mise en place, combinant annotation manuelle et extraction automatisée. Environ 30 % des données, y compris des textes classiques et des contenus sémantiquement complexes, étaient annotés manuellement par des experts du domaine à l’aide d’une plateforme d’annotation standardisée. Les 70 % restants des données ont été traitées à l’aide de grands modèles de langage (LLM) pour une extraction automatisée, incluant la reconnaissance d’entités, l’extraction de relations et la normalisation terminologique. Tous les résultats générés automatiquement ont été examinés et corrigés par des experts afin d’assurer la précision et la cohérence.

L’extraction automatisée était réalisée à l’aide de modèles d’invites structurés conçus pour guider le comportement des LLM (des exemples de modèles sont présentés dans le Fichier Supplémentaire 2). Ces modèles définissaient le rôle du modèle comme expert spécifique à l’extraction de connaissances et incorporaient des exemples d’apprentissage en poignées de tirs en format triplet JSON pour améliorer les performances d’extraction. Des résumés de littérature prétraités ont été soumis via des interfaces de programmation d’applications (API), et des stratégies de traitement parallèle ont été mises en œuvre pour améliorer l’efficacité de calcul. Les sorties d’extraction étaient analysées et validées à l’aide d’outils de validation JSON afin d’assurer l’intégrité structurelle. Les triplets de connaissances validés étaient sérialisés en fichiers JSON indépendants, nommés selon leurs documents sources afin de maintenir la traçabilité.

Le graphe de connaissances finalisé était stocké dans une base de données de graphes et implémenté à l’aide de frameworks basés sur Python. La visualisation a été réalisée à l’aide d’outils intégrés de base de données de graphes pour soutenir l’inspection et la validation.

Les entités du graphe de connaissance ont été catégorisées en sept types : maladies, symptômes, schémas de syndrome, points d’acupuncture, méridiens, méthodes de traitement, ainsi que substances effectrices et mécanismes biologiques. Les relations entre entités ont été construites pour refléter la logique diagnostique et thérapeutique clinique, soutenant le raisonnement multi-sauts et l’inférence structurée. L’ontologie et la structure des relations sont illustrées à la Figure 2. Le schéma détaillé du graphe de connaissance et des exemples de contraintes de relations sont fournis dans le fichier supplémentaire 3 et le fichier supplémentaire 4.

Figure 2 : Ontologie du graphe de connaissances et modèle de relations. Représentation schématique des types d’entités et des relations au sein du graphe de connaissances. Les entités centrales incluent la maladie, le symptôme, le syndrome, le point d’acupuncte et la méthode de traitement, et elles illustrent les relations diagnostiques et thérapeutiques.
Veuillez cliquer ici pour voir une version agrandie de cette figurine.

2. Développement de systèmes applicatifs

Le système d’application a été développé à partir du graphe de connaissances construit afin de permettre un soutien à la décision clinique. Le système traite les données saisies par l’utilisateur et réalise une analyse structurée grâce au traitement du langage naturel et au raisonnement par graphe de connaissances.

La compréhension du langage naturel a été mise en œuvre à l’aide du modèle BiLSTM-CRF pour la reconnaissance et la liaison d’entités nommées ; l’architecture du modèle est illustrée à la Figure 3. L’architecture du modèle comprenait une couche d’immersion entraînée sur des corpus spécifiques à un domaine, une couche bidirectionnelle de mémoire à court terme pour capturer les informations contextuelles, et une couche de champ aléatoire conditionnelle pour garantir un étiquetage optimal des séquences. Le modèle a été entraîné sur des données cliniques et littéraires annotées manuellement, avec une annotation réalisée indépendamment par des experts du domaine. L’accord entre annotateurs a été évalué à l’aide du coefficient kappa de Cohen, avec un seuil de ≥0,85. Les divergences ont été résolues grâce au consensus des experts.

Figure 3 : Architecture du modèle BiLSTM-CRF. Schéma du modèle BiLSTM-CRF utilisé pour la reconnaissance d’entités nommées, incluant l’embedding, les couches BiLSTM et CRF.
Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Lors de l’inférence, le modèle a extrait des entités structurées, incluant les symptômes, les maladies et les schémas de syndrome, à partir des données d’entrée cliniques. Ces entités ont été mappées à des nœuds standardisés dans le graphe de connaissance en utilisant la normalisation terminologique, l’appariement vectoriel basé sur la similarité cosinus et la désambiguïsation contextuelle.

La récupération des connaissances a été réalisée à l’aide d’une stratégie à double mode combinant des approches basées sur les mots-clés et la sémantique. La récupération de mots-clés utilisait l’indexation en texte intégral pour une correspondance précise d’entités structurées, tandis que la récupération sémantique employait des représentations vectorielles pour identifier les connaissances non structurées pertinentes. Les résultats récupérés ont été fusionnés, dédupliqués et structurés pour le traitement en aval. Une stratégie de classement multidimensionnelle a été appliquée pour prioriser les résultats en fonction de l’appariement exact, de la similarité sémantique et de la pertinence des mots-clés, avec une pondération ajustée pour les contextes gynécologiques et liés au DOR.

