Een studie over een intelligent diagnose- en behandelassistentensysteem voor acupunctuur bij verminderde eierstokreserve gebaseerd op een kennisgrafiek

Samenvatting

Een gynaecologie-specifieke acupunctuurkennisgrafiek en een beslissingsondersteunend systeem voor verminderde ovariumreserve (DOR) werd ontwikkeld met behulp van literatuur, klassieke teksten en klinische gegevens. Klinische evaluatie toonde 86,7% diagnostische overeenstemming en hoge voorschrijfscores, met statistisch significante maar beperkte inter-expert instemming, wat de rol als hulpinstrument voor klinische beslissingsondersteuning ondersteunt.

Samenvatting

De verminderde eierstokreserve (DOR) neemt toe in incidentie en treft jongere vrouwen. Acupunctuur is klinisch gebruikt voor DOR; Toch blijft de praktijk subjectief, afhankelijk van ervaring en ontbreekt het aan gestandaardiseerde richtlijnimplementatie. Voortbouwend op ons eerdere algemene intelligente acupunctuursysteem, richt deze studie zich op gynaecologische aandoeningen en gebruikt DOR als klinisch instappunt om een gespecialiseerde kennisgrafiek en besluitvormingssysteem te ontwikkelen. Deze studie omvatte 82 klassieke acupunctuurteksten, Chinese en Engelse literatuur en klinische gegevens. Kennis werd geëxtraheerd met een hybride benadering die grote taalmodellen en handmatige annotatie combineerde om een volledige acupunctuurkennisgrafiek en een DOR-specifieke gynaecologie-subgraaf te construeren. Het systeem maakt gebruik van BiLSTM-CRF-gebaseerde entiteitsherkenning en dual-mode retrieval om syndroomdifferentiatie en het genereren van acupunctuurrecepten te automatiseren. De volledige grafiek bevat 16.558 entiteiten en 80.084 relaties, terwijl de gynaecologie-subgraaf 8.677 entiteiten en 27.092 relaties bevat. In een klinische evaluatie van 90 patiënten met DOR behaalde het systeem een diagnostisch overeenkomstpercentage van 86,7% vergeleken met deskundige beoordelingen. De gemiddelde score voor geschiktheid van het recept was 4,65. Inter-rater overeenkomst onder experts, gemeten met Kendall's coëfficiënt van concordantie, was W ≈ 0,13 (P < 0,05), wat wijst op statistisch significante maar beperkte overeenkomst. Deze bevindingen suggereren dat het systeem gestructureerde ondersteuning kan bieden voor acupunctuur-gebaseerde syndroomdifferentiatie en het genereren van recepten in DOR, met potentieel als een aanvullende klinische beslissingsondersteuningstool.

Inleiding

Verminderde eierstokreserve (DOR) wordt gekenmerkt door een afname van de hoeveelheid en/of kwaliteit van de eicellen, wat leidt tot verminderde vruchtbaarheid, menstruatieafwijkingen en hormonale disbalans¹. De incidentie van DOR is de afgelopen jaren toegenomen en treft geleidelijk jongere populaties. Epidemiologische gegevens uit de Verenigde Staten geven een stijging aan van 19% in 2004 tot 26% in 2011, terwijl een rapport van de Chinese Medische Vereniging een prevalentie van 13,58% documenteerde onder onvruchtbare patiënten die geassisteerde voortplantingstechnologie^{ondergaan 2,3}.

Huidige beheersstrategieën in de westerse geneeskunde omvatten gecontroleerde ovariumhyperstimulatie, adjuvante farmacologische behandelingen en hormoonvervangingstherapie. Deze benaderingen zijn echter geassocieerd met verschillende beperkingen, waaronder lage oocytenpunctiepercentages, beperkte verbetering in levendgeboorteresultaten, hoge percentages behandelingsstop, contra-indicaties en mogelijke bijwerkingen ^4,5.

