Bilgi Grafiğine Dayalı Azalmış Yumurtalık Rezervinde Akupunktur İçin Zeki Tanı ve Tedavi Asistanı Sistemi Üzerine Bir Çalışma

Özet

Düşmüş yumurtalık rezervi (DOR) için jinekolojiye özgü bir akupunktur bilgi grafiği ve karar destek sistemi, literatür, klasik metinler ve klinik veriler kullanılarak geliştirilmiştir. Klinik değerlendirme, %86,7 tanı anlaşması ve yüksek reçete puanları gösterdi; istatistiksel olarak anlamlı ancak uzmanlar arası anlaşma sınırlı olup, yardımcı klinik karar destek aracı rolünü destekledi.

Özet

Azalmış yumurtalık rezervi (DOR) insidansı artıyor ve genç kadınları etkileyici. Akupunktur DOR için klinik olarak kullanılmıştır; ancak uygulama öznel, deneyime bağlı ve standartlaştırılmış rehber uygulamasından yoksun kalır. Önceki genel akıllı akupunktur sistemimiz üzerine inşa edilen bu çalışma, jinekolojik hastalıkları hedefliyor ve DOR'u klinik giriş noktası olarak kullanarak özel bir bilgi grafiği ve karar destek sistemi geliştiriyor. Bu çalışma, 82 klasik akupunktur metni, Çince ve İngilizce edebiyatı ile klinik verileri içermektedir. Bilgi, büyük dil modelleri ve manuel notasyonu birleştirerek tam bir akupunktur bilgi grafiği ve DOR'a özgü bir jinekoloji alt grafiği oluşturmak için hibrit bir yaklaşımla çıkarıldı. Sistem, sendrom farklılaşmasını ve akupunktur reçete üretimini otomatikleştirmek için BiLSTM-CRF tabanlı varlık tanıma ve çift modlu geri alma yöntemlerini kullanır. Tam grafik 16.558 varlık ve 80.084 ilişki içerirken, jinekoloji alt grafiği 8.677 varlık ve 27.092 ilişki içerir. DOR'lu 90 hastanın klinik değerlendirmesinde, sistem uzman değerlendirmelerine kıyasla %86,7 tanı uyum oranı elde etti. Ortalama reçete uygunluk puanı 4,65 idi. Kendall'ın uyum katsayısı kullanılarak ölçülen uzmanlar arasında değerlendiriciler arasında anlaşma, W ≈ 0.13 (P < 0.05) idi; bu da istatistiksel olarak anlamlı ancak sınırlı bir uyumu gösterir. Bu bulgular, sistemin DOR'da akupunktur tabanlı sendrom farklılaşması ve reçete üretimi için yapılandırılmış destek sağlayabileceğini, yardımcı klinik karar destek aracı olarak potansiyel sağlayabileceğini göstermektedir.

Giriş

Azalmış yumurtalık rezervi (DOR), oositlerin miktarı ve/veya kalitesinde azalma ile karakterize edilir; bu da doğurganlık, adet düzensizlikleri ve hormonal dengesizliklere yol açar^. DOR vakası son yıllarda artmış ve giderek daha genç nüfusları etkileyicidir. Amerika Birleşik Devletleri'nden gelen epidemiyolojik veriler, 2004'te %19'dan 2011'de %26'ya yükseldiğini gösterirken, Çin Tıp Birliği'nin bir raporu ise yardımlı üreme teknolojisi uygulayan kısır hastalar arasında %13,58 yaygınlık ^{kaydetmiştir 2,3}.

Batı tıbbındaki mevcut yönetim stratejileri arasında kontrollü yumurtalık hiperstimülasyonu, adjuvan farmakolojik tedaviler ve hormon replasman tedavisi yer almaktadır. Ancak, bu yaklaşımlar düşük oosit toplama oranları, canlı doğum sonuçlarında sınırlı iyileşme, yüksek tedavi bırakma oranları, kontrendikasyonlar ve potansiyel yan etkiler gibi çeşitli sınırlamalarla ilişkilidir ^4,5.

