怎么构建医学临床知识图谱?

Debroon

已于 2024-04-12 14:08:34 修改

阅读量1.7k

点赞数 18

分类专栏： # 知识图谱RAG：精准可信文章标签：知识图谱人工智能

于 2024-04-11 14:58:49 首次发布

本文链接：https://blog.csdn.net/qq_41739364/article/details/137636362

版权

知识图谱RAG：精准可信专栏收录该内容

92 篇文章

订阅专栏

怎么构建医学临床知识图谱?

AI医疗的核心
构建临床知识图谱
传统临床指南的局限性
决策的不确定性和个体差异
构建真实临床知识图谱
构建真实世界的临床事件图谱
基于书本抽取的知识来自哪些书本？如何保证这些知识是最新的知识？
如何不断融入最新的医学研究进展，从而丰富医疗知识图谱？
如何在实际医疗场景中，利用不同的数据分析和知识图谱技术，为患者提供个性化治疗方案？
临床知识图谱 + 基因分析
知识图谱管理慢性病饮食
知识图谱也会导致误诊

丰富临床知识图谱
1. 识别和整合多种数据源
2. 数据预处理和结构化
3. 知识抽取和整合
4. 知识验证和质量控制
5. 应用开发和知识图谱更新

更新临床知识图谱
1. 定期监测和数据收集
2. 数据预处理和验证
3. 知识融合和冲突解决
4. 版本管理和用户反馈
5. 定期评估和优化
6. 技术更新和适配

AI医疗的核心

医疗人工智能创业公司目前没有很好地商业化，其中一个原因是这些公司的技术和产品在医生的临床思维上有欠缺，就是距离真正的看病有很长的距离。

什么叫医生的临床思维？

就是看病的主体即医生的分析和判断的过程。
在庞大的不确定性中快速找到确定性，精细化+结构化+逻辑链

目前医疗AI的形式以临床影像学AI为主。

影像学AI固然减轻了影像科医生的工作强度、提高了效率。
但是，影像学的检查结果属于辅助地位，不能单凭影像学结果就做出正确的诊断，需要医生综合解读各方面的病情信息是才能做出正确的判断。
所以，目前影像类AI 没有触及医疗的核心。

医学判断是基于证据的询证过程，推理的每一步都需要证据、知识和因果逻辑的支持。

像大数据，放弃对因果关系的探索，以相关性取而代之，这与循证医学以证据为基础的因果性逻辑推理要求背道而驰。

以糖尿病为例，一个有效的医疗知识图谱不应仅仅列出与糖尿病相关的症状（如多饮、多尿、体重下降）、治疗方法（如胰岛素注射、口服降糖药）、生活方式改变（如饮食调整、增加运动）等知识点。

它还需要明确这些元素之间的逻辑关系，比如：

为什么糖尿病会导致多饮和多尿：知识图谱需要能够解释因为血糖水平升高导致体内渗透压变化，从而刺激多饮多尿的生理机制。
为什么某些药物适用于特定类型的糖尿病：知识图谱应该说明口服降糖药如何作用于2型糖尿病患者的胰岛β细胞或增加身体对胰岛素的敏感性，而不适用于1型糖尿病患者，因为后者缺乏胰岛素。
为何某些糖尿病患者需要特定的饮食计划：知识图谱应当包含饮食中碳水化合物摄入与血糖水平控制之间的关系，以及如何通过调整饮食平衡来优化血糖控制。

一个结构化且逻辑性强的医疗知识图谱将允许算法模拟医生如何基于症状、体征、实验室检查结果和病史来做出诊断，设计治疗方案，以及为患者提供个性化建议。

这将提高AI在医疗领域的透明度和可解释性，更符合循证医学的要求。

以糖尿病管理为例，一个知识图谱可能包括：

病情信息：糖尿病的类型、症状（如多饮、多尿、体重下降）、可能的并发症（如视网膜病变、肾病变）。
数据：血糖水平、糖化血红蛋白（HbA1c）值、胰岛素剂量。
逻辑关联：
- 血糖水平与糖尿病症状之间的联系。
- 血糖水平控制与胰岛素剂量的调整规则。
- 血糖控制不佳与并发症发生风险的关系。