Acupunctuur is onderzocht als een complementaire therapeutische benadering om de eierstokfunctie bij patiënten met DOR te verbeteren. Bewijs uit klinische studies en systematische reviews suggereert mogelijke voordelen ^6,7,8. Desalniettemin blijven acupunctuurdiagnose en behandeling sterk afhankelijk van de ervaring van de beoefenaar, verschillen ze tussen verschillende theoretische scholen en missen ze gestandaardiseerde integratie met moderne klinische data. Deze beperkingen beperken de bredere implementatie van acupunctuurrichtlijnen en vergroten de leerdrempel voor clinici zonder formele opleiding in traditionele Chinese geneeskunde.

Recente ontwikkelingen in kunstmatige intelligentie (AI) en kennisgrafieken (KG) hebben nieuwe benaderingen mogelijk gemaakt voor het structureren en benutten van complexe medische kennis in acupunctuur en TCM ^9,10. Eerdere studies omvatten visuele analyses van acupunctuuronderzoekstrends¹¹, acupunctuuraanbevelingsmodellen gebaseerd op grafconvolutionele netwerken¹², kennisgrafiekraamwerken die prompt learning voor acupunctuur en tuina¹³ bevatten, en systematische reviews van TCM-kennisgrafiekconstructie en toepassingen¹⁴. Bovendien is de integratie van kennisgrafieken met grote taalmodellen (LLM's) naar voren gekomen als een veelbelovende richting, zoals aangetoond door systemen zoals TCM-KLLaMA voor het genereren van recepten en case-based question-answering systemen die LLM's combineren met kennisgrafieken^15,16. Deze studies benadrukken het potentieel van AI-gedreven benaderingen om gestructureerd redeneren en besluitvorming in TCM te ondersteunen. Daarnaast zijn complexe netwerkmethodologieën toegepast om acupunctuurtheoretische systemen te analyseren, wat methodologische ondersteuning biedt voor het modelleren van gestructureerde medische kennis¹⁷.

Onze groep heeft eerder een algemene acupunctuurkennisgrafiek voor onvruchtbaarheid ontwikkeld, inclusief het op Transformer gebaseerde dual-channel ACUBERT model¹⁸ en een grootschalige acupunctuurkennisbank met multi-hop redeneercapaciteit¹⁹. Deze systemen zijn echter ontworpen als algemene raamwerken en missen ziekte-specifieke optimalisatie voor gynaecologische aandoeningen. Daarnaast zijn ze niet klinisch gevalideerd in een DOR-gericht toepassingsscenario.

In deze context richt de huidige studie zich op gynaecologische voortplantingsstoornissen, waarbij DOR als klinisch instappunt wordt gebruikt. Voortbouwend op de bestaande algemene acupunctuurkennisgrafiek werd een domeinspecifieke kennisgrafiek op maat gemaakt voor DOR, en werd een intelligent klinisch besluitvormingssysteem ontwikkeld. Het systeem werd geëvalueerd met behulp van klinische gevallen uit de praktijk om diagnostische consistentie en geschiktheid van voorschriften te beoordelen, met als doel gestructureerde en reproduceerbare ondersteuning te bieden voor acupunctuurgebaseerde klinische besluitvorming.

Protocol

Deze studie werd uitgevoerd volgens institutionele ethische normen en goedgekeurd door de Ethische Commissie van het Algemeen Ziekenhuis van het Eastern Theater Command (Goedkeuringsnummer DZQH-KYLLFS-25-38). Schriftelijke geïnformeerde toestemming werd van alle deelnemers verkregen voorafgaand aan opname. Alle patiëntgegevens werden geanonimiseerd en gedeidentificeerd om privacybescherming te waarborgen. De onderzoeksinstrumenten voor dit protocol zijn vermeld in de Materiaaltabel.

1. Kennisgrafiekconstructie

De kennisgrafiek is opgebouwd met een multi-source data-integratiestrategie. Dataverzameling en -annotatie werden uitgevoerd door getraind personeel met formele opleiding in Traditionele Chinese Geneeskunde (TCM) en acupunctuur. Gegevensbronnen omvatten klassieke acupunctuurteksten, Chinese literatuur van CNKI, Engelstalige literatuur uit de Web of Science Core Collection, klinische gegevens van reproductieve centra in tertiaire ziekenhuizen en gestandaardiseerde kennisbases (De gedetailleerde lijst van klassieke teksten is beschikbaar in Aanvullend Bestand 1). Deze bronnen zijn geselecteerd om zowel historische diepgang als hedendaagse klinische relevantie te waarborgen. In totaal werden 400 klinische gevallen opgenomen ter ondersteuning van de identificatie van diagnostische en therapeutische patronen. De algemene workflow van het maken van kennisgrafieken wordt geïllustreerd in Figuur 1.

