護理領域知識圖譜研究進展

Research progress of knowledge graph in nursing

HEMeinal2，HU ，MAO Shusong4，CHANG Kai5

1.School of Health Humanities，Hubei Universityof Chinese Medicine，Hubei 43o065China；2.Hubei Shizhen Laboratory；3.School of Nursing，Hubei University of Chinese Medicine；4.Institute of Standardization and Information Technology，Hubei Universityof Chinese Medicine；5.College of Information Engineering，Hubei UniversityofChineseMedicine

*Corresponding Author HU Hui，E-mail： zhongyi9o@163.com

AbstractThispapersummarizedthebasic principleofknowledge graph，thecharacteristicsandconstructionmethodsofknowledge graphin nursing.Itfocusedontheaplicationscenariosofknowledge gaphinnursing，andputforwardresearch suggestionsbasedon knowledgemodel，termiologyspecificationdataacquisitionandresourcecooperation.Soastoprovidereferencesforpromotingthe development of nursing through better use of knowledge graph.

Keywordsknowledge graph； nursing； data； review

doi：10.12102/j.issn.1009-6493.2025.08.027

隨著人工智能技術處理和分析數據的能力不斷演進，為護理領域挖掘高級、復雜數據提供了新的機遇。護理領域涉及大量病人信息、病歷數據、護理操作記錄等，從數據中獲得有意義和可操作的知識將對病人護理產生積極影響。然而，大量的護理數據仍未被充分利用，數據分散在各個護理業務系統中，提取效率較低以及缺乏全面和集成的護理知識庫等[1]。如何高效整合、科學管理和充分利用護理領域的知識資源，以提升護理服務的質量和效率，成了業內亟待解決的難題。知識圖譜（knowledgegraphs，KGs）2可以有效地表示復雜的信息關系，解決數據孤島帶來的異質性和規模性等問題[3]。為提高醫護人員對于該技術的重視，本研究對護理領域知識圖譜的基本原理、構建方法、應用場景及其潛在價值進行綜述，以期為推動護理行業的數字化轉型和智能化升級提供有益的參考。

1知識圖譜的基本原理

1.1知識圖譜的概念與構成

知識圖譜是人工智能領域的重要分支技術，它產生于大數據背景下的一種知識表示和管理方式4，通過可視化圖形表達知識的結構化方法。知識圖譜通常用圖模型描述知識和建模世界萬物之間的關聯關系，以符號形式描述物理世界中的概念及其相互關系，使知識更易于在計算機之間和計算機與人之間交換、流通和加工[5]。知識圖譜的表示和推理框架由“節點\"和“邊\"組成。“節點”表示“實體”，“邊\"表示實體之間的“關系\"或“屬性\"[6]，組成單位是“實體-關系-實體\"或“實體-屬性-屬性值”。“實體”是知識圖譜中的最基本元素，例如疾病、藥物、癥狀、科室等；“關系\"存在于不同實體之間，例如臨床表現、病因、發病機制、預防、鑒別、診斷等；“屬性”主要指對象可能具有的特點、特征及參數，例如疾病特征、藥品規格、手術類型等；屬性值指對象特定屬性的值，如某藥品規格為每粒 0.5mg 等。以輕度認知障礙（mildcognitive impairment，MCI）疾病描述為例：輕度認知障礙是介于正常老齡化和早期癡呆癥之間的狀態，主要表現為記憶力下降和認知功能障礙的病理狀態[7]。輕度認知障礙和記憶力下降是疾病和癥狀類型的具體實體。考慮到癥狀是疾病和癥狀實體之間的關系，因此，輕度認知障礙-癥狀-記憶力下降是一個三聯詞[8]

