Um Estudo sobre um Sistema Inteligente de Diagnóstico e Assistente de Tratamento para Acupuntura em Reserva Ovariana Diminuída Baseado em um Gráfico de Conhecimento

Resumo

Um grafo de conhecimento específico para acupuntura e um sistema de apoio à decisão para reserva ovariana diminuída (DOR) foram desenvolvidos utilizando literatura, textos clássicos e dados clínicos. A avaliação clínica demonstrou 86,7% de concordância diagnóstica e altas pontuações de prescrição, com concordância estatisticamente significativa, porém limitada, entre especialistas, que apoiam seu papel como ferramenta auxiliar de apoio clínico à decisão.

Resumo

A diminuição da reserva ovariana (DOR) está aumentando em incidência e afetando mulheres mais jovens. A acupuntura tem sido usada clinicamente para DOR; no entanto, a prática permanece subjetiva, dependente da experiência e carece de implementação padronizada de diretrizes. Com base em nosso sistema geral de acupuntura inteligente anterior, este estudo foca em doenças ginecológicas e utiliza o DOR como ponto de entrada clínico para desenvolver um grafo de conhecimento especializado e sistema de suporte à decisão. Este estudo incluiu 82 textos clássicos sobre acupuntura, literatura chinesa e inglesa, e dados clínicos. O conhecimento foi extraído usando uma abordagem híbrida que combina grandes modelos de linguagem e anotação manual para construir um grafo completo de conhecimento sobre acupuntura e um subgrafo de ginecologia específico para o DOR. O sistema utiliza reconhecimento de entidades baseado em BiLSTM-CRF e recuperação de dois modos para automatizar a diferenciação de síndromes e a geração de prescrições de acupuntura. O grafo completo contém 16.558 entidades e 80.084 relações, enquanto o subgrafo de ginecologia contém 8.677 entidades e 27.092 relações. Em uma avaliação clínica de 90 pacientes com DOR, o sistema alcançou uma taxa de concordância diagnóstica de 86,7% em comparação com avaliações de especialistas. A pontuação média de adequação à prescrição foi 4,65. O acordo entre avaliadores entre especialistas, medido usando o coeficiente de concordância de Kendall, foi W ≈ 0,13 (P < 0,05), indicando concordância estatisticamente significativa, porém limitada. Esses achados sugerem que o sistema pode fornecer suporte estruturado para diferenciação de síndrome baseada em acupuntura e geração de prescrições no DOR, com potencial como ferramenta auxiliar de apoio clínico à decisão.

Introdução

A diminuição da reserva ovariana (DOR) é caracterizada por uma diminuição na quantidade e/ou qualidade dos ovocitos, levando à redução da fertilidade, irregularidades menstruais e desequilíbrio^{hormonal 1}. A incidência de DOR aumentou nos últimos anos e está afetando progressivamente populações mais jovens. Dados epidemiológicos dos Estados Unidos indicam um aumento de 19% em 2004 para 26% em 2011^2, enquanto um relatório da Associação Médica Chinesa documentou uma prevalência de 13,58% entre pacientes inférteis submetidos à tecnologia de reprodução^{assistida 2,3}.

As estratégias atuais de manejo na medicina ocidental incluem hiperestimulação ovariana controlada, tratamentos farmacológicos adjuvantes e terapia de reposição hormonal. No entanto, essas abordagens estão associadas a várias limitações, incluindo baixas taxas de coleta de oócitos, melhora limitada nos desfechos de nascimentos vivos, altas taxas de descontinuação do tratamento, contraindicações e potenciais efeitos^{adversos 4,5}.

A acupuntura tem sido investigada como uma abordagem terapêutica complementar para melhorar a função ovariana em pacientes com DOR. Evidências de estudos clínicos e revisões sistemáticas sugerem benefícios ^{potenciais 6,7,8}. No entanto, o diagnóstico e tratamento da acupuntura continuam altamente dependentes da experiência do profissional, variam entre diferentes escolas teóricas e carecem de integração padronizada com dados clínicos modernos. Essas limitações restringem a implementação mais ampla das diretrizes de acupuntura e aumentam a barreira de aprendizagem para profissionais sem formação formal em medicina tradicional chinesa.

