醫學知識圖譜應用新領域展望

摘要：作為智慧醫療的基石，醫學知識圖譜研究受到廣泛關注，已經開發出疾病診斷、臨床決策、智能問答等典型的應用場景。隨著技術發展和研究深入，醫學知識圖譜的應用拓展到更多領域。本文對近年來醫學知識圖譜在個性化醫療、醫療保險控制、公共衛生事件管理、科研發現、醫學健康教育等方面的應用進行綜述，總結其新的發展趨勢，為后續研究者提供參考。

關鍵詞：醫學知識圖譜;個性化醫療;醫療保險;公共衛生事件管理;科研發現;醫學健康教育

中圖分類號：R285" " " " " " " " " " " " " " " " " "文獻標識碼：A" " " " " " " " " " " " " " " " "DOI：10.3969/j.issn.1006-1959.2024.19.040

文章編號：1006-1959（2024）19-0182-07

Prospect of New Application Fields of Medical Knowledge Graph

LI Changbiao1，DUAN Yongheng2，LI Bei1

（1.College of Life Science，Central South University，Changsha 410013，Hunan，China;

2.Scientific Research Department，Shenzhen Health Development Research and Data Management Center，

Shenzhen 518000，Guangdong，China）

Abstract：As the cornerstone of smart healthcare， medical knowledge graph research has received widespread attention， and typical application scenarios such as disease diagnosis， clinical decision-making， and intelligent Qamp;A have been developed. With technological advancement and in-depth research， its applications expand to more fields. In this paper， we review the applications of medical knowledge graphs in personalized medicine， health insurance control， public health event management， scientific research and discovery， and medical health education in recent years， and summarize its new development trend， which can provide reference for subsequent researchers.

Key words：Medical knowledge graph;Personalized medicine;Health insurance;Public health event management;Scientific discovery;Medical health education

隨著醫療信息化高速發展，醫療數據的類型和規模正以前所未有的速度快速增長，醫療行業真正進入大數據人工智能時代。2017年國務院發布《新一代人工智能發展規劃》[1]提出，要發展智能醫療，推廣應用人工智能治療的新模式、新手段，建立快速精準的智能醫療體系。而醫療知識圖譜正是實現智慧醫療的基石，其能夠幫助建立融合臨床醫學與生命組學的語義關聯，快速而高效地發現疾病和病因甚至新的最佳治療方案，有望帶來更高效精準的醫療服務。中國科學院大學發布的《中國新經濟發展報告2020》[2]中也提到，要以國內頂級醫療機構的臨床治療經驗為基礎，建設醫學知識圖譜（庫），并開展標準化應用，以此實現不同學科、不同專業和不同地域之間臨床數據的統一標引、存儲、檢索和聚合，這對于我國規范臨床術語，優化診療流程，提升醫療質量、臨床醫生工作效率和科研水平，及減少醫療差錯等具有重要意義。醫學知識圖譜不僅能夠有效地對多源異構的醫學數據進行組織，并且能以結構化的數據形式促進醫學知識關聯、醫學知識發掘及醫學領域的知識服務，如智能搜索[3]、輔助醫療決策[4]、就醫導診[5]、智能問答[6]等。在關注醫學知識圖譜構建技術的發展之外，隨著醫學研究領域的延伸及人工智能技術的加持，除了上述幾種傳統場景，研究人員也逐漸思考領域型知識圖譜在專業范圍下的深度應用，如將基因組學數據納入知識圖譜[7]及新藥發現[8]等。本研究著重梳理較新領域的醫學知識圖譜的應用，如個性化醫療、醫療保險控制、公共衛生事件管理、科研發現、醫學健康教育等，將新技術進行融合使醫學知識圖譜拓展至更多可能的應用場景。

1知識圖譜概述

1.1知識圖譜概念" 知識圖譜（knowledge graph）是結構化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關系。其基本組成單位是“實體-關系-實體”三元組，以及實體及其相關屬性——值對，實體間通過關系相互聯結，構成網狀的知識結構。知識圖譜可以高效整合海量數據的有效信息，為實現語義智能化搜索以及知識互聯打下基礎，已經在醫療、金融、農業等領域得到快速發展與廣泛應用。