Le système générait des résultats diagnostiques et thérapeutiques en utilisant des techniques de génération de langage naturel, transformant les connaissances structurées en réponses cliniquement interprétables.

3. Application clinique et évaluation

Le système développé a été appliqué en milieu clinique pour évaluer ses performances pratiques. Les participants à l’étude étaient des patients diagnostiqués avec une réserve ovarienne diminuée dans un hôpital tertiaire de Nankin qui ont consenti à recevoir un traitement d’acupuncture.

Les participants étaient éligibles s’ils avaient entre 20 et 40 ans et remplissaient les critères diagnostiques de réserve ovarienne diminuée selon les critères POSEIDON de 2016 et le consensus d’experts chinois de 2020. Les indicateurs diagnostiques comprenaient une diminution des niveaux d’hormones anti-müllériennes et un nombre de follicules antraux < 5. Les patientes étaient exclues si elles présentaient des conditions affectant la fertilité, des comorbidités graves ou avaient reçu un traitement d’acupuncture pour la fertilité au cours des trois mois précédents. Le diagramme de flux d’inclusion et d’exclusion des patients est illustré à la Figure 4.

Figure 4 : Diagramme de flux d’inclusion et d’exclusion des patients. Organigramme montrant la sélection des patients. Au total, 127 patients ont rempli les critères d’inclusion, et 90 patients ont été inclus après avoir appliqué les critères d’exclusion et pris en compte des données incomplètes. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Les données des patients, y compris des informations démographiques et cliniques, ont été collectées et enregistrées dans un format structuré. Les participants ont rempli des questionnaires standardisés pour recueillir les symptômes et les informations cliniques (le questionnaire détaillé est fourni dans le Fichier Supplémentaire 5). Le système générait des résultats diagnostiques et des prescriptions d’acupuncture en fonction des données d’entrée.

La performance du système a été évaluée en utilisant la précision diagnostique et la pertinence du traitement. La précision diagnostique a été évaluée en comparant les résultats de différenciation du syndrome générés par le système avec ceux fournis par trois médecins seniors en TCM gynécologique, qui ont servi de référence standard. Le taux d’accord diagnostique a été calculé comme la proportion de cas constants parmi tous les cas.

La pertinence du traitement a été évaluée par un panel composé de trois acupuncteurs seniors ayant au moins cinq ans d’expérience clinique et des titres professionnels seniors. Des experts ont évalué de manière indépendante les prescriptions générées par le système à l’aide d’une échelle de Likert à 5 points. L’accord inter-évaluateurs a été évalué à l’aide du coefficient de concordance de Kendall (W).

Résultats

Le graphe de connaissances construit intègre des données hétérogènes provenant de textes de médecine traditionnelle chinoise classique, de littérature clinique moderne et de dossiers de cas réels, suivant les principes établis de construction et d’évaluation des graphes de connaissance. Un total de 374 sources en langue chinoise, 267 articles en anglais et 82 textes classiques de la MTC ont été intégrés, assurant à la fois une profondeur historique et une pertinence clinique contemporaine (Figure 5

Discussion

La présente étude décrit un système intelligent d’aide à la décision basé sur un graphe de connaissances, adapté au traitement par acupuncture de la réserve ovarienne diminuée, représentant une transition de la modélisation générale des connaissances en médecine traditionnelle chinoise vers une application clinique spécifique à une maladie.

Comparé à la pratique conventionnelle de l’acupuncture, qui repose fortement sur l’expérience des praticiens, le système ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Architecture de modèle de deep learning employée pour la reconnaissance d'entités nommées dans l'extraction de texte clinique.
Base de données CNKI	China National Knowledge Infrastructure	N/A	Référentiel de littérature utilisé pour la récupération de publications académiques pertinentes en langue chinoise.
Visionneuse et formateur JSON &	Megaish	1.6.0	Outil logiciel utilisé pour la visualisation et la validation de la structure de données JSON.
Plateforme d'annotation KGs	Nanjing KGI Data Technology Co., Ltd.	N/A	Plateforme d'annotation collaborative basée sur le web utilisée pour l'étiquetage manuel des corpus d'entités médicales et de relations afin de soutenir la construction de graphes de connaissances.
API de grand modèle linguistique	Moonshot AI	N/A	API LLM Kimi employée pour la compréhension sémantique et l'extraction automatisée de connaissances à partir de la littérature biomédicale ; interface compatible avec le format d'API OpenAI.
MySQL	Oracle Corporation	8.0.42	Système de gestion de bases de données relationnelles utilisé pour le stockage de données cliniques structurées.
Navigateur Neo4j	Neo4j, Inc.	5.26.10	Interface de base de données graphique utilisée pour la visualisation interactive et l'interrogation exploratoire du graphe de connaissances gynécologique.
Python	Python Software Foundation	3.11.4	Langage de programmation principal utilisé pour le crawl automatisé de la littérature, l'invocation d'API LLM, la coordination multiprocessus, l'analyse de données et la construction du graphe de connaissances.
Web of Science Core Collection	Clarivate Analytics	N/A	Référentiel de littérature utilisé pour la récupération de publications académiques pertinentes en langue anglaise.