Uno studio su un sistema intelligente di diagnosi e assistenza al trattamento per l'agopuntura nella ridotta riserva ovarica basato su un grafico di conoscenza
29 maggio 2026
È stato sviluppato un grafo della conoscenza specifico per la ginecologia sull'agopuntura e un sistema di supporto alla decisione per la riserva ovarica ridotta (DOR) utilizzando letteratura, testi classici e dati clinici. La valutazione clinica ha dimostrato l'86,7% di accordo diagnostico e punteggi di prescrizione elevati, con un accordo statisticamente significativo ma limitato tra esperti, a supporto del suo ruolo come strumento ausiliario di supporto decisionale clinico.
La nostra ricerca si concentra sullo sviluppo di un sistema di agopuntura intelligente per la diagnosi e il trattamento della riserva ovarica ridotta. Questo protocollo può essere applicato alla ricerca sull'agopuntura che coinvolge la ridotta riserva ovarica e altre malattie riproduttive geologiche. Per cominciare, raccogliete dati da testi classici di agopuntura, letteratura in lingua cinese dall'Infrastruttura Nazionale della Conoscenza della Cina, o CNKI, dati clinici dai centri riproduttivi degli ospedali terziari, letteratura in lingua inglese dalla collezione base base del Web of Science e basi di conoscenza standardizzate.
Effettuare l'annotazione dei dati e selezionare i dati in base ai criteri di inclusione ed esclusione. Includere 400 casi clinici per supportare l'identificazione di modelli diagnostici e terapeutici. Utilizzando una piattaforma di annotazione standardizzata, annota manualmente circa il 30% dei dati, inclusi testi classici e contenuti semanticamente complessi.
Con grandi modelli linguistici, o LLMS, si elabora il 70% dei dati per il riconoscimento di entità, l'estrazione delle relazioni e la normalizzazione della terminologia. Rivedi i risultati generati. Utilizzando modelli strutturati di prompt progettati per guidare gli LLM, esegui l'estrazione automatica.
Una volta definito il ruolo del modello come esperto di estrazione di conoscenza specifico per dominio, includere un esempio di apprendimento di alcuni shot in notazione di oggetti JavaScript o in formato triplet JSON per migliorare le prestazioni di estrazione. Utilizzando strumenti di validazione JSON, serializzare i triplet di conoscenza validata in file JSON indipendenti denominati in base ai loro documenti sorgente per mantenere la tracciabilità. Memorizza il knowledge graph finale in un database di grafi utilizzando framework basati su Python.
Visualizza il knowledge graph utilizzando strumenti integrati di database di grafi per supportare l'ispezione e la validazione. Sviluppare il sistema applicativo basato sul grafo della conoscenza costruito per consentire il supporto decisionale clinico e elaborare di conseguenza i dati input degli utenti. Utilizzando il modello bidirezionale a lungo termine a campo casuale condizionale a breve termine o modello bi-LSTM CRF, implementa la comprensione del linguaggio naturale per il riconoscimento e il legame di entità nominate.
Costruire l'architettura del modello con uno strato di embedding addestrato su corpora specifici per il dominio, uno strato bidirezionale di memoria a breve termine per catturare informazioni contestuali e uno strato di campo casuale condizionale per garantire un'etichettatura ottimale delle sequenze. Addestrare il modello su dati clinici e letterari annotati manualmente con annotazioni eseguite indipendentemente da esperti del settore. Utilizzando il coefficiente di Kappa di Cohen, si valuta l'accordo tra annotatori con una soglia di almeno 0,85 e si risolvono le discrepanze tramite consenso degli esperti.
Durante l'inferenza, estrarre entità strutturate inclusi sintomi, malattie e schemi di sindrome dai dati clinici di input. Mappare queste entità a nodi standardizzati nel grafo della conoscenza. Utilizzando una strategia a doppia modalità, effettuare il recupero della conoscenza, combinando approcci basati su parole chiave e basati su semantici.
Usa rappresentazioni vettoriali per identificare conoscenze non strutturate rilevanti. Unisci i risultati recuperati basati su parole chiave e semantici. Identificare e rimuovere duplicati e strutturare i risultati per l'elaborazione a valle.
Regolare i pesi per contesti ginecologici e ridotti della riserva ovarica. Utilizzando tecniche di generazione del linguaggio naturale, genera output diagnostici e terapeutici e trasforma la conoscenza strutturata in risposte clinicamente interpretabili. Dopo aver applicato il sistema sviluppato in ambito clinico, reclutare i partecipanti con una riserva ovarica ridotta secondo i criteri di inclusione ed esclusione.
Raccogliere e registrare informazioni demografiche e cliniche dei pazienti in un formato strutturato. Genera output diagnostici e prescrizioni di agopuntura basandosi sui dati di input. Una volta valutata la performance del sistema utilizzando l'accuratezza diagnostica e l'adeguatezza del trattamento, confrontare i risultati della differenziazione della sindrome generati dal sistema con quelli forniti da tre medici senior di medicina ginecologica tradizionale cinese che fungono da standard di riferimento.
