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

Araştırmalarımız, azalmış yumurtalık rezerv tanı ve tedavisi için akıllı bir akupunktur sistemi geliştirmeye odaklanmaktadır. Bu protokol, azalmış yumurtalık rezervi ve diğer jeolojik üreme hastalıklarıyla ilgili akupunktur araştırmalarına uygulanabilir. Başlangıç olarak, klasik akupunktur metinlerinden, Çin Ulusal Bilgi Altyapısı'ndan (CNKI) Çince literatüründen, yükseköğretim hastanelerindeki üreme merkezlerinden klinik verilerden, Web of Science çekirdek koleksiyonundan İngilizce literatüründen ve standartlaştırılmış bilgi tabanlarından veri toplayın.

Veri açıklaması yapın ve dahil etme ile hariç tutma kriterlerine göre veri seçin. Tanısal ve terapötik kalıpların belirlenmesini desteklemek için 400 klinik vaka dahil edilsin. Standart bir açıklama platformu kullanılarak, klasik metinler ve anlamsal olarak karmaşık içerik dahil olmak üzere verinin yaklaşık %30'unu manuel olarak not edin.

Büyük dil modelleri (LLMS) ile, varlık tanıma, ilişki çıkarma ve terminoloji normalizasyonu için verilerin %70'ini işler. Üretilen sonuçları gözden geçirin. LLM'yi yönlendirmek için tasarlanmış yapılandırılmış prompt şablonları kullanılarak otomatik çıkarma gerçekleştirin.

Model rolü alana özgü bilgi çıkarma uzmanı olarak tanımlandıktan sonra, çıkarma performansını artırmak için JavaScript nesne gösterimi veya JSON üçlü formatında birkaç atış öğrenme örneği ekleyin. JSON doğrulama araçları kullanılarak, doğrulanmış bilgi üçlülerini kaynak belgelerine göre adlandırılan bağımsız JSON dosyalarına seri hale getirerek izlenebilirliği koruyun. Nihai bilgi grafiğini Python tabanlı çerçeveler kullanılarak bir grafik veritabanında depolayın.

İnceleme ve doğrulamayı desteklemek için yerleşik grafik veritabanı araçlarıyla bilgi grafiğini görselleştirin. Klinik karar desteğini sağlamak ve kullanıcı girdi verilerini buna göre işlemek için oluşturulmuş bilgi grafiğine dayalı uygulama sistemi geliştirin. İki yönlü uzun kısa süreli bellek koşullu rastgele alan veya bi-LSTM CRF modeli kullanılarak, adlandırılmış varlıklar tanıma ve varlık bağlantısı için doğal dil anlayışı uygulanır.

Model mimarisini, alana özgü korpuslar üzerinde eğitilmiş bir göme katmanı, bağlamsal bilgiyi yakalamak için iki yönlü uzun kısa vadeli bellek katmanı ve optimal dizi etiketlemesini sağlamak için koşullu rastgele alan katmanı ile oluşturun. Modeli, alan uzmanları tarafından bağımsız olarak yapılan açıklamalarla manuel olarak notlanmış klinik ve literatür verileriyle eğitin. Cohen'in Kappa Katsayısı kullanılarak, en az 0.85 eşik ile anattörler arası anlaşmayı değerlendirin ve tutarsızlıkları uzman uzlaşmasıyla çözebilirsiniz.

Çıkarım sırasında, klinik girdi verilerinden semptomlar, hastalıklar ve sendrom desenleri dahil olmak üzere yapılandırılmış varlıklar çıkarılır. Bu varlıkları bilgi grafiğindeki standartlaştırılmış düğümlere eşleyin. Çift modlu bir strateji kullanarak, anahtar kelime tabanlı ve anlamsal tabanlı yaklaşımları birleştirerek bilgi alımını gerçekleştirin.

İlgili yapılandırılmamış bilgiyi belirlemek için vektör temsillerini kullanın. Anahtar kelime tabanlı ve anlamsal tabanlı alınan sonuçları birleştirin. Sonraki işlem için tekrarları tespit edip kaldırın ve sonuçları yapılandırın.

Jinekolojik ve düşük yumurtalık rezervleriyle ilgili konulara göre ağırlıkları ayarlayın. Doğal dil oluşturma tekniklerini kullanarak, tanı ve tedavi çıktıları üretin ve yapılandırılmış bilgiyi klinik olarak yorumlanabilir yanıtlara dönüştürür. Geliştirilen sistemi klinik ortamda uyguladıktan sonra, düşük yumurtalık rezervi teşhisi konan katılımcıları dahil etme ve dışlama kriterlerine göre alırlar.

Hasta demografik ve klinik bilgilerini yapılandırılmış bir formatta toplayın ve kaydedin. Giriş verilerine dayalı tanı çıktıları ve akupunktur reçeteleri oluşturun. Sistem performansı tanı doğruluğu ve tedavi uygunluğu kullanılarak değerlendirildikten sonra, sistem kaynaklı sendrom farklılaşma sonuçlarını, referans standardı olarak hizmet veren üç kıdemli jinekolojik geleneksel Çin tıp hekimin sağladığı sonuçlarla karşılaştırın.

Tanı anlaşma oranını, tüm vakalar arasında tutarlı vakaların oranı olarak hesaplayın. Tedavi uygunluğunu en az beş yıllık klinik deneyime ve kıdemli mesleki unvanlara sahip üç kıdemli akupunkturçudan oluşan bir panel kullanarak değerlendirin ve uzmanların sistem tarafından hazırlanan reçeteleri beş puanlık bir Likert ölçeğiyle bağımsız olarak değerlendirmesini sağlayın. Kendall'ın uyum katsayısı kullanılarak değerlendirici anlaşmasını değerlendirin.

Toplam 374 Çince kaynak, 267 İngilizce makale ve 82 klasik geleneksel Çin tıbbı metni bilgi grafiğine dahil edilmiştir. Tam bilgi grafiği, yedi önceden tanımlanmış kategoride 16.558 varlık ve 21 ilişki tipini kapsayan 80.084 ilişki içeriyordu. 90 hasta arasında, yaşları 22 ile 54 arasında değişiyor, zirve 32 yaşında ve en yüksek yoğunluk 31-35 yaş grubunda, kendi değerlendirme anksiyete ölçeği değerlendirmesi hastaların %57'sinin normal puana sahip olduğunu gösterdi.

%28'i subklinik anksiyete seviyesine sahipti ve daha küçük oranlarda hafif, orta veya şiddetli anksiyete görülüyordu. Sistem kaynaklı çıktılar ile uzman klinisyen değerlendirmeleri arasındaki tanısal uyum %86,7 idi. Tedavi uygunluğu ortalama puanı beş puanlık Likert ölçeğinde 4,65 idi. Kendall'ın uyum katsayısı kullanılarak ölçülen uzman değerlendiriciler arasında karşılaştırıcı anlaşması yaklaşık 0.13 idi; bu da istatistiksel olarak anlamlı bir uyum seviyesini gösteriyor, ancak genel uyum sınırlı kaldı.

Bu yaklaşım, araştırmacıların tanı anlaşmasına ve akupunktur reçetesinin uygunluğuna erişmelerini sağlar. Araştırmacılar ayrıca bu yöntemle büyük dil moduna dayalı akıl yürütme analizi, çoklu merkezli doğrulama ve uzun vadeli takip işlemlerini gerçekleştirebilirler. Gelecekteki çalışmalar, bu çalışmaları ek hastalıklara genişleterek, çoklu modal verileri entegre ederek ve prospektif çalışmalar yaparak geliştirebilir.