Studium nad inteligentnym systemem diagnozy i leczenia akupunktury w przypadku zmniejszonej rezerwy jajnikowej opartej na grafie wiedzy

Podsumowanie

Za pomocą literatury, klasycznych tekstów i danych klinicznych opracowano specyficzny dla ginekologii graf wiedzy na temat akupunktury oraz system wspomagania decyzji w przypadku obniżonej rezerwy jajnikowej (DOR). Ocena kliniczna wykazała 86,7% zgodności diagnostycznej i wysokie wyniki w zakresie przepisywania, z istotną statystycznie, ale ograniczoną zgodnością między ekspertami, co potwierdza jego rolę jako pomocniczego narzędzia wspomagającego decyzje kliniczne.

Streszczenie

Zmniejszona rezerwa jajnikowa (DOR) ma rosnącą częstość występowania i dotyczy coraz młodszych kobiet. Akupunktura jest klinicznie stosowana w DOR; jednak praktyka pozostaje subiektywna, zależna od doświadczenia i brakuje standaryzowanych wytycznych. W oparciu o nasz poprzedni ogólny inteligentny system akupunktury, niniejsze badanie koncentruje się na chorobach ginekologicznych i wykorzystuje DOR jako punkt wejścia klinicznego do opracowania specjalistycznego grafu wiedzy i systemu wspomagającego decyzje. Badanie uwzględniało 82 klasyczne teksty akupunktury, literaturę chińską i angielską oraz dane kliniczne. Wiedzę uzyskano za pomocą hybrydowego podejścia łączącego duże modele językowe i ręczne adnotację w celu stworzenia pełnego grafu wiedzy akupunkturowej i grafu gineologicznego specyficznego dla DOR. System wykorzystuje rozpoznawanie encji oparte na BiLSTM-CRF i dwustronne odzyskiwanie, aby zautomatyzować różnicowanie zespołów i generowanie receptur akupunkturowych. Pełny graf zawiera 16 558 encji i 80 084 relację, podczas gdy graf ginekologiczny zawiera 8 677 encji i 27 092 relacje. W kliniczna ocenie 90 pacjentów z DOR, system osiągnął wskaźnik zgodności diagnostycznej na poziomie 86,7% w porównaniu z ocenami ekspertów. Średni wynik właściwości receptury wynosił 4,65. Zgodność między oceniającymi wśród ekspertów, zmierzona za pomocą współczynnika spójności Kendalla, wynosiła W ≈ 0,13 (P < 0,05), co wskazuje na statystycznie istotną, ale ograniczoną zgodność. Te wyniki sugerują, że system może zapewnić strukturalne wsparcie dla różnicowania zespołów i generowania receptur opartych na akupunkturze w DOR, z potencjalnym zastosowaniem jako pomocniczego narzędzia wspomagającego decyzje kliniczne.

Wprowadzenie

Zmniejszona rezerwa jajnikowa (DOR) charakteryzuje się spadkiem ilości i/lub jakości oocytów, prowadząc do obniżonej płodności, nieregularności miesiączkowania i dysfunkcji hormonalnej¹. Zdarzenia DOR wzrosły w ostatnich latach i stopniowo wpływają na młodsze populacje. Dane epidemiologiczne ze Stanów Zjednoczonych wskazują na wzrost z 19% w 2004 roku do 26% w 2011 roku², podczas gdy raport Chińskiego Stowarzyszenia Medycznego zarejestrowała częstość występowania 13,58% wśród pacjentów z niepłodnością poddawanych asystowanej technologii reprodukcyjnej^2,3.

Obecne strategie zarządzania w medycynie zachodniej obejmują kontrolowaną hiperstymulację owarianą, uzupełniające leczenie farmakologiczne i terapię zastępczą hormonami. Jednak podejścia te mają kilka ograniczeń, w tym niski wskaźnik pozyskiwania oocytów, ograniczona poprawa wyników żywych urodzeń, wysokie odsetki przerwania leczenia, przeciwwskazania i potencjalne działania niepożądane^4,5.