1.2知識圖譜分類" 知識圖譜可分為通用知識圖譜與垂直領域知識圖譜。通用知識圖譜不面向特定領域，可將其看作是“結構化的百科知識”，這類知識圖譜包含了大量常識性知識，強調知識的廣度。常見的通用知識圖譜有WikiData、DBPedia、Google Knowledge Graph、YAGO、Concept Graph、Freebase、OwnThink等。領域知識圖譜則面向的是特定的領域，其基于行業數據構建，側重于知識的深度。以知識圖譜應用廣泛的醫學領域為例，醫學領域的知識具有專業性強、復雜度高等特點，如何基于現有的醫學數據，進行大規模、規范化、高質量的醫學知識圖譜構建并開展應用，一直是目前研究的熱門。典型的大型醫學知識圖譜見表1。

2醫學知識圖譜應用的新領域

醫學知識圖譜經過多年的發展，已經開發出諸如疾病診斷[18]、臨床決策[19，20]、智能問答[21，22]等典型的應用場景。隨著研究的深入，知識圖譜也漸漸開始應用于個性化醫療、醫療保險、公共衛生事件管理、科研發現、醫學健康教育等新領域，本文主要對近年來開發的新場景的應用現狀進行綜述。

2.1個性化醫療" 個性化醫療，又稱“精準醫療”，是根據個人的生活生理等數據，從而產生量身定制的醫療方案的過程。其涉及信息多樣、龐大且復雜，對不同知識之間關聯性的發掘要求較高，而醫學知識圖譜很好地契合了個性化醫療的發展需求[23]。Ping P等[24]提出了心血管醫學中個體化知識圖譜（individualized knowledge graphs， iKGs）的概念，其本質上是一個心血管知識網絡系統，用于以全新的和信息豐富的方式來聚合和描述個體化的心血管健康數據。iKGs能夠將生物學知識與個體患者的病史和健康結果全面整合，從而改變臨床醫生和科研工作人員發現、交流和應用新知識的方式，并幫助制定個性化的患者護理策略。Vilela J等[25]使用來自DisGeNET和GO的數據構建了一個包含了基因、疾病和其他生物實體之間關系的醫學知識圖譜，其開發的方法可根據確定的基因-疾病關聯中豐富的生物途徑對患者進行亞型分層，能夠為制定應用于自閉癥譜系障礙（autism spectrum disorder， ASD）的個性化醫學方法指南提供一定指導。Gyrard A等[26]聚合了來自各種異構來源的知識，如物聯網（IoT）設備、臨床記錄和電子病歷（EMRs）、鏈接開放數據（UMLS、ICD-10等）、醫學本體等，創建了個性化醫療保健知識圖譜（personalized healthcare knowledge graph， PHKG），這種基于患者健康情況，結合環境數據構建的醫學知識圖譜，不僅可以支持個性化健康App的開發，在保持患者知情的情況下，有助于幫助管理慢性疾病，并授權醫生就健康相關問題做出有效的決策，也可以通過持續監測及時向患者發出警報。Chandak P等[15]整合了包括疾病相關蛋白質擾動、生物過程和途徑、解剖和表型尺度以及整個批準的藥物范圍及其治療作用等多個高質量的資源構建了醫學知識圖譜PrimeKG，由于其包含了大量的藥物與疾病之間的聯系，因此可用于支持AI對藥物如何影響疾病進行分析，并且深入剖析分子和遺傳因素及其表型后果之間的關系，以此來制定個性化診斷策略和有針對性的治療方案。

由上可知，醫學知識圖譜在個性化醫療上的應用是以患者個性化數據為基礎，結合IoT設備和AI等前沿科技，從而開展的各類基于知識的個性化醫療手段。在未來，隨著可穿戴設備和超高速網絡的發展，個性化的醫療數據更加容易采集，將個體情況、環境背景信息與現有醫學知識結合利用，形成個性化的智能醫療服務，不僅能夠有效提升用戶健康水平，也能減輕醫療保健方面的工作負擔。