1.2知識圖譜的發展與價值

從20世紀90年代的語義網到2012年Google正式推出知識圖譜9，知識圖譜在各個行業和領域的研究和應用受到了極大的關注。知識圖譜分為科學知識圖譜和行業知識圖譜[0]。科學知識圖譜主要是運用CiteSpace[11]、VOSviewer[12]等工具實現對文獻的計量分析，通過引文分析、共現分析等可視化呈現研究熱點、研究方向及研究趨勢等。行業知識圖譜分為通用知識圖譜和領域知識圖譜[13]。通用知識圖譜主要使用者是一般普通用戶，以常識性知識為主，強調的是知識的廣度。代表性如基于維基百科條目中提取的結構化知識的DBpedia[14]，集成了中文信息的連接數據庫YAGO[15]，以及社區合作伙伴貢獻的大型合作知識庫Freebase[1等。領域知識圖譜主要使用者是行業人員，基于行業數據的面向行業領域的知識，強調的是知識的深度。目前工業、農業、醫學、商業、金融等相關領域有較多的研究和應用[17]。特別是醫療領域的疾病風險評估、智能輔助診療、醫療質量控制、醫學知識問答等具有良好的前景[18]。眾多公司和企業創建了豐富的醫療知識圖譜產品，如阿里健康的“醫知鹿”醫療智庫、IBM的WastonHealth[19]、百度的靈醫智惠、中國平安好醫生的中文醫療知識圖譜等。在學術界醫學知識圖譜包括中文醫學知識圖譜CMeKG（ChineseMedicalKnowledgeGraph）[20]、OpenKG開源的醫療知識圖譜。中國中醫科學院和上海曙光醫院構建的中醫藥知識圖譜主要用于中醫知識問答體系和用藥推薦等[21]。

1.3護理知識圖譜的特征分析

護理知識圖譜屬于領域知識圖譜，主要具備以下幾個特征。1）復雜性數據特征。護理數據主要來源于家庭、社區、醫院等長期護理環境或公共衛生環境中。不同類型的數據包括敘述和電子病歷生成的文本、公共或政府記錄（如公共數據集）或財務記錄（如醫療保險）的臨床和生物學數據22]、社交媒體數據（如微信、QQ、在線健康論壇）病人或家屬生成的數據（如健康史、癥狀、生物特征、治療史、生活方式等）以及研究文獻等，這些數據具有多樣性和實時性的特點。對于異構性和松散的護理知識組織結構，需要將其中自由文本形式的內容轉化為完全結構化、計算機可理解的結構化的知識圖譜，便于機器讀取和應用。2）跨學科技術特征。護理數據相關應用和研究需結合計算機科學、統計學、數學和健康信息學等多學科技術融合。尤其護理內容數據的知識自動抽取及深度知識發現是護理知識圖譜研究的重點和難點，需要利用護理信息檢索技術結合自然語言處理技術實現護理內容數據的智能化處理分析。3）專業領域性特征。護理知識圖譜專注于護理領域，涵蓋了從護理評估到護理結局以及護理結局所表現的癥狀、護理結局所需的護理措施等專業知識。它反映了護理領域專家對于各種特定問題的求解知識集合，包括相關的基本事實、規則和其他相關信息，體現了護理知識的專業性和領域性。

2護理知識圖譜構建方法

知識圖譜的構建結構分為模式層和數據層2個層次。模式層存儲的是經過提煉的知識，通常借助本體庫管理；數據層存儲的則是以三元組為基本表達單元的一系列具體事實。正是由于這一邏輯結構，知識圖譜衍生出了自頂向下（模式層一數據層）和自底向上（數據層一模式層）2種構建方式[10]，前者用于領域知識圖譜的構建，即預先定義模式層的本體與數據模式，逐步向下細化，適用于具有固定知識體系或由經專家梳理后可定義數據模式的知識圖譜。后者用于通用知識圖譜的構建，通常從開放鏈接數據中提取實體，將類別、關系、屬性加人知識庫，再構建頂層的本體模式。護理知識圖譜是具備較強領域特征的知識圖譜，因此采用自頂向下的知識圖譜構建方法，以確保較高的知識質量與可用性。

2.1護理知識圖譜模式層本體建模

本體在信息科學領域表示概念、實體和數據之間的類別、關系和屬性的表示形式。本體是知識圖譜的模式層，可以理解為骨架，其構建目標是獲取、描述和表示本領域的知識，提供對該領域知識的共同理解，確定領域內共同認可的詞匯。國外成熟的醫學本體包括SNOMED-CT[23]、基因本體（gene ontology，GO）[24]、疾病本體（disease ontology，DO）[25]和人類表型本體（humanphenotypeontology，HPO）[26]等。近年來，國內的醫學本體研究并取得了一定成效，如中文一體化醫學語言系統（CUMLS）和中醫藥學語言系統（TCMLS）[5，中國醫學科學院醫學信息研究所于2020年在BioPortal平臺發布的精準醫學本體（precisionmedicineontology，PMO）[27]等。我國護理相關的領域本體以碩士論文為主，如韓朋28構建的老年照護領域本體，張映29構建的腦卒中護理領域本體。