Akupunktura była badana jako uzupełniające podejście terapeutyczne w celu poprawy funkcji owarianych u pacjentów z DOR. Dowody z badań klinicznych i przeglądów systematycznych sugerują potencjalne korzyści^6,7,8. Niemniej diagnostyka i leczenie za pomocą akupunktury są wciąż mocno uzależnione od doświadczenia praktyków, różnią się w zależności od różnych szkół teoretycznych i brakuje standaryzowanej integracji z współczesnymi danymi klinicznymi. Ograniczenia te ograniczają szersze wdrażanie wytycznych dotyczących akupunktury i zwiększają barierę edukacyjną dla lekarzy bez formalnego szkolenia z medycyny tradycyjnej Chin.

Ostatnie osiągnięcia w dziedzinie sztucznej inteligencji (AI) i technologii znajomości grafowych (KG) umożliwiły nowe podejścia do strukturyzacji i wykorzystywania złożonej wiedzy medycznej w akupunkturze i medycynie tradycyjnej Chin^9,10. Wcześniejsze badania obejmują analizy wizualne trendów badań nad akupunkturą¹¹, modele rekomendacji punktów akupunkturowych oparte na grafowych sieciach konwolucyjnych¹², ramy znajomości grafowej obejmujące uczenie się na podstawie pytań dla akupunktury i tuina¹³ oraz przeglądy systematyczne konstrukcji i zastosowań znajomości grafowej w medycynie tradycyjnej Chin¹⁴. Co więcej, integracja znajomości grafowych z dużymi modelami językowymi (LLMs) stała się obiecującym kierunkiem, jak wykazały systemy takie jak TCM-KLLaMA do generowania recept i systemy oparte na znajomości grafowej do odpowiedzi na pytania na podstawie przypadków, łączące LLMs z znajomością grafów^15,16. Badania te podkreślają potencjał podejść opartych na sztucznej inteligencji do wspierania strukturalnego rozumowania i podejmowania decyzji w medycynie tradycyjnej Chin. Ponadto zaawansowane metody analizy sieci zostały zastosowane do analizy teoretycznych systemów akupunktury, zapewniając wsparcie metodologiczne dla modelowania zstrukturyzowanej wiedzy medycznej¹⁷.

Nasza grupa opracowała wcześniej ogólny graf wiedzy akupunkturowej dla niepłodności, w tym model dualny ACUBERT oparty na Transformerze¹⁸ oraz bazę wiedzy akupunkturowej o dużej skali z możliwością rozumowania wieloskocznego¹⁹. Jednak te systemy były zaprojektowane jako ogólne ramy i brakowało im optymalizacji specyficznej dla chorób w warunkach ginekologicznych. Ponadto nie były one zweryfikowane klinicznie w scenariuszu zastosowania skoncentrowanego na DOR.

W tym kontekście, obecne badanie koncentruje się na gineologicznych zaburzeniach rozrodczych, wykorzystując DOR jako punkt wejścia klinicznego. Na podstawie istniejącego ogólnego grafu wiedzy akupunkturowej, skonstruowano domenę specyficzną dla grafu wiedzy skoncentrowaną na DOR, a opracowano inteligentny system wsparcia decyzji klinicznych. System został zweryfikowany przy użyciu rzeczywistych przypadków klinicznych w celu oceny spójności diagnostycznej i właściwości receptury, z zamiarem zapewnienia strukturalnego i powtarzalnego wsparcia dla podejmowania decyzji klinicznych opartych na akupunkturze.

Protokół

Badanie to przeprowadzono zgodnie ze standardami etycznymi instytucji i zyskało aprobatę Komitetu Etycznego Szpitala Generalnego Dowództwa Teatru Wschodniego (Numer zgody DZQH-KYLLFS-25-38). Pisemną, świadomą zgodę na udział w badaniu uzyskały wszystkie osoby uczestniczące przed ich przyjęciem. Wszystkie dane pacjentów zostały sanonimizowano i zdekompletowano w celu zapewnienia ochrony prywatności. Narzędzia badawcze zastosowane w tym protokołach są wymienione w Tabeli materiałów.

