14、健康状况演变信息知识图谱构建与评估

健康状况演变信息知识图谱构建与评估

1. 数据收集与预处理

为了构建健康状况演变信息的知识库，需要从公开可用的数据源收集相关信息。选择了NHS England和MAYO Clinic两个健康网站，NHS England是英国最大的健康网站，提供症状、病症和治疗相关内容；MAYO Clinic是非营利组织，其网站提供全面且易于访问的病症描述。从这两个网站收集包含病症描述的HTML文件，然后对文本进行清理，去除HTML标签、换行符、特殊字符和空格。

病症演变通常在一句话中描述，例如“Broken ankle”的演变描述为“A broken ankle usually takes 6 to 8 weeks to heal, but it can take longer”。将语料按句子组织，数据集共包含208,838个句子，按健康状况分组。

由于电子健康记录（EHR）通常使用SNOMED CT作为描述临床病症的标准，因此需要将网络数据源中的病症名称与SNOMED CT进行对齐。使用Levenshtein距离进行对齐，找到匹配的病症名称，并对随机选择的病症结果进行手动审核。最终语料是按健康状况分组的句子集合，每个健康状况都与对应的SNOMED CT标识符相关联。

2. 知识组件提取

知识组件提取的重点是从语料中提取健康演变声明（HES）候选推荐。具体步骤如下：
- 构建HES的黄金标准数据集 ：
- 检查语料，健康状况描述内容丰富，平均有180个句子，但只有少数描述健康状况演变。使用距离监督方法识别这些句子。
- 选择一组指病症恢复的文本片段样本，如“last between”“