Avanços recentes em inteligência artificial (IA) e tecnologias de grafos do conhecimento (KG) permitiram novas abordagens para estruturar e utilizar conhecimentos médicos complexos em acupuntura e^{MTC 9,10}. Estudos anteriores incluem análises visuais das tendências de pesquisa em^{acupuntura 11}, modelos de recomendação de pontos de acupuntura baseados em redes convolucionais^{de grafos 12}, estruturas de grafos de conhecimento incorporando aprendizado prompt para acupuntura e^{tuina 13}, e revisões sistemáticas da construção e aplicações de grafos de conhecimento da^{MTC 14}. Além disso, a integração de grafos de conhecimento com grandes modelos de linguagem (LLMs) emergiu como uma direção promissora, como demonstrado por sistemas como TCM-KLLaMA para geração de prescrições e sistemas baseados em casos de perguntas-respostas que combinam LLMs com grafos de conhecimento^15,16. Esses estudos destacam o potencial de abordagens baseadas em IA para apoiar o raciocínio estruturado e a tomada de decisão na MTC. Além disso, metodologias complexas de redes foram aplicadas para analisar sistemas teóricos de acupuntura, fornecendo suporte metodológico para modelagem do conhecimento médico^{estruturado 17}.

Nosso grupo já desenvolveu anteriormente um gráfico geral de conhecimento sobre acupuntura para infertilidade, incluindo o modelo^ACUBERT de canal duplo baseado em Transformer e uma base de conhecimento em grande escala sobre acupuntura com capacidade de raciocínio^{multi-hop 19}. No entanto, esses sistemas foram projetados como estruturas de uso geral e carecem de otimização específica para doenças para condições ginecológicas. Além disso, eles não foram validados clinicamente em um cenário de aplicação focado na DOR.

Nesse contexto, o presente estudo foca em transtornos reprodutivos ginecológicos, utilizando a DOR como ponto de entrada clínico. Com base no grafo de conhecimento geral de acupuntura existente, foi construído um grafo de conhecimento específico por domínio e adaptado à DOR, e um sistema inteligente de apoio à decisão clínica foi desenvolvido. O sistema foi avaliado usando casos clínicos do mundo real para avaliar a consistência diagnóstica e a adequação da prescrição, visando fornecer suporte estruturado e reprodutível para a tomada de decisões clínicas baseadas em acupuntura.

Protocolo

Este estudo foi conduzido de acordo com os padrões éticos institucionais e aprovado pelo Comitê de Ética do Hospital Geral do Comando do Teatro Oriental (Aprovação nº DZQH-KYLLFS-25-38). O consentimento informado por escrito foi obtido de todos os participantes antes da inclusão. Todos os dados dos pacientes foram anonimizados e desidentificados para garantir a proteção da privacidade. As ferramentas de pesquisa para esse protocolo foram listadas na Tabela de Materiais.

1. Construção de grafos de conhecimento

O grafo de conhecimento foi construído usando uma estratégia de integração de dados multi-fonte. A coleta e anotação de dados foram realizadas por profissionais treinados com formação formal em Medicina Tradicional Chinesa (MTC) e acupuntura. As fontes de dados incluíam textos clássicos de acupuntura, literatura em chinês do CNKI, literatura em inglês da Web of Science Core Collection, dados clínicos de centros reprodutivos em hospitais terciários e bases de conhecimento padronizadas (a lista detalhada de textos clássicos está disponível no Arquivo Suplementar 1). Essas fontes foram selecionadas para garantir tanto profundidade histórica quanto relevância clínica contemporânea. Um total de 400 casos clínicos foi incluído para apoiar a identificação de padrões diagnósticos e terapêuticos. O fluxo geral de trabalho da construção de grafos de conhecimento é ilustrado na Figura 1.

Figura 1: Fluxo de trabalho de construção de grafos de conhecimento. Visão geral do processo de coleta, extração e integração de dados usado para construir o grafo de conhecimento. Por favor, clique aqui para ver uma versão ampliada desta figura.

Os critérios de inclusão exigiam que todos os dados estivessem diretamente relacionados ao diagnóstico e tratamento da acupuntura, com conteúdo completo e claramente estruturado, adequado para extração de entidades e relacionamentos. Textos clássicos precisavam ser compilados criticamente e livres de erros óbvios, enquanto a literatura moderna era limitada a publicações revisadas por pares ou documentos emitidos por instituições autoritárias. Os dados clínicos deveriam ser desidentificados e aprovados eticamente. Os critérios de exclusão incluíam registros duplicados, fragmentos de texto incompletos, conteúdo não relacionado ao diagnóstico e tratamento da acupuntura e afirmações sem fundamento ou errôneas.

Foi implementada uma abordagem híbrida de extração de conhecimento, combinando anotação manual e extração automatizada. Aproximadamente 30% dos dados, incluindo textos clássicos e conteúdo semanticamente complexo, foram anotados manualmente por especialistas do domínio usando uma plataforma padronizada de anotação. Os 70% restantes dos dados foram processados usando grandes modelos de linguagem (LLMs) para extração automatizada, incluindo reconhecimento de entidades, extração de relacionamentos e normalização terminológica. Todos os resultados gerados automaticamente foram revisados e corrigidos por especialistas para garantir precisão e consistência.