2.2醫療保險風險控制" 疾病診斷相關分組（diagnosis-related group， DRG）是一種根據患者年齡、疾病診斷、并發癥、合并癥及治療方式等因素將患者分成若干DRG組進行管理的體系[27]。隨著我國對DRG的研究逐漸深入，諸如低碼高編、分解住院、住院費用轉移等問題漸漸顯現。對于醫療機構來說，要想強化對醫療質量和醫療行為的監管，除了控制醫療費用，就需要具有自動化、智能化的醫保質控能力[28-30]。而醫學知識圖譜的出現，可以很好地解決這類問題，建立融合循證醫學和臨床指南等權威醫學知識、醫保支付政策、醫保監控規則的知識圖譜，構建基于知識圖譜的規則邏輯風控預警模型，通過自動發掘數據之間的深層關系，降低審核過程對專業人員的依賴，從而為醫保監管工作提供有力支撐。目前國內已有像艾登等應用醫學知識圖譜進行醫保病案質控，而在學界也有不少相關研究，例如，劉新奎等[31]將醫學知識圖譜與DRG相結合，有效地融合不同的醫療知識庫構建DRG MKG（drg medical knowledge graphs），隨時更新醫學知識，以契合DRG的發展，輔助DRG分組器優化。通過結合DRG、病案首頁及臨床知識等多組學數據構建的醫學知識圖譜，不僅能有效開展疾病風險預測、疾病早期診斷等工作，而且對于健康宣教、輔助診療也有很大推動作用，能夠促進患者對疾病的客觀認知，盡早配合治療，從而降低醫療費用，節約醫療資源。

醫學知識圖譜在檢測醫保欺詐方面也有一定應用。Sun H等[32]利用醫學知識圖譜開發了一種能自動識別臨床可疑的FWA（fraud-waste-abuse）檢測索賠的方法。其數據來源于中國食品藥監局、醫學教科書以及檢查信息，基于此設計了三種知識推理規則來識別三種不適當的診斷/藥物治療，利用該知識圖譜能夠檢測70%的可疑索賠。Li J等[33]基于20 000名被保險人的醫療保險文本數據構建了醫學知識圖譜，在此基礎上，將表示學習和改進的標簽傳播算法（LPA）用于特征工程，然后結合醫療費用數據和XGBoost等技術，形成了醫療保險欺詐檢測模型，該模型在醫療保險欺詐檢測中取得良好的效果，并且可用于輔助醫療保險報銷審計工作。

總的來說，醫學知識圖譜在醫療保險風險控制方面的應用，符合目前醫療服務流程規范化、收費透明化等趨勢。無論是DRG或者是醫療保險，對于疾病、藥物、檢查等多種醫學知識之間的關聯揭示，以及如何根據這些知識關聯進行合理的資源分配和風險調控，均存在一定需求。隨著醫保信息化、醫院管理精細化等要求的進一步落實，利用醫學知識圖譜輔助患者醫療費用降低和醫療保險風險控制，是一個可行的研究方向。

