24、个性化医疗知识图谱推理：过敏与症状患者案例研究

个性化医疗知识图谱推理：过敏与症状患者案例研究

1. 引言

近年来，为维持健康生活方式，出现了多种有效解决方案，如 Apple Health Kit 等，还催生了数字个性化健康教练应用等新兴应用。这些应用依赖无线体域网、医疗物联网、移动健康、电子健康和环境辅助生活等领域的技术。其利用廉价的物联网设备和可穿戴设备收集原始数据，通过知识图谱（如肥胖本体）对数据进行结构化和抽象，并借助推理机制得出见解和建议。

世界卫生组织估计，2018 年有 2.35 亿人患有哮喘。对于哮喘这类多因素疾病，涉及多种不同类型的数据，但目前在利用上下文和个性化数据，并将其与背景医学知识库集成以监测用户健康方面存在不足。

• 上下文感知 ：指利用能影响用户状况的外部数据。例如，物联网设备可监测周围环境，结合背景模型对细粒度物联网数据进行解释，能为临床医生提供上下文感知信息。不同患者对环境因素（如空气污染或不同类型的花粉）的反应各异，临床协议应考虑这些因素来判断患者状况。
• 个性化医疗 ：根据患者的脆弱性和病情严重程度调整治疗方案。增强型个性化医疗（APH）包括自我监测、自我评估、自我管理、干预以及疾病进展跟踪和预测。患者的多模态数据来自临床文档、患者生成的健康数据（包括传感器和社交数据）。个性化医疗知识图谱（PHKG）能理解基于患者脆弱性、触发因素和症状的治疗方法，结合预测分析，有助于实现自我管理和干预。例如，哮喘患者的长期控制药物剂量会根据其哮喘严重程度、环境触发因素和病史进行调整。

PHKG 是患者所有相关医学知识和个人数据的表示，由相互关联的本体和数据集组成，能