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
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.
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.
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.