國內外主要的本體構建方法有7種，目前使用最多的是斯坦福大學醫學院開發的領域本體構建“七步法”，是一種基于本體工具Protége的半自動的本體開發方法。護理領域本體構建中也有學者提出使用改進的七步法[30]，增加了對護理本體的驗證與評價的環節。本體采用國際通用的形式化語言OWL（Web OntologyLanguage）語言表示護理知識，規范描述領域的概念及其語義關系，使得這些知識可被人機共同理解[31]。護理本體包含護理概念、屬性、關系等。護理概念一般采用名詞或短語來表示，可以通過文本分析、自然語言處理等技術，從大量的文本中抽取護理概念，并建立概念之間的關系，如疾病、癥狀、醫學檢查、護理措施等概念表示。護理關系一般采用三元組來表示，即概念-關系-概念或概念-屬性-屬性值，表達了概念之間的關系、屬性之間的關系等，如并發癥、表現癥狀、所需醫學檢查、建議護理療法等。屬性包括起因、治療方式、易感人群、治愈率、預防措施等[32。將以上定義的領域本體用以指導護理知識的抽取工作，統一定義的概念命名及描述將很大程度上保證知識質量。

2.2護理知識圖譜數據層構建

2.2.1 護理知識提取

知識抽取是使用人工智能或機器學習技術從文本文檔、圖像、視頻或數據庫等數據源中提取相關信息或知識的自動過程。護理知識抽取是實現自動化構建知識圖譜的重要技術，其目的在于從不同來源、不同結構的數據中進行知識提取并存入知識圖譜中[33]。知識抽取包括了實體抽取、關系抽取和屬性抽取，其中實體抽取和關系抽取最為關鍵。實體抽取又稱實體識別，常用的方法有基于詞典及規則的方法、基于概率統計的機器學習方法和基于深度學習的方法[34]。關系抽取一般是在實體抽取完成之后，通過從文本中抽取實體之間的關聯關系，將識別出的一系列離散實體聯系起來。關系抽取技術方法包括支持向量機（SVM）、隱馬爾可夫模型（HMM）和條件隨機場（CRF）等方法，以及非結構化文本數據卷積神經網絡實體關系抽取模型等[35]。從護理知識識別中，結合專家經驗對疾病檢查項目、護理項目、疾病、藥品、飲食保健、護理方法等命名實體抽取；對疾病常用藥品、飲食注意、所需檢查，并發癥等進行的實體關系抽取；對疾病名稱（如治療科室、疾病類型等）、護理信息（如生命體征、藥物管理和治療計劃）、藥物信息（如藥物類型、藥物種類等）以及護理設備和臨床診斷等進行的屬性抽取。知識抽取的結果執行標準統一的人工復審，修正知識抽取結果中存在的錯誤和缺失。同時將抽取的結果建立Excel數據庫，從專業角度對抽取結果的合理性和準確性進行再次判斷。

2.2.2 護理知識融合

知識圖譜中的數據由于來源不同，常存在異構現象，導致了知識質量的參差不齊。知識融合是指對知識抽取后的知識信息做進一步整合，以消除知識信息之間的語義矛盾和歧義，確保知識信息的邏輯性。知識融合的主要任務包括實體對齊和實體消歧[35]。實體對齊也稱實體匹配或實體標準化，是避免在多維異構數據中異名同義的一個或多個實體識別時產生歧義的一種有效手段。例如“靜脈輸注”與“靜脈滴注\"都是指將液體藥物或營養液通過靜脈輸入體內的方法。因此將“靜脈輸注\"與“靜脈滴注\"統一為“靜脈輸注”。實體對齊方法包括傳統概率模型法和基于表示學習的實體對齊方法，實體消歧方法主要是將實體向量化后通過機器學習相關技術進行消歧[35]。知識融合對提升知識圖譜的質量、知識復用以及實現異構數據源之間的語義互通都具有重要意義。護理知識融合不僅有助于提高護理實踐的準確性和效率，規范的術語使用可以確保研究結果的準確性和可重復性，提高研究的可信度和價值。

