Name: Um Estudo sobre um Sistema Inteligente de Diagnóstico e Assistente de Tratamento para Acupuntura em Reserva Ovariana Diminuída Baseado em um Gráfico de Conhecimento (Vídeo) | JoVE Journal
Uploaded: 2026-05-29T15:20:00.000+00:00
Duration: 8 min 43 s
Description: Aprenda a desenvolver um sistema inteligente de acupuntura para diagnóstico e tratamento de reserva ovariana diminuída usando grafos de conhecimento e modelos BiLSTM-CRF. O sistema alcançou 86,7% de concordância diagnóstica com especialistas em avaliação clínica.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

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. 
<img alt="Figura 1" class="xfigimg" src="/files/ftp_upload/71182/71182fig1.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/71182/71182fig1large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
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.
<img alt="Figura 2" class="xfigimg" src="/files/ftp_upload/71182/71182fig2.jpg" data-altupdatedat="1783400419000" data-alt="Figure 2"> 
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. 
<a href="https://www.jove.com/files/ftp_upload/71182/71182fig2large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
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.
<img alt="Figura 3" class="xfigimg" src="/files/ftp_upload/71182/71182fig3.jpg" data-altupdatedat="1783400419000" data-alt="Figure 3"> 
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. 
<a href="https://www.jove.com/files/ftp_upload/71182/71182fig3large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
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 &lt; 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.
<img alt="Figura 4" class="xfigimg" src="/files/ftp_upload/71182/71182fig4.jpg" data-altupdatedat="1783400419000" data-alt="Figure 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. <a href="https://www.jove.com/files/ftp_upload/71182/71182fig4large.jpg" target="_blank">Por favor, clique aqui para ver uma versão ampliada desta figura.</a>
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).

<table><tbody><tr><td>BiLSTM-CRF</td><td>Open Source (https://github.com/jmhIcoding/bilstm-crf)</td><td>N/A</td><td>Arquitetura de modelo de aprendizagem profunda empregada para reconhecimento de entidades nomeadas na extração de texto clínico.</td></tr><tr><td>Banco de Dados CNKI</td><td>China National Knowledge Infrastructure</td><td>N/A</td><td>Repositório de literatura utilizado para a recuperação de publicações acadêmicas relevantes em língua chinesa.</td></tr><tr><td>Visualizador e Formatador JSON &amp;</td><td>Megaish</td><td>1.6.0</td><td>Ferramenta de software usada para visualização e validação da estrutura de dados JSON.</td></tr><tr><td>Plataforma de Anotação de KGs</td><td>Nanjing KGI Data Technology Co., Ltd.</td><td>N/A</td><td>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.</td></tr><tr><td>API de Modelo de Linguagem Grande</td><td>Moonshot AI</td><td>N/A</td><td>API LLM Kimi empregada para compreensão semântica e extração automatizada de conhecimento da literatura biomédica; interface compatível com o formato da API do OpenAI.</td></tr><tr><td>MySQL</td><td>Oracle Corporation</td><td>8.0.42</td><td>Sistema de gerenciamento de banco de dados relacional usado para o armazenamento de dados clínicos estruturados.</td></tr><tr><td>Navegador Neo4j</td><td>Neo4j, Inc.</td><td>5.26.10</td><td>Interface de banco de dados gráfico usada para a visualização interativa e consultas exploratórias do grafo de conhecimento ginecológico.</td></tr><tr><td>Python</td><td>Python Software Foundation</td><td>3.11.4</td><td>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.</td></tr><tr><td>Web of Science Core Collection</td><td>Clarivate Analytics</td><td>N/A</td><td>Repositório de literatura utilizado para a recuperação de publicações acadêmicas relevantes em língua inglesa.</td></tr></tbody></table>

um estudo sobre um sistema inteligente de diagnóstico e assistente de tratamento para acupuntura em reserva ovariana diminuída baseado em um gráfico de conhecimento

A Study on an Intelligent Diagnosis and Treatment Assistant System for Acupuncture in Diminished Ovarian Reserve Based on a Knowledge Graph

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). 
<p cl...

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

Diminished ovarian reserve (DOR) is increasing in incidence and affecting younger women. Acupuncture has been used clinically for DOR; however, practice ...

a-study-on-an-intelligent-diagnosis-treatment-assistant-system-for

Research

JoVE Journal

Medicine

Medicina

Um protocolo computacional, CaseOLAP LIFT, e um caso de uso são apresentados para investigar proteínas mitocondriais e suas associações com doenças cardiovasculares, conforme descrito em relatórios biomédicos. Este protocolo pode ser facilmente adaptado para estudar componentes celulares e doenças selecionadas pelo usuário.