2.3公共衛生事件管理" 突發公共衛生事件通常會造成巨大的破壞，研究時效性與可理解性在解決這類事件中尤為重要，亟需快速分析研究現狀、抽取特定研究信息的方法。其中，與之相關的科學文獻是知識傳播的主要載體與重要途徑之一，但這類文獻中專業術語特殊性與歧義性很容易導致傳播受阻問題，為解決這類問題，劉華玲等[34]利用自然語言處理與知識圖譜技術，以PubMed中所有新型冠狀病毒感染相關的文獻為基礎，使用BERT-BiLSTM-CRF模型進行命名實體識別，并對同名的研究者進行消歧處理，最終建立的知識圖譜不僅可以快速查詢新型冠狀病毒感染相關的研究現狀、前沿熱點、研究進程，也讓研究人員與投資者能夠快速尋找特定課題的意見領袖，從而推進新型冠狀病毒感染相關科研工作。以公共衛生事件管理為導向而構建的醫學知識圖譜，能夠高效地對決策進行支持，并且輔助相關政策的制定。Yang Y等[35]在3096篇新型冠狀病毒感染相關研究論文的基礎上，構建了新型冠狀病毒感染建模研究相關的IE數據集，并提出了一種基于數據集的多任務文檔級信息抽取模型SS-DYGIE++。基于此構建的新冠病毒公共衛生證據知識圖譜，不僅能夠呈現新型冠狀病毒感染的動態傳播趨勢，還可以顯示各種非藥物干預措施對新型冠狀病毒感染流行的影響，從而支持政策制定。葉荔姍[36]通過知識圖譜和深度學習等技術來監測公共衛生事件中的風險人群，構建人的時空動態軌跡模型以動態監測疫情，在此基礎上搭建適用于不同疫情或突發事件的可擴展可移植防控系統，實現多元主體信息共享下的信息輔助閉環管理和防控協同。

在面對大規模的公共衛生事件時，追蹤疾病傳播途徑、確定感染源頭是件十分耗費人力的工作，Shen Y等[37]利用醫學知識圖譜來進行自動推斷傳播路徑和感染源，為預測和控制包括新型冠狀病毒感染在內的傳染病提供了一個很好的解決方案和工具，即通過知識圖譜來自動推斷感染源，從而有效地利用有限的資源來檢測潛在風險，實現疫情的快速控制。

公共衛生事件管理中涉及到的知識是醫學知識和管理知識的融合，其不僅涵蓋醫藥衛生、政策法律法規、人力物力等各個要素，也包括了各類要素之間的關聯。利用知識圖譜，不僅能很好地解決現有的知識體系中的知識過于分散，各個要素之間缺乏聯系等問題，還能借助知識推理等技術，開展疾病流行趨勢預測等工作，進一步挖掘現有公共衛生數據的價值，用大數據賦能，實現公共衛生領域智慧應急。

2.4科研發現" 藥物發現是發現新的候選藥物的過程，是一個漫長、復雜和昂貴的過程，是由現有化學庫和數據庫中越來越多的數據驅動的，而將知識圖譜引入藥物研發領域，能夠為異構生物醫學數據的整合提供了一個明確的框架和利用路徑，并縮短藥物發現的周期，降低藥物研發成本[38，39]。Sang S等[40]提出了一種基于生物醫學知識圖譜嵌入的遞歸神經網絡方法，稱為GrEDeL，它通過挖掘已發表的生物醫學文獻來發現潛在的治療疾病的藥物，實驗結果表明，該方法不僅可以通過挖掘文獻有效地發現新藥，而且可以為候選藥物提供相應的作用機制，能夠作為目前傳統藥物發現方法的補充。此外，基于醫學知識圖譜進行藥物再利用預測和藥物不良反應（adverse drug reaction， ADR）預測也是近年來較為熱門的方向。藥物再利用是指對那些已經上市或正在開發（包括開發停止）的藥物進行相關研究用于新治療用途的研發策略，目前的研究方法也是基于數據驅動，并且涉及多種類型的數據。Zhu Y等[41]提出了一種基于藥物知識圖譜的知識驅動藥物再利用方法，通過系統整合多個藥物知識庫，設計并開發了一個藥物知識圖譜，在此基礎上，使用基于路徑和嵌入的數據表示方法，將藥物知識圖中的信息轉換為有價值的輸入，從而讓機器學習模型對藥物再利用進行預測。Asada M等[42]基于知識圖譜提出了一種新的從文獻中提取藥物-藥物相互作用（drug-drug interaction， DDI）的方法，該方法同時考慮了各種異構信息，有效地解決了傳統的基于深度神經網絡的DDI提取方法大多只考慮文本中藥物提及的上下文信息的缺點。由于當一種藥物與另一種或多種藥物共同使用時，會引起不良反應，因此可基于提取的DDI進行ADR預測[43]。Joshi P等[44]基于知識圖譜嵌入技術，設計并訓練了一個定制的深度神經網絡（deep neural networks， DNN），稱為知識圖譜DNN，用于預測藥物不良反應，該方法在藥物肝損傷和新型冠狀病毒感染治療推薦藥物的個案研究上表現良好。Zeng X等[38]則對基于知識圖譜的藥物再利用和ADR預測在藥物研發中的應用做了總結，并將其劃分為5個基本步驟，從數據源收集數據、提取數據（包括化學屬性、藥物副作用、藥物靶標等）、嵌入模型的不同輸入（包括三元組、藥物-藥物相互作用矩陣等）、編碼（在嵌入過程中，使用不同結構的模型來學習知識圖譜的表示，并用特定的得分和損失函數來訓練模型）、預測（通過識別三元組是否是事實或使用實體嵌入進行預測）。