2.2.3 護理知識存儲

在明確了實體及其關系后，最后需要對知識進行數據建模存儲。在選擇存儲工具時充分考慮知識可靠、可融合、可應用等問題。Neo4j是目前最流行的高性能圖形數據庫，具有較高的可用性、穩定性和可擴展性以及較強的直觀性等特點[33]。它使用圖形數據模型來表示數據，存儲從知識三元組到節點和邊的實體和關系，并提供了可視化工具來促進知識查詢和管理[36]。將Protegé構建知識圖譜本體導人Neo4j數據庫中，通過Cypher查詢語句或Neo4j的可視化工具驗證數據是否成功導入到數據庫中。確保實體、屬性和關系等元素都正確地導入了Neo4j中。經過模式層和數據層的構建，最終生成的護理知識圖譜可視化展示。

3知識圖譜技術在護理領域的應用場景

3.1護理臨床決策支持

臨床決策支持是根據相關的、系統的臨床護理知識和病人基本信息及病情信息等數據，向護理工作者提供護理決策和護理方案的信息，提高護理質量和護理服務水平，減少人為錯誤，降低與勞動力相關的成本，提高產出效率。護理臨床決策支持的應用最活躍的領域在老年護理及癡呆照護[37]。北京大學護理學院王志穩教授提出的“基于知識圖譜和智能推薦系統的失智照護遠程支持模式\"38的科技賦能項目，介紹了對失智病人提供的智能照護模式，促進病人、家屬和照護者的獲得感。牛傳欣等39利用結構化的康復醫學知識，構建一套腦卒中康復評定知識圖譜（rehabilitationknowledgegraph，RKG），進而通過算法給出康復評定與治療的建議，對康復護理臨床決策支持的智能化以及康復醫學技術推廣至基層具有重要意義。Zhao4基于本體開發了醫院病房病人病情監測干預決策支持系統，根據病人的生命體征參數的連續監測信息和檢測結果，計算多層次的風險分診，并給出基于專家的干預建議，自動輸出決策和建議，為病情嚴重的病人提供個性化和量身定制的護理有很大的價值。

3.2 護理知識搜索

Google公司率先提出將知識圖譜應用于搜索，當用戶搜索疾病或癥狀時，Google提供相應的健康狀況細節信息[33]。面對護理工作的復雜性和專業性，傳統的知識獲取和整理方式已經無法滿足現代護理工作的需求，而凸顯護理領域核心的知識圖譜，能夠節約知識檢索和知識獲取的時間。劉梨等41制作了中醫四大經典護理古籍條文數據庫，進行信息搜索和信息查閱，為中醫護理教育和科研提供理論參考。朱艷艷42基于阿爾茨海默病家庭護理的本體，創建了一個便于家庭照顧者查詢相關信息的網頁，為家庭照顧者對阿爾茨海默病相關知識的學習和檢索提供了便捷。王躍43更新了傳統健康飲食系統，建立一個用戶可以根據自身需求多角度進行查詢和瀏覽的健康飲食知識庫，為護理人員進行健康飲食指導提供了參考依據。

3.3健康監測和預警

臨床結果預測對病人和醫療服務提供者均具有重要意義。根據病人的健康數據進行監測，及時發現異常情況實施精準預測是實現智慧醫療的最終目標[44]肖敏45運用protege本體技術，設計并實現基于生理參數的疾病診斷預警服務系統，實現了為病人提供個性化、精確化、實時化以及自動化的健康監測與緊急警告服務，提高了醫療護理服務水平，并且實現醫療領域知識的統一、共享與復用，有力地推動了醫療知識的普及和醫療事業的智能化。Wu等[46]利用知識圖譜技術構建2型糖尿病（diabetesmellitustype2，T2DM）健康教育準確鏈接系統（AI-HEALS），開展針對T2DM的監測、記錄和預警的社區干預，提高具有不同背景、經歷和臨床信息的病人在各種環境和形式下的糖尿病相關健康素養、自我效能和自我管理能力。

3.4 知識自動問答

針對醫療知識涉及大量專業詞匯，一般病人無法較好理解等問題，知識圖譜是直觀表達知識間多維關聯的有效方法。基于知識的問答（knowledge-basedquestionanswer，KBQA利用知識庫為用戶以自然語言表達形式提出的問題提供快速準確的答案，常應用于健康咨詢、疾病診斷和治療推薦[47]，有效緩解護理人員資源的緊張。胡喆48開發了一個結合護理需求分析和架構設計，可為用戶提供護理信息的醫療護理知識圖譜問答系統。該系統采用醫院所提供的數據以及部分爬取的數據進行護理學知識表示，同時運用卷積神經網絡對數據進行訓練并抽取實體關系，從而能夠更加高質量和準確地獲取用戶所需要的回答。李百合[49]為方便地解決家庭照護者在失智照護過程中遇到的棘手問題，研究并設計一個關于失智護理問題的自動問答系統，對用戶提出的問題進行自然語言處理相關技術分析并找到相應答案返回給用戶。該系統操作簡易，對失智家庭護理有重要指導作用。Chen等[5基于食物知識圖譜（FoodKG）和美國糖尿病協會（ADA）生活方式指南創建了一個基于知識的問答的個性化食物推薦框架，該框架在推薦更相關、更健康的食譜方面優于非個性化的框架，協助護理人員更好為公眾推薦健康飲食。

