Modèle de raisonnement cognitif explicable et personnalisé basé sur un graphe de connaissances pour la prise de décision en médecine générale

Introduction

La médecine générale, en tant que composante importante des soins médicaux communautaires et familiaux, couvre différents âges, sexes, systèmes d’organes et divers types de maladies. Son principal concept est centré sur l’individu, considéré dans son unité familiale, avec l’accent mis sur la promotion et le maintien de la santé globale à long terme. Cependant, des preuves actuelles montrent que la qualité des soins de santé primaires (Primary Health Care, PHC) en Chine n’atteint toujours pas un niveau satisfaisant. Il existe un besoin significatif d’amélioration de la précision du diagnostic et du traitement clinique. Pour répondre à ce problème, les outils de décision basés sur l’intelligence artificielle deviennent progressivement une aide puissante pour les médecins généralistes dans le diagnostic des maladies. Cependant, les recherches actuelles présentent principalement deux problèmes : premièrement, un manque d’extensibilité et de capacité d’explication suffisantes ; deuxièmement, la majorité des modèles existants sont complexes à manipuler et difficiles à adapter au cadre réel de la médecine générale.

Source de l’article

Cet article intitulé « An Explainable and Personalized Cognitive Reasoning Model Based on Knowledge Graph: Toward Decision Making for General Practice » a été co-rédigé par Qianghua Liu, Yu Tian, Tianshu Zhou, Kewei Lyu, Zhixiao Wang, Yixiao Zheng, Ying Liu, Jingjing Ren et Jingsong Li. L’article a été publié dans l’IEEE Journal of Biomedical and Health Informatics, volume 28, numéro 2, en février 2024.

Résumé de la recherche

L’étude propose un modèle de raisonnement cognitif explicable et personnalisé basé sur un graphe de connaissances (Cognitive Reasoning Model based on Knowledge Graph, CRKG), visant à utiliser les dossiers de santé électroniques des patients (Electronic Health Records, EHRs) et le graphe de connaissances pour fournir un soutien personnalisé au diagnostic et à la prise de décision. En se concentrant particulièrement sur les maladies abdominales, un graphe de connaissances semi-automatique des maladies abdominales (Abdominal disease Knowledge Graph, AKG) a été d’abord construit. Combinant la théorie des deux systèmes de la cognition scientifique, le CRKG réalise des diagnostics avancés de maladies générales grâce aux graphes de neurones et aux mécanismes attentionnels. Les preuves expérimentales montrent que ce modèle surpasse les modèles de référence existants en termes de précision et de rappel.

Processus de recherche

Construction du graphe de connaissances

1. Source de connaissance : Les sources de connaissances de cette étude incluent des guides cliniques en chinois, des livres médicaux et des informations obtenues sur le site UpToDate. Parallèlement, des connaissances pertinentes ont été automatiquement extraites de la base de données SemMedDB de PubMed et de la version chinoise de la CIM-10.

2. Modèle d’extraction de connaissances : Un modèle d’extraction a été conçu pour ajouter des connaissances structurées sous forme de triplets (head, relation, tail) au graphe de connaissances. Les types d’entités comprennent les maladies, symptômes, signes, processus, mesures, antécédents médicaux, médicaments, etc., et les relations incluent “concomitant”, “est-un type de”, “cause”, “affecte”, “tend à”, “examine”, etc.

Stratégie de mise à jour du graphe de connaissances

Pour doter le graphe de connaissances d’informations sémantiques, une stratégie de mise à jour basée sur le réseau neuronal de transmission de messages (Message-Passing Neural Network, MPNN) a été conçue. Les étapes spécifiques sont les suivantes : 1. Échange d’informations des nœuds : Un message est transféré du nœud source h à travers la relation r vers le nœud cible t. 2. Agrégation de messages : Basé sur l’information de tous les nœuds connectés, une représentation cachée du nœud est générée. 3. Mise à jour de l’état des nœuds : En utilisant des connexions résiduelles pour éviter la perte d’informations et en introduisant des paramètres appris pour optimiser l’apprentissage de la structure du graphe.

Construction du graphe cognitif personnel

Chaque consultation de patient peut être modélisée sous forme d’un graphe cognitif personnel (Personal Cognitive Graph, PCG). Le processus spécifique est le suivant : 1. Construction initiale de la cognition : Les données cliniques initiales du patient servent de base au PCG. 2. Module de capture de l’attention intuitive : D’après les données du patient, des informations pertinentes sont extraites du graphe de connaissances et chargées dans le PCG, en utilisant le réseau attentif de graphes (Graph Attention Network, GAT) pour le transfert d’attention. 3. Module de raisonnement explicite : Un raisonnement de maladie est effectué à travers des décisions claires et conscientes, mettant à jour l’état des nœuds et prédisant finalement la maladie potentielle du patient.

Résultats expérimentaux

L’article compare le modèle CRKG avec plusieurs modèles de référence existants de systèmes de recommandation : 1. Performance des modèles : Le CRKG démontre des performances exceptionnelles en termes de précision et de rappel. Par exemple, le CRKG atteint 0.7873 sur precision@1, 0.9020 sur recall@10, et 0.9340 sur hits@10, surpassant significativement les autres modèles de référence. 2. Capacité explicative : Le modèle peut montrer visuellement le processus de raisonnement de chaque consultation de patient, améliore la compréhension du jugement du modèle par les cliniciens, augmentant ainsi l’explicabilité du modèle.

Conclusion et valeur de la recherche

Le modèle CRKG présente une valeur scientifique et pratique significative : 1. Contribution scientifique : L’étude propose une nouvelle stratégie de mise à jour du graphe de connaissances et une méthode de raisonnement combinant le réseau neuronal graphique et le mécanisme attentionnel, offrant une nouvelle voie pour le développement de l’intelligence cognitive et rapprochant les outils de décision basés sur l’intelligence artificielle des processus cognitifs humains. 2. Perspective d’application : Ce modèle peut non seulement améliorer efficacement la précision et l’efficacité du diagnostic des maladies par les médecins généralistes, mais aussi identifier précocement les patients clés pour fournir des suggestions de transfert précoce, supportant techniquement l’amélioration des soins de santé primaires en Chine.

Points forts de l’étude

1. Méthode innovante : Le CRKG combine la théorie des deux processus (cognition intuitive et cognitive analytique), concevant de manière innovante un processus d’extraction et de raisonnement semi-automatique des connaissances.
2. Performance exceptionnelle : Les expériences montrent que le CRKG dépasse les modèles de référence existants dans plusieurs indicateurs, démontrant ses excellentes performances diagnostiques.
3. Explicabilité : En visualisant le processus de raisonnement, la confiance et la compréhension des médecins envers le modèle sont accrues, améliorant ainsi le potentiel d’application clinique du modèle.

À travers cette étude, non seulement les outils intelligents pour la médecine générale sont enrichis, mais une base théorique et pratique solide est également fournie pour explorer et appliquer largement les techniques d’informatique de la santé.