Figuur 1: Knowledge graph construction workflow. Overzicht van het proces van gegevensverzameling, -extractie en integratie dat wordt gebruikt om de kennisgrafiek te construeren. Klik hier om een grotere versie van deze figuur te bekijken.

De inclusiecriteria vereisten dat alle gegevens direct gerelateerd waren aan acupunctuurdiagnose en behandeling, met volledige en duidelijk gestructureerde inhoud die geschikt was voor het extraheren van entiteiten en relaties. Klassieke teksten moesten kritisch worden gerangschikt en vrij van duidelijke fouten, terwijl moderne literatuur beperkt bleef tot peer-reviewed publicaties of documenten uitgegeven door gezaghebbende instellingen. Klinische gegevens moesten worden gedeidentificeerd en ethisch goedgekeurd. Uitsluitingscriteria omvatten dubbele gegevens, onvolledige tekstfragmenten, inhoud die niets met acupunctuurdiagnose en behandeling te maken had, en niet-onderbouwde of onjuiste uitspraken.

Er werd een hybride kennisextractie-benadering geïmplementeerd, waarbij handmatige annotatie en geautomatiseerde extractie werden gecombineerd. Ongeveer 30% van de data, inclusief klassieke teksten en semantisch complexe inhoud, werd handmatig geannoteerd door domeinexperts met behulp van een gestandaardiseerd annotatieplatform. De resterende 70% van de data werd verwerkt met behulp van grote taalmodellen (LLM's) voor geautomatiseerde extractie, waaronder entiteitsherkenning, relatie-extractie en terminologie-normalisatie. Alle automatisch gegenereerde resultaten werden door experts beoordeeld en gecorrigeerd om nauwkeurigheid en consistentie te waarborgen.

Geautomatiseerde extractie werd uitgevoerd met behulp van gestructureerde prompt-sjablonen die bedoeld waren om LLM-gedrag te sturen (voorbeelden van sjablonen worden gepresenteerd in Supplementair Bestand 2). Deze sjablonen definieerden de modelrol als domeinspecifieke expert in kennisextractie en verwerkten voorbeelden van few-shot learning in JSON triplet-formaat om de extractieprestaties te verbeteren. Vooraf bewerkte literatuurabstracts werden ingediend via application programming interfaces (API's), en parallelle verwerkingsstrategieën werden geïmplementeerd om de computationele efficiëntie te verbeteren. Extractie-uitkomsten werden geanalyseerd en gevalideerd met behulp van JSON-validatietools om structurele integriteit te waarborgen. Gevalideerde kennistriplets werden geserialiseerd in onafhankelijke JSON-bestanden, genoemd volgens hun brondocumenten om traceerbaarheid te waarborgen.

De definitieve kennisgrafiek werd opgeslagen in een grafiekdatabase en geïmplementeerd met behulp van Python-gebaseerde frameworks. Visualisatie werd uitgevoerd met ingebouwde grafdatabasetools ter ondersteuning van inspectie en validatie.

Entiteiten in de kennisgrafiek werden ingedeeld in zeven typen: ziekten, symptomen, syndroompatronen, acupunten, meridianen, behandelmethoden, en effectorstoffen en biologische mechanismen. Relaties tussen entiteiten werden geconstrueerd om de klinische diagnostische en therapeutische logica te weerspiegelen, wat multi-hop redeneren en gestructureerde inferentie ondersteunde. De ontologie en relatiestructuur worden geïllustreerd in Figuur 2. Het gedetailleerde kennisgrafiekschema en voorbeelden van relatiebeperkingen zijn beschikbaar in Supplementair Bestand 3 en Aanvullend Bestand 4.

Figuur 2: Kennisgrafiekontologie en relatiemodel. Schematische weergave van entiteitstypen en relaties binnen de kennisgraaf. Kernonderdelen zijn onder andere ziekte, symptoom, syndroom, acupoint en behandelmethode, en illustreren diagnostische en therapeutische relaties.
Klik hier om een grotere versie van deze figuur te bekijken.

