Studium nad inteligentnym systemem diagnozy i leczenia akupunktury w przypadku zmniejszonej rezerwy jajnikowej opartej na grafie wiedzy
29 maja 2026
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.
Nasze badania koncentrują się na opracowaniu inteligentnego systemu akupunktury do diagnozy i leczenia osłabionej rezerwy jajnikowej. Ten protokół może być stosowany w badaniach dotyczących akupunktury związanych z osłabioną rezerwą jajników i innymi chorobami związanymi z rozrodczością. Na początek należy zebrać dane z klasycznych tekstów akupunkturowych, literatury w języku chińskim z China National Knowledge Infrastructure, czyli CNKI, danych klinicznych z ośrodków rozrodczych w szpitalach wyższego stopnia, literatury w języku angielskim z Web of Science core collection oraz zbadanych baz wiedzy.
Wykonaj adnotacje danych i wybierz dane zgodnie z kryteriami włączenia i wyłączenia. Uwzględnij 400 przypadków klinicznych, aby wspomóc identyfikację wzorców diagnostycznych i terapeutycznych. Za pomocą standaryzowanej platformy adnotacji ręcznie zanotuj około 30% danych, w tym teksty klasyczne i treści semantycznie złożone.
Za pomocą dużych modeli językowych, czyli LLMS, przetwarzaj 70% danych w celu rozpoznawania encji, wyodrębniania relacji i normalizacji terminologii. Przejrzyj wygenerowane wyniki. Używając zorganizowanych szablonów pytań zaprojektowanych, aby prowadzić LLM, wykonaj automatyczne wyodrębnianie.
Gdy rola modelu jest zdefiniowana jako ekspert ds. ekstrakcji wiedzy specyficznej dla danej domeny, uwzględnij przykład nauki z niewielką liczbą prób w notacji obiektów JavaScript lub formacie potrójnym JSON, aby poprawić wydajność ekstrakcji. Za pomocą narzędzi do weryfikacji JSON, uporządkuj zweryfikowane potrójne wiedzy w niezależne pliki JSON nazwane zgodnie z ich źródłowymi dokumentami, aby zachować śledzenie. Przechowuj sfinalizowany graf wiedzy w bazie danych graficznej używających ramek opartych na Pythonie.
Wyświetl graf wiedzy za pomocą wbudowanych narzędzi bazy danych graficznej, aby wspierać inspekcję i weryfikację. Opracuj system aplikacji na podstawie skonstruowanego grafu wiedzy, aby umożliwić wsparcie decyzji klinicznych i odpowiednie przetwarzanie danych wejściowych użytkownika. Za pomocą dwukierunkowego modelu pamięci krótkotrwałej warunkowej wartości losowych lub modelu bi-LSTM CRF, zaimplementuj rozumienie języka naturalnego dla rozpoznawania nazw encji i łączenia encji.
Zbuduj architekturę modelu z warstwą osadzenia przeszkoloną na korpusach specyficznych dla danej domeny, warstwą dwukierunkową pamięci krótkotrwałej w celu uchwycenia informacji kontekstowych i warstwą warunków losowych, aby zapewnić optymalne etykietowanie sekwencji. Trenuj model na ręcznie adnotowanych danych klinicznych i literaturowych z adnotacjami wykonanymi niezależnie przez ekspertów dziedziny. Za pomocą współczynnika Kappa Cohena ocen inter-anotatorową zgodność przynajmniej na poziomie 0,85 i różnice rozwiąż za pomocą konsensusu ekspertów.
Podczas wnioskowania, wyodrębnij uporządkowane encje, w tym objawy, choroby i wzorce zespołów z danych wejściowych klinicznych. Przemapuj te encje na standaryzowane węzły w grafie wiedzy. Za pomocą strategii dwóch trybów, przeprowadź odzyskiwanie wiedzy, łącząc podejścia oparte na słowach kluczowych i semantycznych.
Użyj reprezentacji wektorowych, aby zidentyfikować odpowiednie niesstrukturalizowane wiedzy. Połącz wyniki odzyskane na podstawie słów kluczowych i semantycznych. Identyfikuj i usuń duplikaty oraz strukturalizuj wyniki do dalszej obróbki.
Dostosuj wagi dla kontekstów związanych z ginekologami i osłabioną rezerwą jajników. Za pomocą technik generowania języka naturalnego, generuj wyniki diagnostyczne i leczenia oraz przekształcaj uporządkowaną wiedzę w klinicznie interpretowalne odpowiedzi. Po zastosowaniu opracowanego systemu w środowisku klinicznym, rekrutuj uczestników z rozpoznaniem osłabionej rezerwy jajników zgodnie z kryteriami włączenia i wyłączenia.
Zbieraj i zapisuj dane demograficzne i kliniczne pacjentów w uporządkowanym formacie. Generuj wyniki diagnostyczne i recepty akupunkturowe na podstawie danych wejściowych. Gdy wydajność systemu zostanie oceniona za pomocą dokładności diagnostycznej i właściwości leczenia, porównaj wyniki zróżnicowanego zespołu generowanego przez system z wynikami dostarczonymi przez trzech starszych lekarzy medycyny tradycyjnej Chin służących jako standard odniesienia.
