可计算医学知识的基本概念与实现路径

doi:10.3772/j.issn.1000-0135.2021.11.008

情报学报

2021, Vol. 40

Issue (11): 1221-1233 DOI: 10.3772/j.issn.1000-0135.2021.11.008

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

可计算医学知识的基本概念与实现路径

杜建¹, 孔桂兰¹, 李鹏飞^1,2, 白永梅¹, 张路霞¹

1.北京大学健康医疗大数据国家研究院，北京 100191
2.北京大学信息技术高等研究院，杭州 226019

On the Concepts and Approaches of Computable Knowledge in Biomedical and Health Sciences

Du Jian¹, Kong Guilan¹, Li Pengfei^1,2, Bai Yongmei¹, Zhang Luxia¹

1.National Institute of Health Data Science, Peking University, Beijing 100191
2.Advanced Institute of Information Technology, Peking University, Hangzhou 226019

摘要
图/表
参考文献
相关文章 (4)

全文: PDF (2098 KB) HTML (114 KB)
输出: BibTeX | EndNote (RIS)

摘要可计算医学知识强调将科学出版物中人读的知识格式通过抽取和编程转化为机器可执行的知识格式，是促进知识大规模应用的重要手段，其不仅为情报学领域开展知识计算研究提供了新范式，也为数字图书馆存储和管理数字化知识对象提出了新需求。可计算医学知识的基本概念包括两个方面，一是知识的表示形式可计算化，二是知识在实践中“可执行”，两者缺一不可。本文归纳提出了可计算医学知识的两条实现路径。一是数据挖掘，从表格等结构化数据中形成计算机可直接调用和执行的数字化知识对象（如疾病风险模型计算器），用知识网格（K-Grid）管理，提供辅助诊断；二是文本挖掘，从临床指南、医学文献的知识主张等非结构化文本中抽取三元组，并纳入三元组背后的证据和数据，计算置信度，用图数据库（K-Graph）来管理，实现知识单元的查询和输出，提供治疗建议等。最后讨论了可计算医学知识对于深化情报学研究的积极意义及其在促进知识转化、知识发现和循证决策中的应用场景，以期为国内学术界开展医学知识计算引入跨学科研究思路，也为我国建设“从数据到知识、从知识到实践、从实践再到数据”的学习型健康医疗体系提供技术方法基础与实现路径参考。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	杜建
	孔桂兰
	李鹏飞
	白永梅
	张路霞

关键词 ：可计算知识, 数字化知识对象, 医学知识图谱, 机器可执行, 共享

收稿日期: 2021-02-01

基金资助:国家自然科学基金面上项目“不确定性科学知识表示与计量的理论、方法与应用研究：以医学为例”（72074006）；中国科协青年人才托举工程项目“医学知识结构化表示与智能化计算模型研究”（2017QNRC001）；国家自然科学基金重大研究计划培育项目“基于大数据的慢性肾脏疾病患者跨区域就诊可视化呈现及管理决策研究”（91846101）；北京市自然科学基金面上项目“基于真实世界数据的糖尿病慢性并发症及死亡风险预测方法与系统研究”（7212201）；北京大学医学部-密歇根大学医学院转化医学与临床研究联合研究所项目（BMU2020JI011）。

作者简介: 杜建，男，1986年生，博士，副研究员，主要研究领域为数据科学与情报分析、信息检索与知识挖掘；孔桂兰（同等贡献），女，1975年生，博士，副研究员，主要研究领域为医学大数据挖掘、临床决策支持、学习型健康医疗系统；李鹏飞，男，1988年生，硕士，高级工程师，主要研究领域为健康医疗大数据治理与应用技术；白永梅，1995年生，博士研究生，主要研究领域为循证医学与知识计算；张路霞，女，1976年生，博士，教授，主任医师，主要研究领域为重大慢性疾病的管理，E-mail：zhanglx@bjmu.edu.c；

引用本文:

杜建, 孔桂兰, 李鹏飞, 白永梅, 张路霞. 可计算医学知识的基本概念与实现路径[J]. 情报学报, 2021, 40(11): 1221-1233.
Du Jian, Kong Guilan, Li Pengfei, Bai Yongmei, Zhang Luxia. On the Concepts and Approaches of Computable Knowledge in Biomedical and Health Sciences. 情报学报, 2021, 40(11): 1221-1233.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2021.11.008 或 https://qbxb.istic.ac.cn/CN/Y2021/V40/I11/1221