3.5護理教育智能化

通過構建全面、系統的護理教育知識圖譜，將海量的護理知識和信息進行有效的組織和管理，從而為護理教育提供智能化的支持和服務。Lv等[51]采用知識圖譜技術對護理課程進行建模，使護理課程集與知識圖譜相對應，清晰展現知識之間的關聯性和邏輯性，有效解決傳統教育中邏輯知識關系缺失的問題。這種技術的應用能夠高效地處理復雜的教育數據，直觀地展示護理專業學習者的興趣路徑，進而增強個性化學習推薦的可解釋性。張山等52依托跨學科研究團隊，構建了“四維”內科護理學知識圖譜智慧服務體系，以知識地圖的形式呈現出課程的完整框架和脈絡。護生可根據自己的學習狀況和需求，精準選擇適合的學習資源，包括課件、視頻資源、研究文獻和案例資源等。這種全新的、用戶友好的學習方式，極大地提升了護生的學習效率和體驗。

4 建議與展望

4.1以護理為核心的知識模型

護理領域具有大量不同于臨床醫學的專業知識與實踐范圍，構建護理知識圖譜需打破傳統醫學領域中以疾病為主導的構建思路，從護理學的角度進行分析，以護理診斷、護理計劃、護理措施、護理結局與評價等進行數據挖掘研究，建立護理評估知識庫、護理措施知識庫等，構造護理的臨床底層數據，讓知識圖譜為護理信息化賦能。護理知識模型要滿足護理資料存儲、護理評估、護理診斷、護理決策、護理措施等不同用途的知識組織需求，模型須具備護理資源、護理內容結構、護理理論知識、資源處理加工、資源存儲、使用權限等方面信息的描述功能。既要充分考慮護理知識圖譜的特征，又需結合護理學專業知識體系和實際護理工作場景，對護理過程中的概念、實體及其關系進行全面、準確地描述，實現護理知識的深度挖掘。

4.2 以標準為基礎的術語規范

知識圖譜是一種基于語義網絡的知識表示方法，它需要使用統一的術語和概念描述和鏈接各種實體和關系。術語的標準化是開發知識圖譜的重要前提，如果缺少標準化的護理術語，會導致知識圖譜中的概念和實體存在歧義和混淆，影響知識圖譜的質量和應用。例如，有的數據集可能使用“收縮壓”表示血壓的一個指標，而有的數據集則使用“高壓”。這種術語的不一致會導致數據整合變得復雜和困難。由于缺乏統一的標準化護理術語，以及護士在進行評估、生成和記錄護理診斷、干預措施和結果的記錄時可能具有不同水平的知識和決策過程[53，使護理記錄缺乏統一的規范用語和格式，直接影響護理數據的二次利用和實體對應準確性。提高知識的準確性和一致性，利于構建高質量的知識圖譜。國外一項研究表示，使用標準化護理術語，對病人和組織結局方面也有顯著的改善和預測能力[54]。由于國內尚未形成權威的護理術語標準，目前學者大多參考UMLS、SNOMED-CT以及MeSH詞表等國際權威醫學術語構建本體。臨床使用的護理術語多以引進國外的為主，如北美護理診斷（NANDA）、護理措施分類（NIC）、護理結局分類（NOC）、國際護理實踐分類（ICNP）和奧馬哈系統[5-56]等。由于中外文化表述的差異，引進、漢化國際標準化護理術語體系尚需注意知識的一致性[7]。

