利用知识图谱预测糖尿病性黄斑水肿

非诚勿扰孟非

链接：https://pubmed.ncbi.nlm.nih.gov/37296709/
原标题：Prediction of Diabetic Macular Edema Using Knowledge Graph
日期：2023 May 26
研究背景

• 研究问题：本文研究了如何利用知识图谱技术预测糖尿病性黄斑水肿（DME），这是一种严重的糖尿病并发症，会导致视力丧失。
  
• 研究难点：传统的机器学习和数据挖掘技术在处理缺失特征值时存在局限性，难以进行有效的疾病预测。
  
• 相关工作：现有的疾病预测模型主要基于数据挖掘和机器学习方法，但在面对缺失特征值时表现不佳。知识图谱作为一种新兴解决方案，能够高效处理多源异构数据，进行相关性分析，并准确预测疾病结果。
  

研究方法

这篇论文提出了一种基于改进的相关性增强算法的知识图谱推理方法，用于综合评估影响DME的因素以实现疾病预测。具体来说，
知识图谱构建：首先，基于Neo4j构建了一个知识图谱，通过预处理收集的临床数据并分析统计规则来实现。



相关性增强算法：在知识图谱的基础上，应用相关性增强算法来优化连接边的权重属性。该算法使用相关性增强系数和广义接近度方法来增强模型。

• 相关性增强系数的计算公式为：
  
  
  
  

其中，

表示在相应条件下的频率，

表示相关性增强系数。
广义接近度方法的计算公式为：



其中，

是知识图谱中第i个疾病影响因素的数据集，

是当前输入的数据集，μ表示知识图谱中的数据连接关系，

是边的权重，

是权重的最大值。
疾病预测模型：最终，使用改进的相关性增强算法和广义接近度方法来构建DME疾病预测模型，并通过链接预测评估指标进行分析和验证。



实验设计

数据收集：实验使用了天津医科大学眼科医院信息系统收集的507例临床数据，包括261例DME患者和246例非DME患者。
数据预处理：对原始临床数据进行预处理，分类整理临床诊断数据和基本信息，并分别处理生化和非生化指标数据，识别有限数量的影响因素实体。
模型训练与测试：将数据集随机分为训练集（80%）和测试集（20%），在训练集上训练模型，并在测试集上进行验证。
评估指标：使用AUC（曲线下面积）、精度和排名分数作为链接预测评估指标，分析和验证三种疾病预测模型的性能。
结果与分析

影响因素分析：通过数据统计分析，确定了DME的主要影响因素，包括血清肌酐（Scr）、糖尿病视网膜病变阶段（DR）、尿蛋白、24小时尿蛋白和24小时尿微量白蛋白等。




模型验证：在测试集上，基于改进的相关性增强算法的DME疾病预测模型的AUC达到了86.21%，精度达到了86.21%，相比传统方法具有更高的准确性和效率。
临床决策支持系统：开发了基于该模型的临床决策支持系统，实现了个性化疾病风险预测，方便了高风险人群的临床筛查和早期疾病干预。




总体结论

本文提出了一种基于改进的相关性增强算法的知识图谱推理方法，用于预测糖尿病性黄斑水肿。通过构建知识图谱并进行统计分析，综合考虑了多种影响因素，构建了医学知识图谱，并提出了三种权重设置方法。实验结果表明，该模型在疾病预测方面具有较高的准确性和效率，能够为临床提供个性化的疾病风险预测，促进早期疾病干预。未来的研究将进一步收集更多临床数据，更新模型以提高预测精度，并为其他重大临床疾病的预测提供参考。
论文评价