Oblicz stopień zgodności diagnostycznej jako ułamek zgodnych przypadków spośród wszystkich przypadków. Oceń właściwość leczenia za pomocą panelu trzech starszych akupunkturzystów z co najmniej pięcioletnim doświadczeniem klinicznym i tytułami zawodowymi oraz zwróć się do ekspertów o niezależną ocenę recept generowanych przez system za pomocą pięciopunktowej skali Likerta. Oceń zgodność między oceniodawcami za pomocą współczynnika spójności Kendalla.
W sumie 374 źródła w języku chińskim, 267 artykułów w języku angielskim i 82 klasyczne teksty medycyny tradycyjnej chińskiej zostały włączone do grafu wiedzy. Pełny graf wiedzy zawierał 16 558 encji w siedmiu wstępnie określonych kategoriach i 80 084 relacje obejmujące 21 typów relacji. Wśród 90 pacjentów wiek zawierał się w przedziale od 22 do 54 lat z szczytem na 32 lata, a najwyższe stężenie znajdowało się w grupie wiekowej 31 do
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
W ramach niniejszego badania opracowano specjalistyczny graf wiedzy oraz system wspomagania decyzji w zakresie akupunktury stosowanej w przypadku zmniejszonej rezerwy jajnikowej (DOR), wykorzystując 82 teksty klasyczne, literaturę oraz dane kliniczne. Zastosowano podejście hybrydowe, łączące duże modele językowe z adnotacją ręczną, w celu ekstrakcji wiedzy niezbędnej do budowy pełnego grafu oraz podgrafu ginekologicznego. System wykorzystuje model BiLSTM-CRF do rozpoznawania encji oraz dwutrybowe wyszukiwanie w celu automatyzacji różnicowania syndromów i generowania receptur. W ocenie klinicznej przeprowadzonej z udziałem 90 pacjentek z DOR system osiągnął 86,7% zgodności diagnostycznej z ekspertami oraz średnią ocenę trafności receptur na poziomie 4,65.
Kluczowe elementy badania
Dziedzina nauki
- Akupunktura
- Sztuczna Inteligencja
- Ginekologia
Wstęp
- Zmniejszona rezerwa jajnikowa (DOR) coraz częściej występuje u młodszych kobiet.
- Akupunktura jest stosowana klinicznie w przypadku DOR, jednak brakuje ustandaryzowanych wytycznych.
- Wcześniejsze prace doprowadziły do opracowania ogólnego inteligentnego systemu akupunktury.
- Grafy wiedzy mogą służyć do strukturyzowania wiedzy z zakresu medycyny tradycyjnej.
Cel badania
- Opracowanie specjalistycznego grafu wiedzy i systemu wspomagania decyzji dla DOR.
- Wykorzystanie DOR jako klinicznego punktu wyjścia dla zastosowań w chorobach ginekologicznych.
- Automatyzacja różnicowania syndromów i generowania zaleceń akupunkturowych.
- Ocena wydajności systemu w odniesieniu do ocen eksperckich.
Zastosowane metody
- Wiedza wyekstrahowana z 82 klasycznych tekstów akupunkturowych, literatury chińskiej i angielskiej oraz danych klinicznych.
- Zastosowanie podejścia hybrydowego: dużych modeli językowych i adnotacji ręcznej.
- Konstrukcja pełnego grafu wiedzy o akupunkturze oraz specyficznego dla DOR podgrafu ginekologicznego.
- Wykorzystanie rozpoznawania encji opartego na BiLSTM-CRF.
- Wdrożenie dwutrybowego wyszukiwania w celu zautomatyzowanego różnicowania syndromów i generowania receptur.
Główne wyniki
- Pełny graf: 16 558 encji i 80 084 relacji.
- Podgraf ginekologiczny: 8 677 encji i 27 092 relacji.
- W grupie 90 pacjentów z DOR system osiągnął 86,7% zgodności diagnostycznej z ekspertami.
- Średni wynik zasadności przepisywania leków wyniósł 4,65.
- Zgodność między ekspertami: współczynnik W Kendalla ≈ 0,13 (P < 0,05), co wskazuje na ograniczoną, lecz istotną zgodność.
Wnioski
- System zapewnia ustrukturyzowane wsparcie dla różnicowania zespołów w ramach akupunktury w leczeniu DOR.
- Może on automatyzować generowanie recept z wysokimi wskaźnikami trafności.
- Służy jako pomocnicze narzędzie wspierania decyzji klinicznych.
- Standaryzowana praktyka akupunktury w DOR może zostać usprawniona dzięki integracji z AI.