蛋白質是控制生物和生命本身的基本大分子，對蛋白質的研究有助于理解人類健康和發展疾病療法。利用知識圖譜對非結構化文本（如氨基酸序列或蛋白質描述）和結構化數據（如已知的蛋白質相互作用）之間的相互依賴關系進行建模，能夠更好地表現和利用蛋白質相關的生物醫學知識，并進行蛋白質相關研究[45]。例如有研究人員以基因本體GO和Uniprot知識庫為基礎創建了用于蛋白質科學的知識圖譜ProteinKG65，該知識圖譜將蛋白質相關知識和蛋白質序列轉換為GO術語或蛋白質實體，從而實現蛋白質功能和結構預測。

EHR在多年的使用過程中，積累了大量醫療過程和結果相關的大數據，但由于數據分散、數據異構等特點，其利用程度仍然處于較低的水平。Shang Y等[46]設計研究了面向EHR的知識圖譜系統，通過利用知識圖譜創建EHR數據軌跡，并通過語義規則進行推理，從而識別EHR數據中的重要臨床發現，并通過推理路徑更好地向醫生解釋那些被忽略的但是具有重要價值的醫學信息的意義。此外，基于BioMedKGs[17]提出的BIOS醫學科研選題工具，以PubMed、Sci-Hub等權威醫學文獻庫作為靈感來源，利用實體識別、文本指代消解領域文本無監督相似度計算等技術，對醫學文獻進行解讀，并提取選題靈感，為醫學知識圖譜輔助科學研究提供了一種全新的思路。

2.5醫學健康教育" “健康中國行動（2019-2030年）”[47]指出，“普及健康知識”為實現國民健康的重要途徑。在已有的智能檢索與問答的應用基礎上，以公眾自我管理能力為核心，以健康教育與非藥物干預為應用場景，醫學知識圖譜在醫學知識普及和健康教育方面極具潛力。Cope B等[48]基于醫學知識圖譜開發了醫學教育相關的網站應用，該應用不僅能建立醫療邏輯可視化，以補充電子健康記錄，還能支持醫學生進行臨床病例分析，提高醫學教學質量。由于醫師培訓課程要求對大量的知識進行集中、快速的吸收，為了幫助醫學生優化學習路徑;Ettorre A等[49]以OntoSIDES等知識圖譜為基礎，提出了一個能讓醫學生在SIDES平臺上進行學習的模型，以兒科和心血管專業學習作為實例進行實驗，發現該模型很好地提升了學習效果。Ansong S等[18]利用醫學知識圖譜解決了醫學培訓系統中，在疾病診斷方面缺乏數據和可解釋性差等問題，從而構建和完善了醫療培訓系統中的疾病診斷功能。