当人工智能系统接触到一个糖尿病患者时，程序将根据知识图谱中定义的逻辑关系，来决定如何处理患者的信息。例如：

收集数据：系统首先记录患者提供的血糖测量数据，如空腹血糖和餐后血糖。
逻辑分析：然后，系统会使用知识图谱来分析数据，识别出血糖控制不稳定的模式，并查找可能的原因（比如不当的胰岛素使用或不合理的饮食习惯）。
推理和诊断：接着，系统根据这些模式和原因，模拟医生的推理过程，提出可能的诊断和建议，例如调整胰岛素剂量或制定个性化的饮食计划。
提供决策：最后，系统将这些推理和建议提供给医生，医生可以基于这些建议和患者的具体情况做出最终决策。

这样，知识图谱帮助人工智能系统不仅仅是收集和回顾信息，而是以逻辑化和结构化的方式处理和应用信息，从而提供智能化的决策支持。

医学知识图谱是临床思维的基础，是医疗活动的核心，是医疗AI的主战场，是打开医疗AI市场的主钥匙。

其具体落实的表现形式是临床专科疾病的知识图谱，如心血管病知识图谱、肺病知识图谱、危重症知识图谱等等，开发专病知识图谱即掌握了医疗AI产业的主钥匙，在此基础上才能进一步开发其智能化应用。

构建临床知识图谱

一般是从临床指南开始构建，但可能信息不全、缺少实践细节、解读和应用的差异：

信息不全：临床指南可能未覆盖所有的临床情况或罕见疾病，这可能导致知识图谱在某些领域内信息不全。
缺少实践细节：临床指南可能在具体实施细节方面较为笼统，缺乏个体化治疗的深入信息，这可能限制知识图谱在提供个性化医疗决策支持方面的能力。
更新滞后：尽管临床指南会定期更新，但医学知识和实践的快速进展可能使得某些指南在下一次更新前已经部分过时。
解读和应用的差异：临床指南的解读可能存在主观性，不同的专家或团队可能对同一指南有不同的理解和应用方式。

临床有一个痛点：患者并不按指南生病。

传统临床指南的局限性

在糖尿病的治疗中，一个常见的挑战是如何选择最合适的降糖药物。

假设一个传统的糖尿病治疗指南可能建议：“在饮食和运动控制血糖不足够的情况下，应考虑使用口服降糖药。”

这个建议虽然有其合理性，但它没有提供足够的细节来指导医生选择具体的药物类型（如二甲双胍、磺脲类药物、GLP-1受体激动剂等），也没有考虑到个体差异，如患者的肾功能状态、心血管疾病风险、体重问题等。

因此，临床医生可能需要根据个人经验和对患者具体情况的理解来做出更详细的治疗选择。

决策的不确定性和个体差异

考虑一个糖尿病患者，他有心血管疾病的并发症。

根据某些指南的模糊性，医生可能会面临选择降糖药物的难题，因为不所有的降糖药物都对心血管有益。

虽然近年来的研究表明SGLT-2抑制剂和GLP-1受体激动剂在降低心血管风险方面特别有效，但如果指南没有明确提到这一点，医生可能会依赖于个人的经验或偏好来选择治疗方案，而不是基于最新的证据。