Akupunktur, DOR hastalarında yumurtalık fonksiyonunu iyileştirmek için tamamlayıcı bir terapötik yaklaşım olarak araştırılmıştır. Klinik çalışmalar ve sistematik derlemelerden elde edilen kanıtlar potansiyel faydaları ^{göstermektedir 6,7,8}. Buna rağmen, akupunktur tanı ve tedavisi pratisyen deneyimine büyük ölçüde bağımlı kalır, farklı teorik okullar arasında farklılık gösterir ve modern klinik verilerle standartlaştırılmış entegrasyondan yoksundur. Bu sınırlamalar, akupunktur yönergelerinin daha geniş uygulanmasını kısıtlar ve geleneksel Çin tıbbında resmi eğitim almamış klinisyenler için öğrenme engelini artırır.

Yapay zeka (AI) ve bilgi grafiği (KG) teknolojilerindeki son gelişmeler, akupunktur ve TCM ^9,10'da karmaşık tıbbi bilgiyi yapılandırmak ve kullanmak için yeni yaklaşımlar mümkün kıldı. Önceki çalışmalar arasında akupunktur araştırma eğilimlerinin görsel^{analizleri 11}, grafik konvolüsyon ağlarına dayalı akupunktur öneri^{modelleri 12}, akupunktur ve tuina¹³ için hızlı öğrenmeyi içeren bilgi grafiği çerçeveleri ve TCM bilgi grafiği yapısı ve uygulamalarının sistematik incelemeleri^{yer almaktadır 14}. Ayrıca, bilgi grafiklerinin büyük dil modelleri (LLM'ler) ile entegrasyonu, TCM-KLLaMA gibi sistemler gibi reçete üretimi ve LLM'leri bilgi grafikleriyle birleştiren vaka tabanlı soru-cevaplama sistemleri tarafından umut verici bir yön olarak ortaya^{çıkmıştır 15,16}. Bu çalışmalar, TCM'de yapılandırılmış akıl yürütme ve karar alma süreçlerini desteklemek için yapay zeka odaklı yaklaşımların potansiyelini vurgulamaktadır. Ayrıca, akupunktur teorik sistemlerinin analizinde karmaşık ağ metodolojileri uygulanmış ve yapılandırılmış tıbbi bilginin modellenmesi için metodolojik destek^{sağlanmıştır 17}.

Grubumuz daha önce Transformer tabanlı çift kanallı ACUBERT model¹⁸ ve çoklu zıplama akıl yürütme yeteneğine sahip büyük ölçekli akupunktur bilgi tabanını içeren genel bir kısırlık bilgi^{grafiği geliştirmiştir 19}. Ancak, bu sistemler genel amaçlı çerçeveler olarak tasarlanmış olup, jinekolojik durumlar için hastalık özelliği yok. Ayrıca, DOR odaklı bir uygulama senaryosunda klinik olarak doğrulanmamıştır.

Bu bağlamda, mevcut çalışma jinekolojik üreme bozukluklarına odaklanmakta olup, DOR'u klinik giriş noktası olarak kullanmaktadır. Mevcut genel akupunktur bilgi grafiğinin üzerine inşa edilerek, DOR'a özel bir alan bilgisi grafiği oluşturuldu ve akıllı bir klinik karar destek sistemi geliştirildi. Sistem, tanı tutarlılığını ve reçete uygunluğunu değerlendirmek için gerçek dünya klinik vakaları kullanılarak değerlendirildi ve akupunktur temelli klinik karar alma süreçlerinde yapılandırılmış ve tekrarlanabilir destek sağlamayı amaçladı.

Protokol

Bu çalışma, kurumsal etik standartlara uygun olarak yürütüldü ve Doğu Tiyatro Komutanlığı Genel Hastanesi Etik Komitesi tarafından onaylandı (Onay No. DZQH-KYLLFS-25-38). Dahil edilmeden önce tüm katılımcılardan yazılı bilgilendirilmiş onayı alındı. Tüm hasta verileri anonimleştirildi ve gizlilik koruması için kimliği silindi. Bu protokol için araştırma araçları Materyaller Tablosu'nda listelenmiştir.

1. Bilgi grafiği yapısı

Bilgi grafiği, çok kaynaklı veri entegrasyon stratejisi kullanılarak oluşturulmuştur. Veri toplama ve notlama, Geleneksel Çin Tıbbı (TCM) ve akupunktur alanlarında resmi eğitime sahip eğitimli personel tarafından gerçekleştirildi. Veri kaynakları arasında klasik akupunktur metinleri, CNKI'den Çince literatür, Web of Science Core Collection'dan İngilizce literatür, üçüncü sınıf hastanelerdeki üreme merkezlerinden klinik veriler ve standart bilgi tabanları yer alıyordu (Klasik metinlerin ayrıntılı listesi Ek Dosya 1'de mevcuttur). Bu kaynaklar, hem tarihsel derinlik hem de çağdaş klinik önem sağlamak için seçilmiştir. Tanısal ve tedavi kalıplarının belirlenmesini desteklemek için toplam 400 klinik vaka dahil edilmiştir. Bilgi grafiği oluşturmanın genel iş akışı Şekil 1'de gösterilmiştir.