Najczęściej Zadawane Pytania
Znaczenie dla przemysłu
Niniejsze badanie demonstruje, w jaki sposób grafy wiedzy oparte na sztucznej inteligencji mogą strukturyzować wiedzę z zakresu medycyny tradycyjnej w celu wspierania decyzji klinicznych, rozwiązując problem subiektywizmu i zmienności w praktyce akupunktury stosowanej w przypadku zmniejszonej rezerwy jajnikowej. Poprzez automatyzację różnicowania syndromów i generowania zaleceń terapeutycznych, system oferuje powtarzalne ramy, które zwiększają pewność prognostyczną w zakresie oddziaływania na cel oraz testowania hipotez terapeutycznych. Podejście to wspiera ograniczanie ryzyka mechanistycznego i zapewnia ciągłość translacyjną od fazy odkryć do oceny przedklinicznej w badaniach nad zdrowiem kobiet.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesne odkrywanie i walidacja celu
- Wartość naukowa: Umożliwia weryfikację hipotez terapeutycznych poprzez mapowanie interwencji akupunkturowych na szlaki biologiczne w modulacji rezerwy jajnikowej.
- Wartość operacyjna: Zapewnia ustrukturyzowaną reprezentację wiedzy w celu zmniejszenia niejednoznaczności w badaniach nad mechanizmem działania terapii komplementarnych.
Przesiewanie i opracowywanie testów
- Wartość naukowa: Generuje mierzalne wyniki różnicowania zespołów, które mogą służyć jako fenotypowe punkty końcowe przesiewu w ocenie związków chemicznych.
- Wartość operacyjna: Standaryzuje interwencje oparte na akupunkturze poprzez zautomatyzowane generowanie schematów leczenia, co poprawia powtarzalność testów w różnych badaniach.
Badania translacyjne i przedkliniczne
- Wartość naukowa: Wspiera modelowanie systemów istotnych dla chorób poprzez powiązanie wzorców medycyny tradycyjnej z biomarkerami ginekologicznymi i fenotypami klinicznymi.
- Wartość operacyjna: Ułatwia translacyjne dopasowanie biomarkerów poprzez korelację receptur akupunkturowych z mierzalnymi wskaźnikami rezerwy jajnikowej.
Integracja potoku i przepływu pracy
Metoda ta integruje się z biologią odkrywczą, umożliwiając testowanie hipotez dotyczących mechanizmów akupunktury, wspiera gotowość do badań przesiewowych dzięki ustandaryzowanym protokołom interwencji oraz łączy się z badaniami translacyjnymi za pomocą mierzalnych wyników klinicznych, które stanowią podstawę dla ciągłości badań przedklinicznych.
- Biologia odkrywcza: Wspiera testowanie hipotez i wyjaśnianie szlaków modulacji rezerwy jajnikowej poprzez ustrukturywowaną nawigację w grafie wiedzy.
- Przesiewanie: Umożliwia przygotowanie testów poprzez dostarczenie powtarzalnych schematów akupunktury jako zestandaryzowanych zmiennych interwencyjnych.
- Analityka: Dostarcza ilościowych pomiarów zmiennych zależnych, w tym wskaźników zgodności diagnostycznej i ocen zasadności przepisanych schematów dla porównawczej analizy stanów chorobowych.
- Badania translacyjne: Łączy fazę odkryć z walidacją przedkliniczną poprzez modelowanie systemowe istotne dla danej choroby oraz miary wyników zgodne z biomarkerami.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy reużywalny framework grafu wiedzy, który można zastosować w innych schorzeniach ginekologicznych poza zmniejszoną rezerwą jajnikową.
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększenie pewności prognostycznej w walidacji celu, redukcja niejednoznaczności mechanistycznej w mechanizmach terapii komplementarnych.
- Wartość operacyjna: Standaryzacja, powtarzalność i skalowalność interwencji opartych na akupunkturze w różnych ośrodkach badawczych.
- Wartość strategiczna: Lepsze decyzje dotyczące kontynuacji lub przerwania badań (go/no-go), efektywność kapitałowa oraz zredukowane ryzyko biologiczne w późnych fazach rozwoju portfolio zdrowia kobiet.
- Wpływ na portfolio: Priorytetyzacja skorygowana o ryzyko oraz decyzje o dalszym wdrażaniu w oparciu o mierzalne wskaźniki odpowiedzi terapeutycznej.
Wskazówki dotyczące wdrożenia
- Wymagana wiedza ekspercka w zakresie budowy grafów wiedzy, przetwarzania języka naturalnego oraz endokrynologii ginekologicznej.
- Potrzeby instrumentacyjne obejmują infrastrukturę obliczeniową do trenowania modelu BiLSTM-CRF oraz dwutrybowe systemy wyszukiwania.
- Standaryzacja międzyzespołowa wymaga uzgodnień pomiędzy programistami AI, klinicznymi specjalistami akupunktury oraz endokrynologami rozrodu.
- Kwestie adaptacyjne obejmują mapowanie struktur grafów wiedzy na inne domeny chorób przy zachowaniu poprawności klinicznej.
- Ograniczenia praktyczne obejmują zależność od wysokiej jakości adnotowanych tekstów klinicznych oraz zmienność w konsensusie ekspertów przy ustalaniu prawdy obiektywnej.