因此，面对一个具体的患者，医生可能会选择一个基于个人偏好而不是最佳证据的治疗方案，这可能不是最优的选择，从而影响治疗效果和患者的长期健康。

构建真实临床知识图谱

传统的医疗知识图谱一般是基于医学书籍、指南、文献等知识库进行构建。

我们的工作是如何通过真实世界电子病历数据构建真实世界医疗知识图谱及临床事件图谱。

大多医院的信息系统是由不同厂家的多个系统共同建设的。

要使用分散在各处系统中的数据时，需要先对数据进行聚合。

将同一个患者、同一次就诊的数据从不同的系统中抽取出来，组合成患者维度及就诊维度的全景数据。

在构建真实世界医疗知识图谱及临床事件图谱时，首先需要聚合和整理来自医院不同信息系统的数据，这包括但不限于：

电子病历系统(EMR): 记录患者的主诉、现病史、体格检查等非结构化文本信息。
医院信息系统(HIS): 提供开检查、检验、用药、医嘱等结构化数据。
检验信息系统(LIS): 包含检验结果，如血常规中的数据项和结果。
影像信息系统(PACS)和影像报告系统(RIS): 管理影像资料和影像报告。

要设计和使用一个能够整合张阿姨这样的病人的医疗信息，并基于此提出新的治疗方案的CKG，需要以下步骤：

数据融合：将同一个患者的不同就诊信息整合成全景数据，包括来自EMR、HIS、LIS、PACS/RIS的信息。

数据治理：

数据脱敏: 为了保护患者隐私，在分析之前去除敏感信息。

假设医院有一个包含病人信息的数据库，这个数据库中包含病人的姓名、身份证号、病历号、诊断信息等敏感数据。

在将这些数据用于数据挖掘之前，需要通过脱敏处理来保护病人隐私。

例如，可以将姓名替换为唯一标识符，将其他敏感信息进行加密或匿名处理。
数据质量控制: 提升数据的准确性和一致性。

假设在数据库中，某些病人的诊断记录是不完整的，或者不同表格之间的病人信息不一致。

在进行数据分析前，需要先进行数据清洗，比如填补缺失值、校正错误数据、确保不同数据源之间的一致性。
文本结构化: 使用自然语言处理技术将非结构化文本转换成结构化数据。

许多临床信息以非结构化文本的形式存在，如医生的诊疗笔记。

为了更有效地进行数据挖掘，需要将这些文本信息转化为结构化数据。

例如，可以使用自然语言处理工具提取出关键信息，如症状、诊断、治疗方案，并将它们归一化到预定义的分类和术语中。

知识图谱构建：

基于患者全景数据和医学知识（如医学文献、临床指南）构建疾病知识图谱。
这涉及实体抽取、实体标准化、关联关系构建、属性计算，以及数据清洗。

应用场景：

将知识图谱应用于如CDSS临床决策支持等场景。
例如，通过图谱分析为张阿姨找到潜在的药物靶点和治疗方案。

技术平台建设：

开发和维护数据ETL平台、医学词典管理平台、结构化抽取平台、标注平台、质控平台和机器学习平台等，以支持上述工作的进行。

CKG的实现：
为了实现CKG，可能还需要以下技术或方法：

图数据库构建: 采用图数据库如Neo4j构建并存储知识图谱。
贝叶斯模型: 利用贝叶斯模型对数据进行概率分析，预测患者的疾病发展或响应特定治疗的可能性。
图嵌入: 将知识图谱中的实体和关系转换为数学上的向量表示，以便进行复杂的语义计算。