2. Ontwikkeling van applicatiesystemen

Het applicatiesysteem is ontwikkeld op basis van de geconstrueerde kennisgrafiek om klinische beslissingsondersteuning mogelijk te maken. Het systeem verwerkt gebruikersinvoergegevens en voert gestructureerde analyses uit via natuurlijke taalverwerking en kennisgrafiekredenering.

Natuurlijk taalbegrip werd geïmplementeerd met het BiLSTM-CRF-model voor herkenning van benoemde entiteiten en entiteitskoppelingen; de modelarchitectuur is weergegeven in Figuur 3. De modelarchitectuur bestond uit een embeddinglaag die getraind was op domeinspecifieke corpora, een bidirectionele langetermijngeheugenlaag om contextuele informatie vast te leggen, en een conditionele toevalsveldlaag om optimale sequentielabeling te waarborgen. Het model werd getraind op handmatig geannoteerde klinische en literatuurgegevens, waarbij de annotatie onafhankelijk werd uitgevoerd door domeinexperts. De overeenstemming tussen de annotators werd beoordeeld met behulp van de kappa-coëfficiënt van Cohen, met een drempel van ≥0,85. Discrepanties werden opgelost door deskundigen consensus.

Figuur 3: BiLSTM-CRF modelarchitectuur. Schematisch diagram van het BiLSTM-CRF-model gebruikt voor herkenning van benoemde entiteiten, inclusief embedding, BiLSTM- en CRF-lagen.
Klik hier om een grotere versie van deze figuur te bekijken.

Tijdens inferentie haalde het model gestructureerde entiteiten, waaronder symptomen, ziekten en syndroompatronen, uit klinische inputgegevens. Deze entiteiten werden gekoppeld aan gestandaardiseerde knooppunten in de kennisgrafiek met behulp van terminologie-normalisatie, cosinusgelijkenis-gebaseerde vectormatching en contextuele ontklaring.

Kennisopvraging werd uitgevoerd met een dual-mode strategie die trefwoord- en semantiekgebaseerde benaderingen combineerde. Keyword retrieval maakte gebruik van full-text indexering voor nauwkeurige matching van gestructureerde entiteiten, terwijl semantische retrieval vectorrepresentaties gebruikte om relevante ongestructureerde kennis te identificeren. De opgehaalde resultaten werden samengevoegd, gededupliceerd en gestructureerd voor downstream-verwerking. Er werd een multidimensionale rangschikkingsstrategie toegepast om resultaten te prioriteren op basis van exacte matching, semantische gelijkenis en trefwoordrelevantie, waarbij de weging werd aangepast voor gynaecologische en DOR-gerelateerde contexten.

Het systeem genereerde diagnostische en behandelresultaten met behulp van natuurlijke taalgeneratietechnieken, waarbij gestructureerde kennis werd omgezet in klinisch interpreteerbare reacties.

3. Klinische toepassing en evaluatie

Het ontwikkelde systeem werd in een klinische setting toegepast om de praktische prestaties te evalueren. Deelnemers aan de studie waren patiënten die in een tertiair ziekenhuis in Nanjing waren gediagnosticeerd met verminderde eierstokreserve en die toestemming gaven voor acupunctuurbehandeling.

Deelnemers kwamen in aanmerking als zij tussen 20 en 40 jaar oud waren en voldeden aan de diagnostische criteria voor verminderde eierstokreserve volgens de POSEIDON-criteria van 2016 en de Chinese Expert Consensus van 2020. Diagnostische indicatoren omvatten verlaagde anti-Mülleriaanse hormoonspiegels en antrale follikeltelling < 5. Patiënten werden uitgesloten als zij aandoeningen hadden die de vruchtbaarheid beïnvloedden, ernstige comorbiditeiten hadden, of binnen de voorgaande drie maanden acupunctuurbehandeling voor vruchtbaarheid hadden ondergaan. Het stroomschema voor patiëntenopname en uitsluiting is weergegeven in Figuur 4.