Calcola il tasso di concordanza diagnostica come la proporzione di casi costanti tra tutti i casi. Valutare l'adeguatezza del trattamento utilizzando un panel di tre agopuntori senior con almeno cinque anni di esperienza clinica e titoli professionali senior e far valutare in modo indipendente da esperti le prescrizioni generate dal sistema utilizzando una scala di Likert a cinque punti. Valuta l'accordo degli interratori usando il coefficiente di concordanza di Kendall.
Un totale di 374 fonti in lingua cinese, 267 articoli in inglese e 82 testi di medicina tradizionale classica cinese sono stati incorporati nel grafo della conoscenza. Il grafo di conoscenza completo conteneva 16.558 entità distribuite in sette categorie predefinite e 80.084 relazioni che coprono 21 tipi di relazioni. Tra 90 pazienti, l'età variava tra i 22 e i 54 anni con un picco a 32 anni e la concentrazione più alta nella fascia d'età tra i 31 e i 35 anni, la valutazione della scala d'ansia auto-valutazione ha mostrato che il 57% dei pazienti aveva punteggi normali.
Il 28% aveva livelli di ansia subclinica e proporzioni minori presentava ansia lieve, moderata o grave. L'accordo diagnostico tra output generati dal sistema e valutazioni da parte di clinici esperti è stato dell'86,7%. L'adeguatezza del trattamento ha avuto un punteggio medio di 4,65 su una scala di Likert a cinque punti. L'accordo tra valutatori esperti misurato utilizzando il coefficiente di concordanza di Kendall era di circa 0,13, suggerendo un livello statisticamente significativo di accordo, anche se la concordanza complessiva rimaneva limitata.
Questo approccio consente ai ricercatori di accedere all'accordo diagnostico e all'adeguatezza della prescrizione dell'agopuntura. I ricercatori possono inoltre eseguire analisi di ragionamento basate su modalità linguistica su larga scala, validazione multicentrica e follow-up a lungo termine utilizzando questa procedura. Studi futuri potranno approfondire questo lavoro espandendo le applicazioni ad ulteriori malattie, integrando dati multimodali e conducendo studi prospettivi.
Visualizza la trascrizione completa e accedi a migliaia di video scientifici
Panoramica
Questo studio ha sviluppato un grafo conoscitivo specializzato in agopuntura e un sistema di supporto alle decisioni per la riserva ovarica ridotta (DOR), utilizzando 82 testi classici, letteratura e dati clinici. Un approccio ibrido che combina modelli linguistici di grandi dimensioni e annotazione manuale ha estratto conoscenze per costruire un grafo completo e un sottografo di ginecologia. Il sistema utilizza BiLSTM-CRF per il riconoscimento delle entità e un recupero a doppia modalità per automatizzare la differenziazione dei sindromi e la generazione delle prescrizioni. In una valutazione clinica su 90 pazienti con DOR, il sistema ha raggiunto un accordo diagnostico con gli esperti dell’86,7% e un punteggio medio di appropriatezza delle prescrizioni pari a 4,65.
Componenti Chiave dello Studio
Ambito Scientifico
- Agopuntura
- Intelligenza artificiale
- Ginecologia
Sfondo
- La riserva ovarica ridotta (DOR) è in aumento tra le donne giovani.
- L'agopuntura viene utilizzata clinicamente per la DOR, ma mancano linee guida standardizzate.
- Studi precedenti hanno sviluppato un sistema intelligente generale per l'agopuntura.
- I grafi delle conoscenze possono strutturare le conoscenze della medicina tradizionale.
Scopo dello studio
- Sviluppare un grafo conoscitivo specializzato e un sistema di supporto alle decisioni per la DOR.
- Utilizzare la DOR come punto di ingresso clinico per le applicazioni relative alle malattie ginecologiche.
- Automatizzare la differenziazione dei sindromi e la generazione delle prescrizioni di agopuntura.
- Valutare le prestazioni del sistema confrontandole con le valutazioni degli esperti.
Metodi Utilizzati
- Estrazione di conoscenze da 82 testi classici di agopuntura, letteratura cinese e inglese e dati clinici.
- Utilizzo di un approccio ibrido: modelli linguistici di grandi dimensioni e annotazione manuale.
- Costruzione di un grafo completo della conoscenza dell'agopuntura e di un sottografo specifico per la ginecologia basato sul DOR.
- Applicazione del riconoscimento delle entità basato su BiLSTM-CRF.
- Implementazione di un recupero a doppia modalità per la differenziazione automatizzata dei sindromi e la generazione di prescrizioni.
Risultati principali
- Grafo completo: 16.558 entità e 80.084 relazioni.
- Sottografo di ginecologia: 8.677 entità e 27.092 relazioni.
- In 90 pazienti con DOR, il sistema ha raggiunto un accordo diagnostico con gli esperti dell'86,7%.
- Il punteggio medio di appropriatezza della prescrizione era di 4,65.
- Accordo inter-osservatore tra esperti: W di Kendall ≈ 0,13 (P < 0,05), indicante un accordo limitato ma significativo.
Conclusioni
- Il sistema fornisce un supporto strutturato per la differenziazione sindromica basata sull'agopuntura nella DOR.