A extração automatizada foi realizada usando modelos estruturados de prompts projetados para orientar o comportamento dos LLMs (exemplos de modelos são apresentados no Arquivo Suplementar 2). Esses modelos definiram o papel do modelo como especialista em extração de conhecimento específico de domínio e incorporaram exemplos de aprendizado com poucos tiros no formato de tripletas JSON para melhorar o desempenho da extração. Resumos pré-processados da literatura foram submetidos por meio de interfaces de programação de aplicações (APIs), e estratégias de processamento paralelo foram implementadas para melhorar a eficiência computacional. As saídas de extração eram analisadas e validadas usando ferramentas de validação JSON para garantir a integridade estrutural. Trilhas de conhecimento validadas foram serializadas em arquivos JSON independentes, nomeados de acordo com seus documentos de origem para manter a rastreabilidade.

O grafo de conhecimento finalizado era armazenado em um banco de dados de grafos e implementado usando frameworks baseados em Python. A visualização era realizada usando ferramentas de banco de dados de grafos integradas para suportar a inspeção e validação.

As entidades no grafo de conhecimento foram categorizadas em sete tipos: doenças, sintomas, padrões de síndrome, pontos de acupuntura, meridianos, métodos de tratamento e substâncias efetoras e mecanismos biológicos. As relações entre entidades foram construídas para refletir lógica clínica diagnóstica e terapêutica, apoiando o raciocínio multi-hop e a inferência estruturada. A ontologia e a estrutura de relacionamentos são ilustradas na Figura 2. O esquema detalhado do grafo de conhecimento e exemplos de restrições de relacionamento são fornecidos no Arquivo Suplementar 3 e no Arquivo Suplementar 4.

Figura 2: Ontologia de grafo do conhecimento e modelo de relacionamento. Representação esquemática dos tipos de entidades e relacionamentos dentro do grafo de conhecimento. Entidades centrais incluem doença, sintoma, síndrome, ponto de acucidade e método de tratamento, e ilustram relações diagnósticas e terapêuticas.
Por favor, clique aqui para ver uma versão ampliada desta figura.

2. Desenvolvimento de sistemas de aplicação

O sistema de aplicação foi desenvolvido com base no grafo de conhecimento construído para permitir suporte à decisão clínica. O sistema processa dados de entrada pelo usuário e realiza análises estruturadas por meio do processamento de linguagem natural e raciocínio por grafos de conhecimento.

A compreensão de linguagem natural foi implementada usando o modelo BiLSTM-CRF para reconhecimento e ligação de entidades nomeadas; a arquitetura do modelo é mostrada na Figura 3. A arquitetura do modelo consistia em uma camada de embedding treinada em corpora específicos de domínio, uma camada bidirecional de memória de curto prazo para capturar informações contextuais e uma camada condicional de campo aleatório para garantir rotulagem ótima de sequências. O modelo foi treinado com dados clínicos e literários anotados manualmente, com anotação realizada independentemente por especialistas do domínio. A concordância entre anotadores foi avaliada usando o coeficiente kappa de Cohen, com um limiar de ≥0,85. As discrepâncias foram resolvidas por meio de consenso de especialistas.

Figura 3: Arquitetura do modelo BiLSTM-CRF. Diagrama esquemático do modelo BiLSTM-CRF usado para reconhecimento de entidades nomeadas, incluindo embedding, BiLSTM e camadas CRF.
Por favor, clique aqui para ver uma versão ampliada desta figura.

Durante a inferência, o modelo extraiu entidades estruturadas, incluindo sintomas, doenças e padrões de síndrome, a partir dos dados clínicos de entrada. Essas entidades foram mapeadas para nós padronizados no grafo de conhecimento usando normalização terminológica, correspondência vetorial baseada em similaridade cosseno e desambiguação contextual.

A recuperação do conhecimento foi realizada usando uma estratégia de modo duplo que combinava abordagens baseadas em palavras-chave e semântica. A recuperação de palavras-chave utilizou indexação em texto completo para correspondência precisa de entidades estruturadas, enquanto a recuperação semântica empregou representações vetoriais para identificar conhecimento não estruturado relevante. Os resultados recuperados foram mesclados, deduplicados e estruturados para processamento posterior. Uma estratégia de classificação multidimensional foi aplicada para priorizar resultados com base em correspondência exata, similaridade semântica e relevância de palavras-chave, com ponderação ajustada para contextos ginecológicos e relacionados à DOR.

O sistema gerava resultados diagnósticos e de tratamento usando técnicas de geração de linguagem natural, convertendo conhecimento estruturado em respostas clinicamente interpretáveis.

3. Aplicação clínica e avaliação

O sistema desenvolvido foi aplicado em ambiente clínico para avaliar seu desempenho prático. Os participantes do estudo foram pacientes diagnosticadas com reserva ovariana diminuída em um hospital terciário em Nanjing que consentiram em receber tratamento de acupuntura.