以糖尿病为例，让我们来看看如何通过各种数据处理步骤来构建和应用一个疾病知识图谱：

数据融合：
- 目的：汇总来自不同源的数据，以单个患者为核心，创建全面的病历。
- 动作：将患者的多次就诊信息按照患者ID、就诊日期和发病事件整合在一起。

首先，我们将收集来自不同系统和多次就诊的患者数据。

例如，一个糖尿病患者在不同时间点的所有医院访问记录需要被整合在一起，以形成一个完整的治疗历程视图。

就诊数据挖掘：

早期的数据挖掘可能专注于单次就诊的信息，如初诊时的症状、诊断和治疗。

维度转换：

目的：对数据分析的视角进行拓展，从单次就诊转向患者全景分析。
方法：将患者的连续多次就诊信息整合，形成患者的疾病发作和治疗全过程。

随后，数据分析需求变得更复杂，需要在患者和疾病发作的维度上进行。

这意味着将连续多次就诊的信息整合，以便分析患者从疾病发作到多次治疗的整个过程。

信息抽取：
- 对于糖尿病患者，这将包括从每次就诊中抽取基本信息、症状、检查结果、诊断、药品医嘱和手术记录等。
实体标准化：
- 接下来是实体抽取和标准化，确保所有术语和数据符合一定的医疗标准和格式。
图谱构建：
- 然后，利用这些标准化的实体，构建出关系图谱，描绘实体之间的关联，如糖尿病与高血糖的关系、糖尿病与使用的药物等。
属性计算：
- 之后，对图谱中的实体属性进行计算，可能包括疾病的严重程度、治疗响应等。
图清洗：
- 考虑到从大量病例中提取的数据可能存在质量问题，需要进行图清洗，以移除错误或不一致的信息。
实体排序：
- 对实体进行排序，可能是按照重要性或者其他评估标准，以便于后续的数据分析或临床决策。
图嵌入：
- 如果要将这些实体用于深度学习，还需要进行图嵌入，即将图谱转换为能够被机器学习算法处理的向量形式。

在这个例子中，我们可以将糖尿病的不同方面和相关信息集合在一个知识图谱中。

这可以帮助医生更好地理解疾病的全貌，包括其可能的并发症和影响，以及患者对不同治疗方案的反应。

这样的知识图谱可以极大地提高临床决策的质量和效率。

在这里插入图片描述

中心蓝色节点代表疾病——糖尿病。
黄色节点代表疾病可能引起的一个症状——多饮（Polydipsia），这里用一条边表示“causes”（引起）的关系。
绿色节点代表糖尿病的一种治疗方法——胰岛素注射，与疾病之间的边表示“treated by”（被治疗）的关系。
粉色节点代表一种用于治疗的药物——胰岛素，与治疗方法之间的边表示“uses”（使用）的关系。

通过这样的视图，医疗专业人员能够一目了然地看到疾病、症状、治疗方法和使用的药物之间的逻辑联系，有助于理解疾病的特点和治疗的可能方案。

这种图谱对于支持临床决策和教育研究都非常有价值。

构建真实世界的临床事件图谱

通用临床事件：

发病：
- 举例：患者出现多饮、多尿、体重突然下降等糖尿病早期症状。
就诊：
- 举例：患者因为症状前往医院，首次被诊断为2型糖尿病。
诊断：
- 举例：通过血糖测试和糖化血红蛋白A1c值的诊断确认。
检查：
- 举例：定期的血糖监测，脚部检查，眼底检查等，来管理糖尿病和其并发症。
用药：
- 举例：处方胰岛素注射或口服降糖药。
手术：
- 举例：在一些糖尿病患者中，可能需要进行激光治疗眼底病变或足部问题的手术。
死亡：
- 举例：在不幸的情况下，糖尿病可能导致死亡，特别是如果它导致了重大并发症。

糖尿病专有的特定事件：

血糖监测：
- 特定事件：日常家庭血糖监测，以指导日常的饮食和活动计划。
糖尿病足护理：
- 特定事件：糖尿病足部检查，因为糖尿病患者易受足部感染和并发症的影响。
营养咨询：
- 特定事件：获得营养建议以管理血糖水平，是糖尿病患者常规的一部分。
糖尿病教育：
- 特定事件：患者参加糖尿病管理课程，学习如何控制他们的病情。
定期随访：
- 特定事件：定期访问内分泌科医生，以监控和调整治疗计划。