在醫學知識科普方面，王麗敏等[50]以“4P”醫學模式為指導，構建了以疾病概述、臨床癥狀、臨床診斷、預防與康復指導、治療等為一級知識框架的膝關節骨性關節炎（knee osteoarthritis， KOA）疾病知識圖譜，將疾病知識圖譜以圖數據庫可視化呈現、Web端表示，建立起公眾可參與的KOA疾病知識查詢、應答的途徑。既將普通用戶從海量的信息中解放出來，免去了公眾因缺少專業知識對信息進行誤判、誤信，也使護理工作中的健康教育內容能夠與時俱進、快速更新。

3總結

醫學領域是知識圖譜建設與應用最前沿的研究領域之一，一方面醫療信息化的發展累積了海量的醫學數據;另一方面醫學領域知識本體數據庫的建立相對規范，為醫學知識圖譜的構建打下了堅實的基礎，比如IBM研發的Watson Health醫學知識圖譜，每秒能完成267篇非結構化醫學文獻的知識自動抽取，并可在多個醫療領域輔助醫生診斷與治療。隨著和機器學習等技術結合，醫學知識圖譜的應用場景越來越豐富。如今流行的大語言模型（large language models， LLMs），為AI在醫學領域的應用帶來了新的希望。通過結合知識圖譜，LLMs有望解決缺乏事實知識、幻覺和可解釋性等諸多問題。可以預見的是，在科技向人工智能邁進的階段，醫學知識圖譜將發揮更大的作用。

參考文獻：

[1]中華人民共和國國務院.新一代人工智能發展規劃[EB/OL].（2017-7-20）[2023-9-17].https：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

[2]中國科學院大學動善時新經濟研究中心.中國新經濟發展報告2020[M].北京：電子工業出版社，2020：7.

[3]Ebeid IA.MedGraph： A semantic biomedical information retrieval framework using knowledge graph embedding for PubMed[J].Front Big Data，2022，5：965619.

[4]Xu X，Wang X，Wu M，et al.Development of an interactive medical knowledge graph based tool set[J]. Procedia Computer Science，2023，221：578-584.

[5]Liu W，Yin L，Wang C，et al.Medical knowledge graph in Chinese using deep semantic mobile computation based on IoT and WoT[J].Wirel Commun Mob Com，2021，2021：1-13.

[6]Varshney D，Zafar A，Behera NK，et al.Knowledge graph assisted end-to-end medical dialog generation[J].Artif Intell Med，2023，139：102535.

[7]Nicholson DN，Greene CS.Constructing knowledge graphs and their biomedical applications[J].Comput Struct Biotechnol J，2020，18：1414-1428.

[8]MacLean F.Knowledge graphs and their applications in drug discovery[J].Expert Opin Drug Discov，2021，16（9）：1057-1069.

[9]Afshar M，Gao YJ，Gupta D，et al.On the role of the UMLS in supporting diagnosis generation proposed by Large Language Models[J].J Biomed Inform，2024，157：104707.

[10]李丹亞，胡鐵軍，李軍蓮，等.中文一體化醫學語言系統的構建與應用[J].情報雜志，2011，30（2）：147-151.

[11]昝紅英，竇華溢，賈玉祥，等.基于多來源文本的中文醫學知識圖譜的構建[J].鄭州大學學報（理學版），2020，52（2）：45-51.

[12]Pan Y，Chen Q，Peng W，et al.Medwriter： Knowledge-aware medical text generation[C]//Proceedings of the 28th International Conference on Computational Linguistics.2020：2363-2368.

[13]Long H，Zhu Y，Jia L，et al.An ontological framework for the formalization， organization and usage of TCM-Knowledge[J].BMC Med Inform Decis Mak，2019，19（Suppl 2）：53.

[14]Schatz K，Korn D，Tropsha A，et al.Workflow for Domain-and Task-Sensitive Curation of Knowledge Graphs， with Use Case of DRKG[C]//2022 IEEE International Conference on Big Data （Big Data）.IEEE，2022：3692-3701.

[15]Chandak P，Huang K，Zitnik M.Building a knowledge graph to enable precision medicine[J].Sci Data，2023，10（1）：67.