4.3以數據為支撐的技術要點

護理領域知識圖譜的構建需要大量高質量的數據作為支撐，但目前護理數據標準化和共享程度較低，不同來源的數據之間存在差異，給知識圖譜的構建帶來了很大的挑戰。由于護理數據是護理知識圖譜獨特的數據源類型，對此類數據的處理，就形成了較為復雜且獨立的技術應用體系。但目前針對內容數據的知識抽取、多模態實體對齊、護理內容的檢索發現、與多媒體結合的可視化展示、適應護理知識環境的深度知識分析推理等技術仍存在諸多困難，影響了護理知識圖譜的質量和覆蓋范圍。使用未經證實數據抽取方法構建護理知識圖譜會引起醫護人員對其質量和穩健性使用的擔憂，以及是否應用了足夠的評估措施，特別是對于從非結構化數據源（如醫學文獻或社交媒體）獲得的護理數據，關鍵是構建適合基于機器的分析的數據集，需將領域中異構的知識結構化，構建知識間關聯。此外，護理數據的動態特性與上下文密切相關，護理實體的許多特征可能隨著時間的推移而變化或改變，如血壓血糖測量與測量時間、病人的年齡、疾病狀態、生活習慣、藥物使用等關聯。忽略護理知識的靈活性會降低嵌入在知識圖譜中的質量和準確性，從而導致基于此類數據源的不合格的護理決策。

4.4以資源為重點的合作共贏

當前護理知識圖譜大量以科學計量學的趨勢和熱點研究為主，以構建“關系”為主體的行業知識圖譜研究較少，因而缺少有較大影響力和應用價值的成果。浙江中醫藥大學護理學院的膝關節骨性關節炎疾病知識圖譜項目[58]，突破了單純以計算機信息系統開發為研究要點，充分展現了“護理 + 信息化\"特色結合。但該項目缺乏知識圖譜支持關于病人醫療結局或其他重要醫療保健方面的證據。現在這項工作的合乎邏輯的延伸是在實踐環境中擴大知識圖譜的合作范圍。首先，護理領域知識圖譜的構建需要多個機構和領域的合作，如養老機構、社區衛生服務機構、醫院和醫療保險中心等，有必要通過促進多中心協作研究來構建具有大量信息的數據采集和實踐合作。但目前跨機構合作存在一定的難度，包括數據共享、利益分配、合作機制等方面的問題。其次，需要既懂護理知識又懂人工智能技術的復合型人才，涉及自然語言處理、實體識別、關系抽取、知識推理等方面的技術挑戰，人才限制了護理領域知識圖譜的發展。要解決這些問題，需要加強不同領域技術的綜合應用，并且不斷加快相關技術的提升研究，例如結合教育部“產學研\"項目指南，依托具有人工智能專業背景的公司企業合作等。

5小結

在傳統的醫療體系中，護理的貢獻往往被視為“無形\"的，即很難被量化或明確地展示出來。但護士通過成為知識圖譜跨學科研究項目的合作伙伴或牽頭引領，使護理與醫療工程行業建立緊密聯系。通過深度挖掘圖譜中的知識關聯和模式，發現護理實踐中的新規律和新方法，讓護理對臨床和組織結果的貢獻從“無形\"向“有形\"轉變，明確展示護理在臨床決策、病人康復、組織效率等方面“可衡量\"的顯性貢獻。

參考文獻：

[1]TOPAZ M，PRUINELLI L.Big data and nursing：implications for the future[J].Studies in Health Technology and Informatics，2017， 232：165-171.

[2]PENG C Y，XIA F，NASERIPARSA M，et al.Knowledge graphs： opportunities and challenges[J].Artificial Intelligence Review，2023， 56（11）：13071-13102.

[3]EHRLINGER L，WOB W.Towards a definition of knowledge graphs[G]//SEMANTICS 2016：Postersand DemosTrack. Leipzig，Germany：Semantic Web community，2o16：1-6.

[4]HOGAN A. Knowledge graphs： research directions[M]. Cham： Springer International Publishing，2O2O：223-253.

[5]范媛媛，李忠民.中文醫學知識圖譜研究及應用進展[J].計算機科 學與探索，2022，16（10）：2219-2233.

[6]WANG L，XIE H M，HAN W T，et al.Construction of a knowledge graph for diabetes complications from expert-reviewed clinical evidences[J].Computer Assisted Surgery，2020，25（1）：29-35.

[7]PETERSEN R C.Mild cognitive impairment[J]. New England JournalofMedicine，2011，364（23）：2227-2234.

[8]LIL F，WANG P，YANJ，etal.Real-world data medical knowledge graph：construction andapplications[J]. Artificial Intelligence in Medicine，2020，103：101817.