1. Budowa grafu wiedzy

Graf wiedzy został zbudowany przy użyciu wieloźródłowej strategii integracji danych. Zbieranie danych i ich adnotowanie przeprowadzali przeszkoleni pracownicy z formalnym wykształceniem w zakresie tradycyjnej medycyny chińskiej (TCM) i akupunktury. Źródła danych obejmowały klasyczne teksty dotyczące akupunktury, literaturę w języku chińskim z CNKI, literaturę w języku angielskim z Web of Science Core Collection, dane kliniczne z centrów reprodukcyjnych w szpitalach wyższej klasy oraz sstandardyzowane bazy wiedzy (Szczegółowa lista klasycznych tekstów jest dostępna w Pliku uzupełniającym 1). Źródła te zostały wybrane w celu zapewnienia zarówno historycznej głębi, jak i współczesnej istotności klinicznej. Łącznie włączono 400 przypadków klinicznych, aby wspierać identyfikację wzorców diagnostycznych i terapeutycznych. Ogólny przepływ pracy przy budowie grafu wiedzy jest przedstawiony na Rysunku 1.

Rysunek 1: Przepływ pracy przy budowie grafu wiedzy. Przegląd procesu zbierania, wyodrębniania i integracji danych stosowanych do budowy grafu wiedzy. Proszę kliknąć tutaj, aby zobaczyć większą wersję tego rysunku.

Kryteria dotyczące włączenia wymagały, aby wszystkie dane były bezpośrednio związane z diagnozą i leczeniem za pomocą akupunktury, z pełnymi i jasno ustrukturyzowanymi treściami nadającymi się do ekstrakcji encji i relacji. Wymagano, aby klasyczne teksty były krytycznie zestawione i wolne od oczywistych błędów, podczas gdy współczesna literatura była ograniczona do publikacji recenzowanych przez rówieśników lub dokumentów wydanych przez autorytatywne instytucje. Wymagano, aby dane kliniczne były zdekompletowane i zatwierdzone etycznie. Kryteria wykluczenia obejmowały duplikaty zapisów, niekompletne fragmenty tekstu, treści niezwiązane z diagnozą i leczeniem za pomocą akupunktury oraz niepotwierdzone lub błędne stwierdzenia.

Zaimplementowano hybrydową metodę ekstrakcji wiedzy, łącząc adnotację ręczną i automatyczną ekstrakcję. Około 30% danych, w tym klasyczne teksty i treści semantycznie skomplikowane, zostało ręcznie adnotowanych przez ekspertów dziedzinowych za pomocą zstandardyzowanej platformy adnotacji. Pozostałe 70% danych zostało przetworzonych za pomocą dużych modeli językowych (LLMs) w celu automatycznej ekstrakcji, w tym rozpoznawania encji, ekstrakcji relacji oraz normalizacji terminologii. Wszystkie automatycznie wygenerowane wyniki zostały przejrzane i skorygowanie przez ekspertów, aby zapewnić dokładność i spójność.

Automatyczna ekstrakcja została przeprowadzona za pomocą zstrukturyzowanych szablonów pytań zaprojektowanych w celu wyznaczenia zachowania LLM (Przykłady szablonów są przedstawione w Pliku uzupełniającym 2). Szablony te definiowały rolę modelu jako eksperta od ekstrakcji wiedzy specyficznej dla danej dziedziny i zawierały przykłady few-shot learning w formacie JSON triplet, aby poprawić wydajność ekstrakcji. Przetworzone abstrakty literatury były przesyłane przez interfejsy programowania aplikacji (API), a strategie przetwarzania równoległego zostały zaimplementowane, aby poprawić efektywność obliczeniową. Wyniki ekstrakcji były analizowane i walidowane za pomocą narzędzi do walidacji JSON, aby zapewnić integralność strukturalną. Walidowane triplety wiedzy były serializowane do niezależnych plików JSON, nazwane zgodnie ze źródłowymi dokumentami, aby zachować śledzenie.