对比：

通用临床事件：适用于所有疾病的标准医疗过程和决策。
糖尿病专有的特定事件：与糖尿病诊断、管理和治疗直接相关的特定活动或决策。

怎么做临床事件图谱构建？

1. 数据收集与整理

来源：收集来自电子健康记录（EHR）、患者管理系统、实验室信息系统等多种源的数据。
整理：将收集到的数据进行整理，确保数据的完整性和一致性。这包括统一不同来源的数据格式和时间标记。

2. 实体识别与抽取：

技术：应用自然语言处理（NLP）技术，特别是命名实体识别（NER）技术，从非结构化文本中识别出医学实体，如症状、诊断、治疗、药物等。
标准化：将抽取的实体映射到医学术语标准，如ICD编码、药品编码（ATC）。

3. 关系抽取：

方法：使用文本挖掘技术，如依存解析和模式匹配，从文本中识别实体之间的关系。
验证：人工审核或专家验证抽取的关系，确保准确性和相关性。

4. 事件建模与链接：

建模：定义事件的类型和属性，如治疗事件可能包括治疗类型、开始和结束日期、治疗结果等。
链接：将相关的实体和事件通过逻辑关系连接起来，形成事件链。

5. 属性和标注：

属性计算：为图谱中的每个事件计算属性，如事件发生的概率、相关性、影响力等。
标注：人工或半自动化标注重要的事件和里程碑，增加额外的信息层。

6. 图谱构建：

技术工具：使用图数据库如Neo4j，将实体和事件以图的形式存储和管理，便于进行复杂的查询和分析。
验证与优化：反复测试图谱的准确性和性能，根据反馈进行调整和优化。

7. 应用与可视化：

可视化工具：利用图谱可视化工具如Gephi或Graphviz展示临床事件的时间线和网络。
应用开发：开发具体的临床应用，如临床决策支持系统（CDSS），利用图谱提供决策依据。