[9]HOGAN A，BLOMQVIST E，COCHEZ M，et al. Knowledge graphs[J].ACM Computing Surveys，2022，54（4）：1-37.

[10]王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].北京：電 子工業出版社，2019：1.

[11]劉光陽.CiteSpace國內應用的傳播軌跡——基于2006—2015年 跨庫數據的統計與可視化分析[J].圖書情報知識，2017（2）：60-74.

[12]VAN ECK N J，WALTMAN L.Software survey：VOSviewer，a computer program for bibliometric mapping[J]. Scientometrics， 2010，84（2）：523-538.

[13]FENSEL D，SIMSEK U，ANGELE K，et al.Introduction：what is a knowledge graph？[M].Cham：Springer International Publishing， 2020：1-10.

[14]BIZER C，LEHMANN J， KOBILAROV G，et al. DBpedia--a crystallization point for the web of data[J]. Journal ofWeb Semantics，2009，7（3）：154-165.

[15]SUCHANEK F M，KASNECI G，WEIKUM G.Yago： a core of semantic knowledge[G]//Proceedings of the 16th International Conference on WorldWideWeb.Banff Alberta Canada：ACM， 2007：697-706.

[16]BOLLACKER K，EVANS C，PARITOSHP，et al.Freebase： a collaboratively created graph database for structuring human knowledge[G]//Proceedingsof the2008 ACM SIGMOD International Conference on Management of Data.Vancouver Canada：ACM，2008：1247-1250.

[17]SERLES U，FENSEL D.Knowledge graphs[M].Cham：Springer， 2024：1.

[18]YUANYUAN F，ZHONGMIN L，TECHNOLOGY. Research and application progress of Chinese medical knowledge graph[J]. Journal ofFrontiersof ComputerScience，2022，16（1O）：2219.

[19]STRICKLAND E.IBM Watson，heal thyself：how IBM overpromised and underdelivered on AI health care[J].IEEE Spectrum，2019，56（4）：24-31.

[20]奧德瑪，楊云飛，穗志方，等.中文醫學知識圖譜CMeKG構建初 探[J].中文信息學報，2019，33（10）：1-9.

[21]賈李蓉，劉靜，于彤，等.中醫藥知識圖譜構建[J].醫學信息學雜 志，2015，36（8）：51-53.

[2] DASH S，SHAKYAWAR S K，SHARMA M，et al.Big data in healthcare：management，analysis and future prospects[J].Journal of Big Data，2019，6（1）：54.

[23] CHANG E，MOSTAFA J.The use of SNOMED CT，2013-2020： aliteraturereview[J].Journalof theAmerican Medical Informatics Association，2021，28（9）：2017-2026.

[24]HARRIS M A，CLARK J，IRELAND A，et al. The Gene Ontology（GO） database and informatics resource[J].Nucleic Acids Research，2004，32：D258-D261.

[25]SCHRIML L M，MUNRO JB，SCHOR M，et al.The human disease ontology 2O22 update[J].Nucleic Acids Research，2022，50 （D1）：D1255-D1261.

[26] KOHLER S，GARGANO M，MATENTZOGLU N，et al.The human phenotype ontology in 2O21[J].Nucleic Acids Research， 2021，49（D1）：D1207-D1217.

[27] TAWFIK N S，SPRUIT M R.PreMedOnto：a computer assisted ontology for precision medicine[G]//NaturalLanguage Processing and Information Systems.Cham：Springer International Publishing， 2019：329-336.

[28]韓朋.老年照護領域的本體構建研究[D].合肥：合肥工業大學， 2020.

[29]張映.腦卒中護理領域本體的構建研究[D].太原：山西醫科大學， 2022.

[30] 張映，韓世范.護理領域本體構建的研究進展[J].護理研究，2023， 37（1）：76-81.

[31］鄭潔.領域本體知識庫及其在護理實踐領域的應用[J].護理研究， 2017，31（20）：2447-2449.

[32]杭少石.老年人慢病康復知識引擎的設計與實現[D].哈爾濱：哈 爾濱工業大學，2020.

[33]袁凱琦，鄧揚，陳道源，等.醫學知識圖譜構建技術與研究進展[J]. 計算機應用研究，2018，35（7）：1929-1936.

[34]侯夢薇，衛榮，陸亮，等.知識圖譜研究綜述及其在醫療領域的應 用[J].計算機研究與發展，2018，55（12）：2585-2599.