[16]Lan G，Li Y，Hu M，et al.Knowledge graph integrated graph neural networks for Chinese medical text classification[C]//2021 IEEE International Conference on Bioinformatics and Biomedicine （BIBM）.IEEE，2021： 682-687.

[17]Bang D，Lim S，Lee S，et al.Biomedical knowledge graph learning for drug repurposing by extending guilt-by-association to multiple layers[J].Nat Commun，2023，14（1）：3570.

[18]Ansong S，Eteffa K F，Li C，et al.How to empower disease diagnosis in a medical education system using knowledge graph[C]//Web Information Systems and Applications： 16th International Conference， WISA 2019， Qingdao， China， September 20-22， 2019， Proceedings 16.Springer International Publishing，2019：518-523.

[19]Lyu K，Tian Y，Shang Y，et al.Causal knowledge graph construction and evaluation for clinical decision support of diabetic nephropathy[J].J Biomed Inform，2023，139：104298.

[20]Zhou G，E H，Kuang Z，et al.Clinical decision support system for hypertension medication based on knowledge graph[J].Comput Methods Programs Biomed，2022，227：107220.

[21]Wu X，Duan J，Pan Y，et al.Medical knowledge graph： Data sources， construction， reasoning， and applications[J].Big Data Min Anal，2023，6（2）：201-217.

[22]Huang J，Chen Y，Li Y，et al.Medical knowledge-based network for Patient-oriented Visual Question Answering[J].Inform Process Manag，2023，60（2）：103241.

[23]Ma C，An Q，Yang Z，et al.A Hybrid Recommendation Approach for Medical Services That Incorporates Knowledge Graphs[J].Processes，2022，10（8）：1500.

[24]Ping P，Watson K，Han J，et al.Individualized Knowledge Graph： A Viable Informatics Path to Precision Medicine[J].Circ Res，2017，120（7）：1078-1080.

[25]Vilela J，Asif M，Marques AR，et al.Biomedical knowledge graph embeddings for personalized medicine： Predicting disease‐gene associations[J].Expert Systems，2022：e13181.

[26]Gyrard A，Gaur M，Shekarpour S，et al.Personalized health knowledge graph[C]//CEUR workshop proceedings.NIH Public Access，2018，2317.

[27]劉新奎，楊林朋.疾病診斷相關分組（DRGs）在我國的發展與應用[J].中華醫學圖書情報雜志，2018，27（8）：48-51.

[28]肖曉蘭，韋艷靈.病案信息對DRGs發展的影響[J].中國病案，2016，17（12）：6-8，42.

[29]馬忠凱.病案首頁質量控制對DRG的影響分析[J].中國衛生經濟，2018，37（12）：94-95.

[30]康婭，閆學麗，楊曉雨，等.DRG付費體制助力病案首頁質量控制[J].現代醫院，2021，21（12）：1883-1885.

[31]劉新奎，楊林朋，昝紅英，等.基于疾病診斷相關分組的醫學知識圖譜庫構建方法[J].醫學信息學雜志，2020，41（9）：27-30.

[32]Sun H，Xiao J，Zhu W，et al.Medical Knowledge Graph to Enhance Fraud， Waste， and Abuse Detection on Claim Data： Model Development and Performance Evaluation[J].JMIR Med Inform，2020，8（7）：e17653.

[33]Li J，Liu J，Liu X，et al.A medical insurance fraud detection model with knowledge graph and machine learning[C]//International Conference on Computer Application and Information Security （ICCAIS 2021）. SPIE，2022，12260：531-540.

[34]劉華玲，孫毅.基于實體識別和信息融合的知識圖譜研究——以新冠肺炎疫情為例[J].計算機技術與發展，2022，32（9）：107-113.

[35]Yang Y，Cao Z，Zhao P，et al.Constructing public health evidence knowledge graph for decision-making support from COVID-19 literature of modelling study[J].J Saf Sci Resil，2021，2（3）：146-156.

[36]葉荔姍.數據與知識驅動的涉疫風險人群防控系統研究[J].中國數字醫學，2022，17（9）：17-22.