Şekil 1: Bilgi grafiği oluşturma iş akışı. Bilgi grafiğinin oluşturulmasında kullanılan veri toplama, çıkarma ve entegrasyon sürecine genel bakışı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Dahil etme kriterleri, tüm verilerin doğrudan akupunktur tanı ve tedavisiyle ilgili olmasını, varlık ve ilişki çıkarımına uygun tam ve net yapılandırılmış içeriklerle birlikte olmasını gerektiriyordu. Klasik metinler eleştirel derlenmiş ve bariz hatalardan arındırılmış olmalıydı, modern literatür ise hakemli yayınlar veya otoriter kurumlar tarafından yayımlanan belgelerle sınırlıydı. Klinik verilerin kimliği silinip etik olarak onaylanması gerekiyordu. Dışlama kriterleri arasında tekrarlanan kayıtlar, eksik metin parçaları, akupunktur teşhisi ve tedavisiyle ilgisi olmayan içerikler ve desteklenmeyen veya yanlış ifadeler yer alıyordu.

Manuel açıklama ile otomatik çıkarımı birleştiren hibrit bilgi çıkarma yaklaşımı uygulandı. Verilerin yaklaşık %30'u, klasik metinler ve anlamsal olarak karmaşık içerik dahil, standart bir notasyon platformu kullanılarak alan uzmanları tarafından manuel olarak notlandırılmıştır. Kalan %70, otomatik çıkarma için büyük dil modelleri (LLM) kullanılarak işlendi; bunlar arasında varlık tanıma, ilişki çıkarımı ve terminoloji normalizasyonu dahildir. Tüm otomatik olarak oluşturulan sonuçlar, doğruluk ve tutarlılık sağlamak için uzmanlar tarafından incelenip düzeltildi.

Otomatik çıkarma, LLM davranışını yönlendirmek için tasarlanmış yapılandırılmış prompt şablonları kullanılarak gerçekleştirilmiştir (Şablon örnekleri Ek Dosya 2'de sunulmaktadır). Bu şablonlar, alan spesifik bilgi çıkarma uzmanı olarak model rolünü tanımladı ve çıkarma performansını artırmak için JSON üçlü formatında birkaç atışlık öğrenme örnekleri dahil etti. Ön işlenmiş literatür özetleri uygulama programlama arayüzleri (API'ler) aracılığıyla sunuldu ve hesaplama verimliliğini artırmak için paralel işleme stratejileri uygulandı. Çıkarma çıktıları, yapısal bütünlüğü sağlamak için JSON doğrulama araçları kullanılarak ayrıştırıldı ve doğrulandı. Doğrulanmış bilgi üçlülleri, izlenebilirliği korumak için kaynak belgelerine göre adlandırılan bağımsız JSON dosyalarına seri olarak dönüştürüldü.

Nihai bilgi grafiği bir grafik veritabanında saklandı ve Python tabanlı çerçeveler kullanılarak uygulandı. Görselleştirme, inceleme ve doğrulamayı desteklemek için yerleşik grafik veritabanı araçları kullanılarak gerçekleştirildi.

Bilgi grafiğindeki varlıklar yedi tipe ayrılmıştır: hastalıklar, semptomlar, sendrom desenleri, akümutratör, meridyenler, tedavi yöntemleri ve efektör maddeler ile biyolojik mekanizmalar. Varlıklar arasındaki ilişkiler, klinik tanı ve tedavi mantığını yansıtacak şekilde inşa edildi; çoklu atış akıl yürütmeyi ve yapılandırılmış çıkarımı destekledi. Ontoloji ve ilişki yapısı Şekil 2'de gösterilmiştir. Detaylı bilgi grafiği şeması ve ilişki kısıtlamaları örnekleri Ek Dosya 3 ve Ek Dosya 4'te sunulmaktadır.