8. 持续更新与维护：

更新机制：定期更新图谱数据，反映最新的临床信息和医学研究成果。
维护策略：持续监控和维护图谱系统的性能和数据质量。

通过上述步骤，可以构建出一个详细、动态的临床事件图谱，这个图谱能够有效支持医疗健康领域的研究、临床决策制定和患者管理。

此外，事件图谱还能够促进跨学科的数据共享和协作，增加医疗数据的透明度和可访问性。

基于书本抽取的知识来自哪些书本？如何保证这些知识是最新的知识？

一般会用人民卫生出版社的内外科和专科书籍、临床指南及论文等参考资料。
在某些场景下如果某个关系只在挖掘数据中存在但没有文献支撑时，将其删掉。

如何不断融入最新的医学研究进展，从而丰富医疗知识图谱？

想要使机器模拟医生，光靠知识图谱是不够的，还需要更好地去学习医生的临床经验，学习临床的问诊记录

（1）机器自动从现有语料（如书籍、指南、电子病历、说明书）中抽取医学知识。

（2）采集不成文的医生经验作为补充。

（3）通过硬件设备——诊室听译机器人自动采集临床诊疗音频，构建知识图谱。

在录音之前，我们会征求患者的意见，让其在设备上签署知情同意书。

该设备可以帮助患者记录医嘱，在手机上回放；也可以让医生勾选可以发送给患者的录音回放，过滤掉一些不便发送的信息。

设计该设备的初衷是帮助医生更好地撰写病历，对于没有召回的数据，我们会通过人工的方式将知识整理到图谱中去。

由此，我们形成了从“文献抽取”到“临床经验补充”，再到“问诊过程中自动构建”的三阶段的知识图谱构建过程。

目前，大多数同行仍然采用“文献抽取”的方式来构建知识图谱。

如何在实际医疗场景中，利用不同的数据分析和知识图谱技术，为患者提供个性化治疗方案？

假设有一位糖尿病患者李先生前来就诊，他的血糖水平最近一直无法得到有效控制。

知识图谱的概率推理：
- 医生输入李先生的症状到知识图谱系统中，比如频繁饮水和尿频。
- 系统基于已有的医学知识，推断出除了糖尿病，李先生可能还患有其他可能导致类似症状的疾病，比如甲状腺功能亢进。
- 知识图谱还可以提示医生，类似症状的患者有百分之多少可能患有某种并发症。
数据驱动的机器学习模型：
- 李先生的所有医疗记录被输入到一个机器学习模型中，包括他的生化指标、饮食记录和生活习惯。
- 模型分析了成千上万类似病例的数据，预测出李先生对当前治疗的反应可能不佳，需要调整方案。
专家规则和治疗方案选择：
- 根据糖尿病治疗的最新临床指南，系统推荐医生为李先生增加一种新的降糖药，并减少另一种可能导致副作用的药物。
融合模型：
- 结合了专家的经验规则和患者历史数据的模型提示，李先生的某个特定生化指标略高，这可能意味着他对某种药物的反应不是很好。
- 模型同时建议了几种备选药物，并根据李先生的具体情况排列了它们的优先顺序。
文献抓取和自动标签系统：
- 系统自动审查了最新的研究论文，找到了一篇描述糖尿病特定亚型患者可能受益于一种新疗法的文献。
- 这篇文献中提到的药物和治疗方案被列入李先生可能的治疗选择，供医生进一步考虑。