Figuur 4: Stroomschema voor patiëntopname en uitsluiting. Stroomdiagram dat patiëntselectie toont. In totaal voldeden 127 patiënten aan de inclusiecriteria, en 90 patiënten werden opgenomen na toepassing van exclusiecriteria en rekening houdend met onvolledige gegevens. Klik hier om een grotere versie van deze figuur te bekijken.

Patiëntgegevens, inclusief demografische en klinische informatie, werden verzameld en geregistreerd in een gestructureerd formaat. Deelnemers vulden gestandaardiseerde vragenlijsten in om symptoom- en klinische informatie vast te leggen (de gedetailleerde vragenlijst is te vinden in Aanvullend Dossier 5). Het systeem genereerde diagnostische uitgangen en acupunctuurvoorschriften op basis van de invoergegevens.

De systeemprestaties werden geëvalueerd met behulp van diagnostische nauwkeurigheid en geschiktheid van behandeling. De diagnostische nauwkeurigheid werd beoordeeld door systeemgegenereerde syndroomdifferentiatieresultaten te vergelijken met die van drie senior gynaecologische TCM-artsen, die als referentiestandaard dienden. Het diagnostische overeenkomstpercentage werd berekend als het aandeel consistente gevallen onder alle gevallen.

De geschiktheid van de behandeling werd beoordeeld door een panel van drie senior acupuncturisten met minstens vijf jaar klinische ervaring en hoge professionele titels. Experts beoordeelden onafhankelijk systeemgegenereerde recepten met behulp van een Likert-schaal van 5 punten. Inter-rater overeenkomst werd geëvalueerd met behulp van Kendalls coëfficiënt van concordantie (W).

Resultaten

De geconstrueerde kennisgrafiek integreert heterogene gegevens uit klassieke traditionele Chinese geneeskundeteksten, moderne klinische literatuur en praktijkverslagen, volgens gevestigde principes voor kennisgrafiekconstructie en evaluatie. In totaal werden 374 Chinese bronnen, 267 Engelstalige artikelen en 82 klassieke TCM-teksten opgenomen, wat zowel historische diepgang als hedendaagse klinische relevantie waarborgt (Figuur 5).

Discussie

De huidige studie beschrijft een op kennisgrafiek gebaseerd intelligent besluitvormingsondersteuningssysteem dat is afgestemd op acupunctuurbehandeling van verminderde eierstokreserve, en vertegenwoordigt een overgang van algemene traditionele Chinese geneeskunde-kennismodellering naar een ziekte-specifieke klinische toepassing.

In vergelijking met conventionele acupunctuurpraktijk, die sterk leunt op ervaring van beoefenaars, introduceert het voorgestelde sys...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Deep learning model architecture ingezet voor genoemde entiteit herkenning in klinische tekstextractie.
CNKI Database	China National Knowledge Infrastructure	N/A	Literatuuropslagplaats gebruikt voor het ophalen van relevante academische publicaties in het Chinees.
JSON Viewer & Formatter	Megaish	1.6.0	Softwaretool gebruikt voor het bekijken en valideren van JSON-gegevensstructuren.
KGs Annotation Platform	Nanjing KGI Data Technology Co., Ltd.	N/A	Webgebaseerd collaboratief annotatieplatform gebruikt voor het handmatig labelen van medische entiteit en relatie corpora om kennisgraafconstructie te ondersteunen.
Large Language Model API	Moonshot AI	N/A	Kimi LLM API ingezet voor semantisch begrip en geautomatiseerde kennisextractie uit biomedische literatuur; interface compatibel met OpenAI API-indeling.
MySQL	Oracle Corporation	8.0.42	Relationeel databasebeheersysteem gebruikt voor de opslag van gestructureerde klinische gegevens.
Neo4j Browser	Neo4j, Inc.	5.26.10	Grafdatabase-interface gebruikt voor de interactieve visualisatie en exploratieve query's van de gynaecologische kennisgraaf.
Python	Python Software Foundation	3.11.4	Primaire programmeertaal gebruikt voor geautomatiseerd literatuurcrawlen, oproepen van LLM API, coördinatie van multiprocessing, gegevensparsing en kennisgraafconstructie.
Web of Science Core Collection	Clarivate Analytics	N/A	Literatuuropslagplaats gebruikt voor het ophalen van relevante academische publicaties in het Engels.