Şekil 2: Bilgi grafiği ontolojisi ve ilişki modeli. Bilgi grafiği içindeki varlık türleri ve ilişkilerin şematik temsili. Temel varlıklar arasında hastalık, semptom, sendrom, aküpunktur noktası ve tedavi yöntemi bulunur ve bunlar tanısal ve terapötik ilişkileri gösterir.
Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Uygulama sistemi geliştirme

Uygulama sistemi, klinik karar desteğini sağlamak için oluşturulmuş bilgi grafiğine dayanarak geliştirilmiştir. Sistem, kullanıcı girdi verilerini işler ve doğal dil işleme ile bilgi grafiği akıl yürütme yoluyla yapılandırılmış analiz gerçekleştirir.

Doğal dil anlaşılması, adlandırılmış varlıklar tanıma ve varlık bağlantısı için BiLSTM-CRF modeli kullanılarak uygulandı; model mimarisi Şekil 3'te gösterilmiştir. Model mimarisi, alana özgü korpuslar üzerinde eğitilen bir göme katmanı, bağlamsal bilgiyi yakalamak için çift yönlü uzun kısa vadeli bellek katmanı ve optimal dizi etiketlemesini sağlamak için koşullu rastgele alan katmanından oluşuyordu. Model, manuel olarak notlanmış klinik ve literatür verileri üzerinde eğitilmiş, alan uzmanları tarafından bağımsız olarak yapılan açıklamalar yapılmıştır. Annotatörler arası anlaşma, Cohen'in kappa katsayısı kullanılarak değerlendirildi ve ≥0.85 eşik değeri belirlendi. Tutarsızlıklar uzman uzlaşmasıyla çözüldü.

Şekil 3: BiLSTM-CRF model mimarisi. Adlandırılmış varlık tanıma için kullanılan BiLSTM-CRF modelinin şematik diyagramı, gömme, BiLSTM ve CRF katmanları dahil.
Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Çıkarım sırasında, model klinik giriş verilerinden semptomlar, hastalıklar ve sendrom desenleri dahil olmak üzere yapılandırılmış varlıkları çıkardı. Bu varlıklar, terminoloji normalizasyonu, kosinüs benzerlik tabanlı vektör eşleştirmesi ve bağlamsal anlam ayrımı kullanılarak bilgi grafiğinde standartlaştırılmış düğümlere eşlendi.

Bilgi alımı, anahtar kelime ve anlamsal temelli yaklaşımları birleştiren çift modlu bir strateji kullanılarak gerçekleştirildi. Anahtar kelime arama, yapılandırılmış varlıkların hassas eşleştirmesi için tam metin indeksleme kullanırken, anlamsal arama ilgili yapılandırılmamış bilgiyi belirlemek için vektör temsilleri kullandı. Alınan sonuçlar birleştirildi, deduplicated edildi ve sonraki işleme için yapılandırıldı. Çok boyutlu bir sıralama stratejisi uygulandı; sonuçlar tam eşleşme, anlamsal benzerlik ve anahtar kelime alakalılığına göre önceliklendirildi; ağırlıklandırma jinekolojik ve DOR ile ilgili bağlamlara göre ayarlandı.

Sistem, doğal dil üretim teknikleri kullanarak tanı ve tedavi çıktıları üretti; yapılandırılmış bilgiyi klinik olarak yorumlanabilir yanıtlara dönüştürdü.

3. Klinik uygulama ve değerlendirme

Geliştirilen sistem, pratik performansını değerlendirmek için klinik ortamda uygulanmıştır. Çalışmaya katılanlar, Nanjing'deki bir üçüncü hastanede düşük yumurtalık rezervi tanısı konmuş ve akupunktur tedavisi almaya razı olan hastalardı.

Katılımcılar, 20 ila 40 yaş arası ve 2016 POSEIDON kriterleri ile 2020 Çin Uzman Uzlaşması uyarınca düşük yumurtalık rezervi tanı kriterlerini karşıladıysa uygun sayılıyordu. Tanısal göstergeler arasında anti-Müllerian hormon seviyelerinin azalması ve antral folikül sayısının 5< olması yer aldı. Doğurganlığı etkileyen durumlar, ciddi eş hastalıkları veya önceki üç ay içinde doğurganlık için akupunktur tedavisi almış olan hastalar hariç tutuldu. Hasta dahil etme ve dışlama akış şeması Şekil 4'te gösterilmiştir.