临床知识图谱 + 基因分析

现代医学认为，几乎所有疾病的发生都和基因相关，基因突变会导致本体病发，但这段突变基因放在别人身上也能治病。

临床知识图谱不仅作为一个信息的整合者，还充当了一个智能的推理工具，它能够基于现有的知识和数据生成新的假设和见解，帮助找到新的治疗方法。

张阿姨是一位有着10年糖尿病病史的患者。最近，她的血糖控制变得越来越困难，尽管她已经严格按照标准治疗指南进行了饮食控制和药物治疗。

她的医生，李医生，决定使用CKG来寻找更适合张阿姨个人情况的治疗方案。

首先，李医生通过CKG，整合了张阿姨的遗传信息、过往的医疗记录和生活习惯信息。

CKG分析了这些数据，并发现张阿姨的糖尿病可能与某个不太常见的基因变异有关。

这个发现就像打开了新世界的大门，因为它指向了一些非传统的治疗方法。

然后，CKG还考虑了张阿姨的生活方式，提出了一系列个性化的饮食建议和运动计划，这些都是专门为她的情况量身定制的。

接下来，CKG利用药物库对张阿姨的治疗方案进行了重新评估，发现有一个原本用于治疗其他疾病的药物，在一些病例中对类似张阿姨的糖尿病患者也有效。

这就是药物再利用，它可以为张阿姨提供一个全新的治疗可能。

最后，CKG分析了这种新药物可能的副作用和张阿姨目前正在服用的药物之间的交互作用，以确保新方案的安全性。

通过这一系列的步骤，李医生为张阿姨制定了一个新的治疗计划。

张阿姨开始了新的治疗方案，几个月后，她的血糖水平得到了显著改善，相关并发症的风险也降低了。

这个故事显示了CKG不仅帮助医生发现了张阿姨糖尿病的新治疗方向，而且通过综合分析和个性化建议，改善了她的健康状况和生活质量。

知识图谱管理慢性病饮食

因为专业营养师不足且分布不均，且医护人员通常缺乏足够的营养知识，知识图谱技术的应用被认为是提高慢性病饮食管理质量的一种可能途径。

假设有一个名为“DiabeteMeals”的糖尿病饮食管理系统，它基于知识图谱构建。

该系统首先会有一个庞大的数据库，包含了“中国糖尿病防治指南”和“中国食物成分表”的数据。

当糖尿病患者使用“DiabeteMeals”进行饮食咨询时，系统会如下运作：

信息收集：患者通过界面输入个人信息，如年龄、性别、体重、身高、血糖水平和运动习惯等。
问题理解：患者提出具体的饮食相关问题，例如“今天我该吃些什么来控制我的血糖水平？”系统通过深度学习模型优化语义理解，以准确捕捉并理解患者的问题。
知识图谱查询：系统利用构建的知识图谱，结合患者提供的个人信息和饮食问题，查询匹配的营养信息和饮食建议。
个性化推荐：基于患者的独特需求和系统中的知识，如食物的营养成分、血糖反应指数（GI值）等，系统生成一份个性化的饮食建议，不仅包含具体的食物选择，也提供烹饪方法和食物份量。
长期跟踪与反馈：系统根据患者的反馈和饮食记录，调整知识图谱中的推荐逻辑，以提供更为准确的个性化建议。

例如，一个患者可能会被建议早餐吃燕麦粥配上低脂牛奶，午餐选择瘦肉配全麦面包和一份大叶绿色蔬菜沙拉，晚餐则可以吃一份蒸鱼和炒豆腐，以确保饮食中低GI值和高纤维的平衡，同时考虑到其个人口味偏好和营养需求。

这样的系统能显著提升医疗服务的效率和质量，尤其是在面对糖尿病等慢性病的饮食管理问题时。

通过知识图谱和AI技术，即便在营养师资源有限的情况下，也能为患者提供专业的指导和个性化的服务。

知识图谱也会导致误诊

举一个例子来说明病人错误描述可能对AI医疗问诊系统产生误导，以及如何通过结合人工智能与医生的专业判断来减少误导和提高诊断效率。

假设一位病人向AI医疗问诊系统描述：“我最近总是头晕，可能是血压高了。”

然而，这位病人实际上可能只是暂时性的晕车感觉，并不是高血压。

在这种情况下，纯粹基于知识图谱的系统可能会误将“头晕”直接与“高血压”关联，因为知识图谱中可能有这样的连接。

但如果患者的描述是基于错误的自我诊断，那么AI系统提供的建议可能会误导。

捕捉信息点：基于Transformer的模型分析患者的话语，提取关键信息点，比如“头晕”。
生成问题：AI生成相关的追问问题以收集更多信息，例如：“您头晕是在什么情况下发生的？您是否有测量过血压？”
医生参与：系统将收集到的信息和生成的问题提供给医生。

医生使用自己的专业知识，结合病人的整体状况和可能的误导信息，进行综合评估。
辅助诊断：系统根据医生的评估和反馈调整后续的问答逻辑，并为医生提供可能的诊断参考。
避免误诊和漏诊：系统设计以辅助医生，而不是完全替代医生的诊断。

医生可以纠正由于病人错误描述带来的误导，并最终做出正确的判断。

在实际应用中，医生可能发现患者实际上有晕车的历史，且头晕与车程有关，从而判断患者的头晕并非由高血压引起。

通过这种协作方式，AI系统帮助医生更有效地收集和分析信息，而医生则确保诊断的准确性和专业性。

丰富临床知识图谱

为了克服其局限性，建议结合其他数据源，如临床试验结果、电子病历分析、患者注册数据库和专家经验等，以构建一个全面、精确和实用的临床知识图谱。

在以临床指南为基础构建的糖尿病临床知识图谱上结合其他数据源：

1. 识别和整合多种数据源

临床试验结果：收集关于糖尿病治疗和管理的最新临床试验结果，特别是那些可能尚未被最新的临床指南反映的研究。这包括药物效果、副作用、和不同治疗方案的比较研究。
电子病历分析：从电子病历中提取糖尿病患者的真实世界数据，包括治疗反应、并发症出现的模式和时间序列数据，以及治疗方案的长期效果。
患者注册数据库：利用患者注册数据库中的数据来了解糖尿病患者的流行病学分布、疾病进展路径以及不同人群（如按年龄、性别、种族划分）的治疗效果差异。
专家经验：通过访谈、专家小组讨论等方式，收集领域专家对于指南以外的治疗选择、疾病管理策略以及临床经验教训的看法和建议。