- Può automatizzare la generazione delle prescrizioni con punteggi di appropriatezza elevati.
- Svolge la funzione di strumento ausiliario di supporto alle decisioni cliniche.
- La pratica standardizzata dell'agopuntura per la DOR potrebbe migliorare grazie all'integrazione dell'intelligenza artificiale.
Domande frequenti
Rilevanza Industriale del Progetto
Questo studio dimostra come i grafi cognitivi basati sull'intelligenza artificiale possano strutturare le conoscenze della medicina tradizionale a supporto delle decisioni cliniche, affrontando la soggettività e la variabilità della pratica dell'agopuntura nel caso della riserva ovarica ridotta. Automatizzando la differenziazione dei sindromi e la generazione delle prescrizioni, il sistema offre un framework riproducibile che aumenta la fiducia predittiva nell'interazione con i bersagli e nella verifica delle ipotesi terapeutiche. Questo approccio favorisce la riduzione del rischio meccanicistico e la continuità traslazionale dalla scoperta alla valutazione preclinica nella ricerca sulla salute della donna.
Applicazioni Strategiche nella Ricerca e Sviluppo in Biopharma
Scoperta Precoce e Validazione del Target
- Valore scientifico: Consente l'analisi di ipotesi terapeutiche mappando gli interventi di agopuntura su percorsi biologici coinvolti nella modulazione della riserva ovarica.
- Valore operativo: Fornisce una rappresentazione strutturata della conoscenza per ridurre l'ambiguità negli studi sui meccanismi d'azione delle terapie complementari.
Analisi e Sviluppo di Saggi
- Valore scientifico: Genera output quantificabili di differenziazione sindromica che possono fungere da endpoint fenotipici per la valutazione di composti.
- Valore operativo: Standardizza gli interventi basati sull'agopuntura attraverso la generazione automatizzata di prescrizioni, migliorando la riproducibilità del saggio tra diversi studi.
Ricerca Translazionale e Preclinica
- Valore scientifico: Supporta la modellizzazione di sistemi rilevanti per le malattie collegando modelli di medicina tradizionale a biomarcatori ginecologici e fenotipi clinici.
- Valore operativo: Facilita l'allineamento traslazionale dei biomarcatori correlando prescrizioni di agopuntura con indicatori misurabili della riserva ovarica.
Integrazione della Pipeline e del Flusso di Lavoro
Il metodo si integra nella biologia della scoperta permettendo la verifica di ipotesi sui meccanismi dell'agopuntura, supporta la prontezza alla sperimentazione attraverso protocolli di intervento standardizzati e si collega alla ricerca traslazionale mediante output clinici quantificabili che informano sulla continuità preclinica.
- Biologia della Scoperta: Supporta la verifica delle ipotesi e la chiarificazione dei percorsi coinvolti nella modulazione della riserva ovarica attraverso la navigazione strutturata di grafi conoscitivi.
- Screening: Permette la preparazione degli esami fornendo prescrizioni di agopuntura riproducibili come variabili d'intervento standardizzate.
- Analisi: Fornisce misurazioni quantitative di variabili dipendenti, inclusi tassi di accordo diagnostico e punteggi di appropriatezza delle prescrizioni, per l'analisi comparativa delle condizioni.
- Ricerca Translazionale: Collega la scoperta alla validazione preclinica mediante modellazione di sistemi pertinenti alla malattia e misure di esito allineate ai biomarcatori.
- Riutilizzo Aziendale: Stabilisce un framework di grafo conoscitivo riutilizzabile, applicabile ad altre condizioni ginecologiche oltre alla ridotta riserva ovarica.
Impatto Operativo ed Aziendale
- Valore scientifico: Affidabilità predittiva nella validazione degli obiettivi terapeutici, riduzione dell'ambiguità meccanicistica nei meccanismi delle terapie complementari.
- Valore operativo: Standardizzazione, riproducibilità e scalabilità degli interventi basati sull'agopuntura tra diversi centri di ricerca.
- Valore strategico: Decisioni più efficaci su prosegui/non prosegui, efficienza del capitale e riduzione del rischio biologico in fase avanzata nello sviluppo del portafoglio per la salute della donna.
- Impatto sul portafoglio: Prioritizzazione e decisioni di avanzamento corrette per rischio basate su metriche quantificabili della risposta terapeutica.
Considerazioni relative all'implementazione
- Competenze richieste nella costruzione di knowledge graph, elaborazione del linguaggio naturale e endocrinologia ginecologica.
- Le esigenze strumentali includono un'infrastruttura computazionale per l'addestramento del modello BiLSTM-CRF e sistemi di recupero a doppia modalità.
- La standardizzazione tra gruppi diversi richiede un allineamento tra sviluppatori di intelligenza artificiale, agopuntori clinici ed endocrinologi della riproduzione.
- Le considerazioni relative all'adattamento coinvolgono il mappatura delle strutture del knowledge graph ad altri domini di patologie, mantenendo al contempo la validità clinica.
- I limiti pratici includono la dipendenza da testi clinici annotati di alta qualità e la variabilità nel consenso degli esperti per l'individuazione della verità di riferimento.