Şekil 4: Hasta dahil etme ve dışlama akış şeması. Hasta seçimini gösteren akış şeması. Toplamda 127 hasta dahil etme kriterlerini karşıladı ve 90 hasta dışlama kriterleri uygulandıktan ve eksik veriler hesaba alındıktan sonra dahil edildi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Demografik ve klinik bilgiler dahil olmak üzere hasta verileri yapılandırılmış bir formatta toplanıp kaydedildi. Katılımcılar, semptom ve klinik bilgileri toplamak için standartlaştırılmış anketler doldurdular (ayrıntılı anket Ek Dosya 5'te sunulmuştur). Sistem, giriş verilerine dayanarak tanı çıktıları ve akupunktur reçeteleri üretti.

Sistem performansı, tanı doğruluğu ve tedavi uygunluğu kullanılarak değerlendirildi. Tanı doğruluğu, sistem kaynaklı sendrom farklılaşma sonuçları, referans standardı olarak hizmet veren üç kıdemli jinekolojik TCM doktorunun sağladığı sonuçlarla karşılaştırılarak değerlendirildi. Tanısal uyum oranı, tüm vakalar arasında tutarlı vakaların oranı olarak hesaplandı.

Tedavinin uygunluğu, en az beş yıllık klinik deneyime ve kıdemli mesleki unvanlara sahip üç kıdemli akupunkturcu tarafından değerlendirildi. Uzmanlar, sistem tarafından üretilen reçeteleri 5 puanlık bir Likert ölçeğiyle bağımsız olarak değerlendirdi. Derecelendirmeler arası anlaşma, Kendall'ın uyum katsayısı (W) kullanılarak değerlendirildi.

Sonuçlar

Oluşturulmuş bilgi grafiği, klasik geleneksel Çin tıp metinlerinden, modern klinik literatürden ve gerçek dünya vaka kayıtlarından heterojen verileri entegre eder ve bilgi grafiği oluşturma ve değerlendirme prensiplerini takip eder. Toplamda 374 Çince kaynak, 267 İngilizce makale ve 82 klasik TCM metni dahil edildi, böylece hem tarihsel derinlik hem de çağdaş klinik önem sağlandı (Şekil 5).

Tartışma

Mevcut çalışma, azalmış yumurtalık rezervinin akupunktur tedavisi için uyarlanmış, genel amaçlı geleneksel Çin tıbbı bilgi modellemesinden hastalık spesifik bir klinik uygulamaya geçişi temsil eden bilgi grafiğine dayalı akıllı karar destek sistemini tanımlamaktadır.

Geleneksel akupunktur uygulamasıyla karşılaştırıldığında, bu uygulama büyük ölçüde uygulayıcı deneyimine dayanırken, önerilen sistem yapılandırılmış ve tekrarlanabilir bir tanı çerçevesi sunar. Ço...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
BiLSTM-CRF	Açık Kaynak (https://github.com/jmhIcoding/bilstm-crf)	N/A	Klinik metin çıkarmadaki adlandırılmış varlık tanıma için kullanılan derin öğrenme model mimarisi.
CNKI Veritabanı	China National Knowledge Infrastructure	N/A	İlgili Çince akademik yayınların alınması için kullanılan literatür deposu.
JSON Görüntüleyici & Biçimlendirici	Megaish	1.6.0	JSON veri yapısı görüntüleme ve doğrulama için kullanılan yazılım aracı.
KGs Açıklama Platformu	Nanjing KGI Data Technology Co., Ltd.	N/A	Tıbbi varlık ve ilişki korpuslarının manuel etiketlenmesini desteklemek için kullanılan web tabanlı işbirlikli açıklama platformu.
Büyük Dil Model API'si	Moonshot AI	N/A	Biomedikal literatürden semantik anlama ve otomatik bilgi çıkarma için kullanılan Kimi LLM API'si; OpenAI API formatıyla uyumlu arayüz.
MySQL	Oracle Corporation	8.0.42	Yapılandırılmış klinik verilerin depolanması için kullanılan ilişkisel veritabanı yönetim sistemi.
Neo4j Tarayıcı	Neo4j, Inc.	5.26.10	Jinekolojik bilgi grafiğinin etkileşimli görselleştirilmesi ve keşif sorgulaması için kullanılan grafik veritabanı arayüzü.
Python	Python Software Foundation	3.11.4	Otomatik literatür taraması, LLM API çağrısı, çoklu işlem koordinasyonu, veri çözme ve bilgi grafiği oluşturma için kullanılan ana programlama dili.
Web of Science Temel Koleksiyonu	Clarivate Analytics	N/A	İlgili İngilizce akademik yayınların alınması için kullanılan literatür deposu.