[37]Shen Y，Liu Y，Jiao X，et al.Knowledge Graph： Applications in Tracing the Source of Large-Scale Outbreak - Beijing Municipality， China， 2020-2021[J].China CDC Wkly，2023，5（4）：90-95.

[38]Zeng X，Tu X，Liu Y，et al.Toward better drug discovery with knowledge graph[J].Curr Opin Struct Biol，2022，72：114-126.

[39]Sosa DN，Altman RB.Contexts and contradictions： a roadmap for computational drug repurposing with knowledge inference[J].Brief Bioinform，2022，23（4）：bbac268.

[40]Sang S，Yang Z，Liu X，et al.GrEDeL： A Knowledge Graph Embedding Based Method for Drug Discovery From Biomedical Literatures[J].IEEE Access，2019，7：8404-8415.

[41]Zhu Y，Che C，Jin B，et al.Knowledge-driven drug repurposing using a comprehensive drug knowledge graph[J].Health Informatics J，2020，26（4）：2737-2750.

[42]Asada M，Miwa M，Sasaki Y.Integrating heterogeneous knowledge graphs into drug-drug interaction extraction from the literature[J].Bioinformatics，2023，39（1）：btac754.

[43]Wang J，Zhang S，Li R，et al.Multi-view feature representation and fusion for drug-drug interactions prediction[J].BMC Bioinformatics，2023，24（1）：93.

[44]Joshi P，V M，Mukherjee A.A knowledge graph embedding based approach to predict the adverse drug reactions using a deep neural network[J].J Biomed Inform，2022，132：104122.

[45]Balabin H，Hoyt CT，Gyori BM，et al.ProtSTonKGs： a sophisticated transformer trained on protein sequences， text， and knowledge graphs[C]//SWAT4HCLS 2022： Semantic Web Applications and Tools for Health Care and Life Sciences. 13th International Conference on Semantic Web Applications and Tools for Health Care and Life Sciences， Virtual Event， Leiden， Netherlands， January 10th to 14th， 2022.RWTH Aachen，2022：103-107.

[46]Shang Y，Tian Y，Zhou M，et al.EHR-Oriented Knowledge Graph System： Toward Efficient Utilization of Non-Used Information Buried in Routine Clinical Practice[J].IEEE J Biomed Health Inform，2021，25（7）：2463-2475.

[47]中華人民共和國衛生健康委員會.健康中國行動（2019-2030年）[EB/OL].（2019-7-15）[2023-9-17].http：//www.nhc.gov.cn/cms-search/xxgk/getManuscriptXxgk.htm？id=e9275fb 95d5b4295be8308415d4cd1b2

[48]Cope B，Kalantzis M，Zhai C，et al.Maps of medical reason： applying knowledge graphs and artificial intelligence in medical education and practice[M].Bioinformational philosophy and postdigital knowledge ecologies，Springer，2022：133-159.

[49]Ettorre A，Rocha Rodríguez O，Faron C，et al.A knowledge graph enhanced learner model to predict outcomes to questions in the medical field[C]//International Conference on Knowledge Engineering and Knowledge Management.Cham： Springer International Publishing，2020：237-251.

[50]王麗敏，陳泓伯，王琦，等.以公眾健康教育與非藥物干預為主的膝關節骨性關節炎疾病知識圖譜的構建[J].中華護理雜志，2022，57（10）：1172-1177.

收稿日期：2023-08-21;修回日期：2023-11-03

編輯/王萌

基金項目：1.深圳市公共衛生事件應急管理知識圖譜研究（編號：738010014）;2.中南大學研究生科研創新項目（校企聯合）（編號：164990007）;3.中南大學創新創業教育教學改革研究項目（編號：150030010）

作者簡介：李昌鏢（1997.11-），男，江西吉安人，碩士研究生，主要從事醫學信息組織、知識圖譜研究

通訊作者：李蓓（1974.4-），女，湖南郴州人，碩士，副教授，主要從事信息組織、醫學大數據等研究