Uma Abordagem de Gráfico de Conhecimento para Elucidar o Papel das Vias Organelares na Doença via Relatórios Biomédicos

Descrevemos um protocolo para implementação de anestesia leve e acupuntura em um modelo de camundongo com hipóxia crônica e realização de testes comportamentais para avaliar as alterações cognitivas pós-tratamento.

Tratamento com acupuntura em modelo murino de disfunção cognitiva induzida por hipóxia crônica

Este estudo apresenta um protocolo para terapia de acupuntura com incorporação de fios em ratos semelhantes à doença de Alzheimer.

Procedimento de operação e precauções da terapia de acupuntura com incorporação de fios em Alzheimer

O presente protocolo descreve um método para avaliar a reserva ovariana em pacientes com menos de 25 anos que necessitam de preservação da fertilidade por meio da criopreservação do tecido ovariano. Este método envolve: (1) avaliação histológica da reserva ovariana em amostras corticais, (2) comparação com um conjunto de dados de referência e (3) cálculo de escores Z.

Escores Z para avaliação da reserva ovariana em pacientes jovens submetidos à preservação da fertilidade

Este artigo descreve o RUGGED (Retrieval Under Graph-Guided Explainable disease Distinction), que integra a inferência do Large Language Model (LLM) com a Retrieval-Augmented Generation (RAG). Ele extrai evidências de bases de conhecimento biomédico com curadoria de especialistas e publicações biomédicas revisadas por pares para sintetizar novos conhecimentos a partir de informações atualizadas, identificar previsões explicáveis e acionáveis e identificar direções promissoras para investigações...

Síntese de conhecimento baseada em evidências e validação de hipóteses: navegando em bases de conhecimento biomédico por meio de IA explicável e sistemas agenciais

Este protocolo detalha os procedimentos de acupuntura para pacientes com sobrepeso complicado por hiperlipidemia e certifica a influência dos fatores emocionais na eficácia terapêutica com base em métricas como IMC, colesterol e níveis de triglicéridos.

Influência dos Fatores Emocionais na Eficácia do Tratamento por Acupuntura para Sobrepeso Complicado com Hiperlipidemia: Um Estudo de Coorte Retrospectivo

A ambliopia é uma desordem de desenvolvimento do córtex visual que é muitas vezes acompanhada por forte supressão de um olho. Nós apresentamos uma nova técnica para medir e tratar supressão interocular em pacientes com ambliopia, que podem ser implantadas usando óculos de realidade virtual ou um dispositivo portátil iPod touch.

A Medição e Tratamento de Supressão de ambliopia

Perda da integridade peritoneal oferece um novo paradigma para entender e tratar a dor pélvica crônica em mulheres com formas leves de endometriose e pode ser facilmente detectada usando intra instilação de corante no momento da laparoscopia.

Intraoperatória Detecção de Endometriose Sutil: um novo paradigma para a detecção e tratamento de dor pélvica associada com a perda de integridade Peritoneal

Dois paradigmas de exercício foram testadas em um modelo de rato menopausa induzido quimicamente recém-desenvolvido para examinar o impacto da menopausa na capacidade de exercício e adaptação cardíaca ao exercício.

Um método para estudar o impacto da falência ovariana quimicamente induzida em Exercício Capacidade e Cardiac Adaptação em Ratos

Medição precisa de deficiência e incapacidade neurológica e neuropsicológica na esclerose múltipla é um desafio. Relatamos detalhes metodológicos sobre um novo teste, a esclerose múltipla Teste de Desempenho (MSPT). Esta nova abordagem para o objectivo de quantificação da invalidez MS relacionada fornece uma plataforma baseada em computador para a medição precisa, com validade de gravidade MS.

A esclerose múltipla Teste de Desempenho (MSPT): Uma Ferramenta de Avaliação de Incapacidade iPad-base

Aprenda a desenvolver um sistema inteligente de acupuntura para diagnóstico e tratamento de reserva ovariana diminuída usando grafos de conhecimento e modelos BiLSTM-CRF. O sistema alcançou 86,7% de concordância diagnóstica com especialistas em avaliação clínica.

Um Estudo sobre um Sistema Inteligente de Diagnóstico e Assistente de Tratamento para Acupuntura em Reserva Ovariana Diminuída Baseado em um Gráfico de Conhecimento (Vídeo) | JoVE Journal

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

Explorar mais vídeos