优点与创新

统计分析：对临床数据进行了统计分析，识别了糖尿病性黄斑水肿（DME）的高风险因素，为临床参考和早期干预提供了依据。
个性化疾病预测模型：开发了综合考虑疾病影响因素的个性化疾病预测模型，并分析了目标人群的疾病概率。
知识图技术：利用知识图技术构建了疾病预测模型，促进了数据的更新、维护和迭代改进。
临床决策支持系统：开发了基于该模型的临床决策支持系统，促进了模型在临床实践中的应用，提供了技术支持创新应用。
改进的相关性增强算法：提出了一种改进的相关性增强算法，通过综合评估病例的诊断数据来实现更准确和有效的疾病预测。
多源异构数据处理：能够处理多源异构数据，进行相关性分析，并准确预测疾病结果。
高准确率：提出的疾病预测模型在预测糖尿病性黄斑水肿方面达到了86.21%的准确率，比传统方法更具优势。
不足与反思

数据收集：未来计划收集更多的临床客观数据以更新模型，进一步提高疾病预测的准确性。
其他疾病的预测：本研究的发现可以为高血压、糖尿病、冠心病等其他重大临床疾病的预测提供参考，支持早期疾病筛查和干预。
中医辨证施治：模型还可以为中医辨证施治、疾病诊断、治疗和体质辨识提供决策技术支持。
关键问题及回答

问题1：在构建糖尿病性黄斑水肿%28DME%29知识图谱的过程中，具体采用了哪些数据预处理和分析方法？
数据收集：实验使用了天津医科大学眼科医院信息系统收集的507例临床数据，包括261例DME患者和246例非DME患者。
数据预处理：对原始临床数据进行预处理，分类整理临床诊断数据和基本信息，并分别处理生化和非生化指标数据，识别有限数量的影响因素实体。具体来说，生化数据的处理根据正常值范围或区间阶段进行划分，非生化数据则根据0/1进行划分。
统计分析：对预处理后的数据进行统计分析，揭示与DME相关的临床数据中的高风险因素。数据分析结果显示，39类影响因素被划分为116个定性可解释的值范围。
知识图谱构建：在统计分析的基础上，构建了一个包含“是否患病”和116个DME影响因素的医学知识图谱，连接边的关系通过计算权重结果进行添加，完成知识的补全。
问题2：本文提出的基于改进的相关性增强算法的DME疾病预测模型是如何构建和优化的？
1.相关性增强算法：在知识图谱的基础上，应用相关性增强算法来优化连接边的权重属性。该算法使用相关性增强系数和广义接近度方法来增强模型。
相关性增强系数的计算公式：



其中，

表示在相应条件下的频率，

表示相关性增强系数。
广义接近度方法的计算公式：



其中，

是知识图谱中第i个疾病影响因素的数据集，

是当前输入的数据集，μ表示知识图谱中的数据连接关系，

是边的权重，

是权重的最大值。
2.模型训练与测试：将数据集随机分为训练集%2880%%29和测试集%2820%%29，在训练集上训练模型，并在测试集上进行验证。\3. 评估与优化：使用AUC%28曲线下面积%29、精度和排名分数作为链接预测评估指标，分析和验证三种疾病预测模型的性能。基于改进的相关性增强算法的DME疾病预测模型在测试集上的AUC达到了86.21%，精度达到了86.21%，相比传统方法具有更高的准确性和效率。
问题3：本文开发的基于DME疾病预测模型的临床决策支持系统有哪些功能和优势？

• 个性化疾病风险预测：临床决策支持系统能够根据用户输入的任何数量的诊断数据结果，进行个性化的疾病风险预测。
  
• 高风险人群筛查：系统可以方便地对高风险人群进行临床筛查，提供技术支持，促进早期疾病干预。
  
• 模型更新与迭代：系统支持模型的更新和维护，可以根据新的临床数据不断优化和迭代，提高疾病预测的准确性。
  
• 可视化决策支持：系统提供了疾病预测的可视化界面，帮助医生和患者更好地理解和应用预测结果。
  
• 广泛应用前景：该系统的开发和应用不仅限于糖尿病性黄斑水肿，还可以为其他重大临床疾病的预测提供参考，如高血压、冠心病等。
  

通过这些功能，临床决策支持系统能够有效辅助医生进行疾病预测和早期干预，提高患者的治疗效果和生活质量。

原文地址：https://zhuanlan.zhihu.com/p/19015518704