Os participantes eram elegíveis se tivessem entre 20 e 40 anos e atendessem aos critérios diagnósticos para reserva ovariana diminuída, de acordo com os critérios POSEIDON de 2016 e o Consenso de Especialistas Chineses de 2020. Os indicadores diagnósticos incluíram redução dos níveis hormonais anti-Müllerians e a contagem de folículos antralis < 5. Pacientes foram excluídos se apresentassem condições que afetassem a fertilidade, comorbidades graves ou tivessem recebido tratamento de acupuntura para fertilidade nos três meses anteriores. O fluxograma de inclusão e exclusão do paciente é mostrado na Figura 4.

Figura 4: Fluxograma de inclusão e exclusão de pacientes. Fluxograma mostrando a seleção dos pacientes. Um total de 127 pacientes atendeu aos critérios de inclusão, e 90 pacientes foram incluídos após aplicar critérios de exclusão e considerar dados incompletos. Por favor, clique aqui para ver uma versão ampliada desta figura.

Os dados dos pacientes, incluindo informações demográficas e clínicas, foram coletados e registrados em um formato estruturado. Os participantes preencheram questionários padronizados para capturar sintomas e informações clínicas (o questionário detalhado está disponível no Arquivo Suplementar 5). O sistema gerava resultados diagnósticos e prescrições de acupuntura com base nos dados de entrada.

O desempenho do sistema foi avaliado usando precisão diagnóstica e adequação do tratamento. A precisão diagnóstica foi avaliada comparando os resultados de diferenciação da síndrome gerada pelo sistema com os fornecidos por três médicos seniores de MTC ginecológica, que serviram como padrão de referência. A taxa de concordância diagnóstica foi calculada como a proporção de casos consistentes entre todos os casos.

A adequação ao tratamento foi avaliada por um painel de três acupuntores seniores com pelo menos cinco anos de experiência clínica e títulos profissionais seniores. Especialistas avaliaram de forma independente prescrições geradas por sistema usando uma escala de Likert de 5 pontos. A concordância entre avaliadores foi avaliada usando o coeficiente de concordância de Kendall (W).

Resultados

O grafo de conhecimento construído integra dados heterogêneos de textos da medicina tradicional clássica chinesa, literatura clínica moderna e registros de casos do mundo real, seguindo princípios estabelecidos de construção e avaliação de grafos de conhecimento. Um total de 374 fontes em língua chinesa, 267 artigos em inglês e 82 textos clássicos da MTC foram incorporados, garantindo tanto profundidade histórica quanto relevância clínica contemporânea (Figura 5).

Discussão

O presente estudo descreve um sistema inteligente de apoio à decisão baseado em grafos de conhecimento, adaptado para o tratamento por acupuntura da reserva ovariana diminuída, representando uma transição da modelagem geral do conhecimento da medicina tradicional chinesa para uma aplicação clínica específica para doença.

Comparado à prática convencional da acupuntura, que depende fortemente da experiência do profissional, o sistema proposto introduz uma estrut...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
BiLSTM-CRF	Open Source (https://github.com/jmhIcoding/bilstm-crf)	N/A	Arquitetura de modelo de aprendizagem profunda empregada para reconhecimento de entidades nomeadas na extração de texto clínico.
Banco de Dados CNKI	China National Knowledge Infrastructure	N/A	Repositório de literatura utilizado para a recuperação de publicações acadêmicas relevantes em língua chinesa.
Visualizador e Formatador JSON &	Megaish	1.6.0	Ferramenta de software usada para visualização e validação da estrutura de dados JSON.
Plataforma de Anotação de KGs	Nanjing KGI Data Technology Co., Ltd.	N/A	Plataforma de anotação colaborativa baseada na web utilizada para o etiquetamento manual de corpora de entidades médicas e relações para apoiar a construção de grafos de conhecimento.
API de Modelo de Linguagem Grande	Moonshot AI	N/A	API LLM Kimi empregada para compreensão semântica e extração automatizada de conhecimento da literatura biomédica; interface compatível com o formato da API do OpenAI.
MySQL	Oracle Corporation	8.0.42	Sistema de gerenciamento de banco de dados relacional usado para o armazenamento de dados clínicos estruturados.
Navegador Neo4j	Neo4j, Inc.	5.26.10	Interface de banco de dados gráfico usada para a visualização interativa e consultas exploratórias do grafo de conhecimento ginecológico.
Python	Python Software Foundation	3.11.4	Linguagem de programação principal utilizada para rasteamento automatizado de literatura, invocação de API LLM, coordenação de multiprocessamento, análise de dados e construção de grafos de conhecimento.
Web of Science Core Collection	Clarivate Analytics	N/A	Repositório de literatura utilizado para a recuperação de publicações acadêmicas relevantes em língua inglesa.