Sfinalizowany graf wiedzy został przechowany w bazie danych grafowej i zaimplementowany za pomocą ramek opartych na Pythonie. Wizualizacja została przeprowadzona za pomocą wbudowane narzędzi bazy danych grafowej, aby wspierać inspekcję i walidację.

Encje w grafie wiedzy zostały sklasyfikowane w siedmiu typach: choroby, objawy, wzory zespołów, punkty akupunktury, merydiany, metody leczenia oraz substancje efektorowe i mechanizmy biologiczne. Relacje między encjami zostały zbudowane, aby odzwierciedlać kliniczna logikę diagnostyczną i terapeutyczną, wspierającą rozumowanie wieloskoczne i wnioskowanie strukturalne. Ontologia i struktura relacji są przedstawione na Rysunku 2. Szczegółowy schemat grafu wiedzy i przykłady ograniczeń relacji są dostępne

Wyniki

Zakonstruowany graficzny model wiedzy integruje różnorodne dane z klasycznych tekstów medycyny tradycyjnej, współczesnej literatury klinicznej oraz rzeczywistych przypadków, zgodnie z ustalonymi zasadami budowy i oceny graficznych modeli wiedzy. Łącznie wprowadzono 374 źródła w języku chińskim, 267 artykułów w języku angielskim oraz 82 klasyczne teksty medycyny tradycyjnej, zapewniając zarówno głębię historyczną, jak i współczesne znaczenie kliniczne (Rysunek 5).

Dyskusja

Niniejsze badanie opisuje inteligentny system wsparcia decyzji oparty na grafie wiedzy, dostosowany do akupunktury w leczeniu obniżonego zapasu jajnikowego, reprezentując przejście od modelowania ogólnej wiedzy medycyny tradycyjnej chińskiej do specyficznej dla choroby aplikacji klinicznej.

W porównaniu z konwencjonalną praktyką akupunktury, która w dużej mierze opiera się na doświadczeniu lekarza, proponowany system wprowadza strukturalną i powtarzalną ramę diagnostyczną. Poprzez integrację w...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Architektura modelu uczenia głębokiego zastosowana do rozpoznawania nazwanych jednostek w ekstrakcji tekstu klinicznego.
CNKI Database	China National Knowledge Infrastructure	N/A	Repozytorium literatury wykorzystywane do odzyskiwania odpowiednich publikacji akademickich w języku chińskim.
JSON Viewer & Formatter	Megaish	1.6.0	Narzędzie oprogramowania służące do wyświetlania i walidacji struktury danych JSON.
KGs Annotation Platform	Nanjing KGI Data Technology Co., Ltd.	N/A	Oparty na sieci współpracujący platforma do adnotacji wykorzystywana do ręcznego oznakowania korpusów jednostek medycznych i relacji w celu wsparcia budowy grafu wiedzy.
Large Language Model API	Moonshot AI	N/A	Kimi LLM API wykorzystywane do semantycznego rozumienia i zautomatyzowanego ekstrakcji wiedzy z literatury biomedycznej; interfejs kompatybilny z formatem API OpenAI.
MySQL	Oracle Corporation	8.0.42	System zarządzania relacyjnymi bazami danych używany do przechowywania zstrukturyzowanych danych klinicznych.
Neo4j Browser	Neo4j,Inc.	5.26.10	Interfejs bazy danych graficznych wykorzystywany do interaktywnej wizualizacji i eksploracji zapytań dotyczących gineologicznego grafu wiedzy.
Python	Python Software Foundation	3.11.4	Główny język programowania wykorzystywany do zautomatyzowanego przeszukiwania literatury, wywoływania API LLM, koordynacji wieloprocesowej, parsowania danych i budowy grafu wiedzy.
Web of Science Core Collection	Clarivate Analytics	N/A	Repozytorium literatury wykorzystywane do odzyskiwania odpowiednich publikacji akademickich w języku angielskim.