基于多数据源医学知识图谱的降压药物决策模型研究

Hypertension is the most common chronic disease that affects billions of people from all racial and ethnic groups. Due to the rapid increase in the amount of electronic information in the past decades, it is difficult for non-hypertension specialized doctors to keep their knowledge up to date with the rapid growth of medical data and the problem of information overload. In our previous study, we have built a model to support doctors in making more informed decisions in prescribing antihypertensive drugs based on the graph based machine-learning algorithms. Due to the fragmentation and sparsity of medical data, however, the accuracy and precision of recommendation is not high. Currently, knowledge graph is the best way to solve the problem of information overload. This project intends to fuse the hypertension related data from multiple sources and construct hypertension medical knowledge graph by embedding a representation learning, and to recommend antihypertensive drugs based on graph theory. Then a clinical decision support system (CDSS) based on the graph based machine-learning algorithms was integrated within hospital information system, and a cluster-randomized trial was conducted to assess the effects of CDSS on the blood pressure management. Our ultimate goal is to provide personalized guidance and decision support for non-hypertension specialized doctors.

高血压是严重威胁人类健康的最常见的慢性进展性疾病，降压治疗一直是高血压管理的热点与难点。非高血压专科医生面对大量医学信息时不可能保持降压决策的实时更新，面临着信息超载问题。我们前期已分别使用文献数据及临床数据建立了降压药物决策模型，但医学数据的多源分布导致该决策无法同时满足降压治疗的“规范化”及“个体化”原则。知识图谱是目前解决数据融合及信息超载最有效的方法之一。本项目拟通过融合多个高血压数据源，构建同时具有规则知识与经验知识的高血压知识图谱；通过表示学习技术将知识图谱中的实体嵌入低维向量空间，为降压推荐算法提供实体间的语义关系，使知识图谱信息与推荐算法融合，弥补数据稀疏及不完整所致推荐算法性能的不足，提高降压推荐质量，为药物决策的发展提供关键技术支持；研制与医院信息系统集成的降压决策软件并进行临床验证，为高血压治疗提供精准、规范的降压指导，最终达到提高临床决策质量的目的。

高血压疾病是严重威胁人类生命和健康并消耗巨额卫生资源的最常见的慢性进展性疾病，降压治疗一直是临床工作的重点与难点。随着人工智能时代的到来，基于大数据分析的个体化给药成为解决这一难题的可能途径。我们前期已分别使用文献数据及临床数据建立了降压药物决策模型，但医学数据的多源分布、稀疏性和不完整性导致该决策无法同时满足降压治疗的“规范化”及“个体化”原则。因此本研究提出两个关键科学问题“如何融合降压决策的规则知识与经验知识”和“缓解医疗数据稀疏性和不完整性导致的推荐准确性问题”。针对第一个科学问题，以构建多源医学知识图谱为主要研究内容，制定了高血压数据标准集；提出针对疾病特点的细粒度、增量式多源医学知识图谱聚合方法，建立了高血压相关疾病-生物标志物知识图谱与临床基础知识医学图谱。针对第二个科学问题，我们以多源医学知识图谱在提高决策质量方面的应用为主要研究内容，获得如下结果：1. 多源医学知识图谱的表示学习可有效提高各类深度学习模型的预测准确性；2.多源医学知识图谱表示学习可提高模型的泛化能力；3.基于多源医学知识图谱的模型可发现潜在的药物不良反应；4.多源医学知识图谱为决策模型提供了一种独立于模型与数据外的来源于领域知识的独立可解释性。总之本研究着眼于多源医学知识图谱的构建与应用，从多源数据融合、决策模型构建、临床验证及应用等各方面初步证实了医学知识图谱在临床决策中的价值，为临床决策发展提供了一定的技术支持。