[35]蔣川宇，韓翔宇，楊文蕊，等.醫學知識圖譜研究與應用綜述[J].計 算機科學，2023，50（3）：83-93.

[36]XIONG L，ZENGQ，DENG W，et al.Precision nursing research based on multimodal knowledge graph[J].Research Square，2023. DOI：10.21203/rs.3.rs-3629829/v1.

[37]CARTER-TEMPLETON H，FRAZIER R M，WU L，etal. Robotics in nursing：a bibliometric analysis[J].Journal of Nursing Scholarship，2018，50（6）：582-589.

[38]北京大學醫學部新聞網.2022未名護理\"護理前沿與學科交叉\"高 峰論壇 [EB/OL].[2024-03-06].https：//bynews.bjmu.edu.cn/ zhxw/2022/010462e501f748e4b1fe71221e5ad41b.htm.

[39]牛傳欣，鮑勇，潘惠娟，等.腦卒中康復評定知識圖譜與評定推理 的構建研究[J].中國數字醫學，2020，15（11）：16-19；127.

[40] ZHAO T.An ontology-based decision support system for interventions based on monitoring medical conditions on patients in hospital wards[D].Norway：University of Agder，2014.

[41]劉梨，龔后武，張月娟，等.中醫古籍四大經典中中醫護理文獻的 整理與數據庫的建立[J].護理研究，2017，31（13）：1608-1610.

[42]朱艷艷.阿爾茨海默病患者家庭護理領域本體構建研究[D].北 京：北京協和醫學院，2014.

[43]王躍.基于本體的健康飲食知識庫的構建與應用[D].重慶：重慶 大學，2017.

[44]鄭增亮，蔡曉瓊，黃繼漢，等.知識圖譜在醫學領域的應用綜述[J]. 生物醫學工程學雜志，2023，40（5）：1-5.

[45]肖敏.基于本體推理的健康監測平臺的研究與實現[D].長春：吉 林大學，2013.

[46]WUYB，MIN HW，LIM Z，et al.Effect of artificial intelligencebased health education accurately linking system（AI-HEALS） for type2 diabetes self-management：protocol fora mixed-methods study[J].BMC Public Health，2023，23（1）：1325.

[47]陳明，劉蓉，熊回香.基于醫療知識圖譜的智能問答系統研究[J]. 情報科學，2023，41（12）：118-126.

[48]胡喆.醫療護理知識圖譜構建與應用[D].大慶：東北石油大學， 2023.

[49]李百合.基于失智護理知識圖譜的自動問答系統設計與實現[J]. 科技創新與應用，2022，12（9）：127-131.

[50]CHEN Y，SUBBURATHINAM A，CHEN C H，et al. Personalized food recommendation as constrained question answeringovera large-scale foodknowledge graph[G]// Proceedings of the 14th ACM International Conference on Web Searchand DataMining.Israel：ACM，202l：544-552.

[51]LVQN，ZHANGYY，LIYY，et al.Research ona health care personnel training model based on multilayered knowledge mapping for the integration of nursing courses and examinations[J]. Journal of Healthcare Engineering，2022，2022：3826413.

[52]張山，高麗，王艷玲，等.基于知識圖譜的\"四維\"《內科護理學》智 慧服務體系的構建[J].護士進修雜志，2024，39（15）：1644-1649.

[53]TASTANS，LINCHGCF，KEENANGM，et al.Evidence for theexisting American NursesAssociation-recognized standardized nursing terminologies：a systematic review[J].International Journal of Nursing Studies，2014，51（8）：1160-1170.

[54]BERTOCCHIL，DANTEA，LA CERRAC，etal.Impactof standardized nursing terminologies on patient and organizational outcomes：a systematic review and meta-analysis[J]. Journal of Nursing Scholarship，2023，55（6）：1126-1153.

[55]馬星，王雪，臧渝梨.國際標準護理術語體系中文譯版的語義比照 研究[J].護理學雜志，2017，32（18）：103-105.

[56]邢慶蘭，姜勇，周愛霞，等.標準化護理術語在臨床護理實踐中的 研究進展[J].中國臨床護理，2022，14（6）：380-385.

[57]應巧燕，劉輝，劉華平.國外護理最小數據集研究進展[J].中國護 理管理，2016，16（9）：1264-1268.

[58]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：2024-05-22；修回日期：2025-04-08）

（本文編輯蘇琳）