1 叶鹰, 马费成. 数据科学兴起及其与信息科学的关联[J]. 情报学报, 2015, 34(6): 575-580.
2 Zhu L S, Zheng W J. Informatics, data science, and artificial intelligence[J]. JAMA, 2018, 320(11): 1103-1104.
3 Fortunato S, Bergstrom C T, B?rner K, et al. Science of science[J]. Science, 2018, 359(6379): eaao0185.
4 Milojevi? S. Quantifying the cognitive extent of science[J]. Journal of Informetrics, 2015, 9(4): 962-973.
5 马费成. 情报学的进展与深化[J]. 情报学报, 1996, 15(5): 22-28.
6 文庭孝, 罗贤春, 刘晓英, 等. 知识单元研究述评[J]. 中国图书馆学报, 2011, 37(5): 75-86.
7 Friedman C P, Flynn A J. Computable knowledge: an imperative for Learning Health Systems[J]. Learning Health Systems, 2019, 3(4): e10203.
8 Williams M, Richesson R L, Bray B E, et al. Summary of third annual MCBK public meeting: mobilizing computable biomedical knowledge—accelerating the second knowledge revolution[J]. Learning Health Systems, 2021, 5(1): e10255.
9 Wyatt J, Scott P. Computable knowledge is the enemy of disease[J]. BMJ Health & Care Informatics, 2020, 27(2): e100200.
10 Kilicoglu H, Rosemblat G, Fiszman M, et al. Broad-coverage biomedical relation extraction with SemRep[J]. BMC Bioinformatics, 2020, 21(1): 188.
11 索传军, 盖双双. 知识元的内涵、结构与描述模型研究[J]. 中国图书馆学报, 2018, 44(4): 54-72.
12 Flynn A J, Friedman C P, Boisvert P, et al. The Knowledge Object Reference Ontology (KORO): a formalism to support management and sharing of computable biomedical knowledge for learning health systems[J]. Learning Health Systems, 2018, 2(2): e10054.
13 Yang X L, Li J X, Hu D S, et al. Predicting the 10-year risks of atherosclerotic cardiovascular disease in Chinese population: the China-PAR project (prediction for ASCVD risk in China)[J]. Circulation, 2016, 134(19): 1430-1440.
14 Callahan T J, Tripodi I J, Pielke-Lombardo H, et al. Knowledge-based biomedical data science[J]. Annual Review of Biomedical Data Science, 2020, 3: 23-41.
15 Zhang D C, He D Q. Enhancing clinical decision support systems with public knowledge bases[J]. Data and Information Management, 2017, 1(1): 49-60.
16 覃露, 徐晓巍, 丁玲玲, 等. 面向决策支持的临床指南知识表示方法研究[J]. 中华医学图书情报杂志, 2020, 29(2): 1-8.
17 朱超宇, 刘雷. 基于知识图谱的医学决策支持应用综述[J]. 数据分析与知识发现, 2020, 4(12): 26-32.
18 Bastian H, Glasziou P, Chalmers I. Seventy-five trials and eleven systematic reviews a day: how will we ever keep up?[J]. PLoS Medicine, 2010, 7(9): e1000326.
19 Dunn A G, Bourgeois F T. Is it time for computable evidence synthesis?[J]. Journal of the American Medical Informatics Association, 2020, 27(6): 972-975.
20 Alper B S, Richardson J E, Lehmann H P, et al. It is time for computable evidence synthesis: the COVID-19 knowledge accelerator initiative[J]. Journal of the American Medical Informatics Association, 2020, 27(8): 1338-1339.
21 Elkin P L, Carter J S, Nabar M, et al. Drug knowledge expressed as computable semantic triples[J]. Studies in Health Technology and Informatics, 2011, 166: 38-47.
22 Malec S A, Boyce R D. Exploring novel computable knowledge in structured drug product labels[J]. AMIA Joint Summits on Translational Science Proceedings, 2020, 2020: 403-412.
23 温有奎, 焦玉英. 基于语义三元组的电子病历潜在知识发现研究[J]. 情报学报, 2011, 30(7): 675-681.
24 Li X Y, Peng S Y, Du J. Towards medical knowmetrics: representing and computing medical knowledge using semantic predications as the knowledge unit and the uncertainty as the knowledge context[J]. Scientometrics, 2021, 126(7): 6225-6251.
25 Kilicoglu H, Shin D, Fiszman M, et al. SemMedDB: a PubMed-scale repository of biomedical semantic predications[J]. Bioinformatics, 2012, 28(23): 3158-3160.
26 Elsworth B, Gaunt T R. MELODI Presto: a fast and agile tool to explore semantic triples derived from biomedical literature[J]. Bioinformatics, 2021, 37(4): 583-585.
27 Mons B, van Haagen H, Chichester C, et al. The value of data[J]. Nature Genetics, 2011, 43(4): 281-283.
28 Groth P, Gibson A, Velterop J. The anatomy of a nanopublication[J]. Information Services & Use, 2010, 30(1/2): 51-56.
29 Fabris E, Kuhn T, Silvello G. Nanocitation: complete and interoperable citations of nanopublications[C]// Proceedings of the Italian Conference on Digital Libraries. Cham: Springer, 2020: 182-187.
30 Williams A J, Harland L, Groth P, et al. Open PHACTS: semantic interoperability for drug discovery[J]. Drug Discovery Today, 2012, 17(21/22): 1188-1198.
31 Fabris E, Kuhn T, Silvello G. A framework for citing nanopublications[C]// Proceedings of the International Conference on Theory and Practice of Digital Libraries. Cham: Springer, 2019: 70-83.
32 Wong D, Peek N. Does not compute: challenges and solutions in managing computable biomedical knowledge[J]. BMJ Health & Care Informatics, 2020, 27(2): e100123.
33 Mons B. FAIR science for social machines: let’s share metadata knowlets in the Internet of FAIR data and services[J]. Data Intelligence, 2019, 1(1): 22-42.
34 Walsh K, Wroe C. Mobilising computable biomedical knowledge: challenges for clinical decision support from a medical knowledge provider[J]. BMJ Health & Care Informatics, 2020, 27(2): e100121.
35 杜建. 医学知识不确定性测度的进展与展望[J]. 数据分析与知识发现, 2020, 4(10): 14-27.
36 李丹亚, 胡铁军, 李军莲, 等. 中文一体化医学语言系统的构建与应用[J]. 情报杂志, 2011, 30(2): 147-151.
37 浙江省数字医疗卫生技术研究院. OMAHA白皮书第十三期发布: 促进医学知识价值开发: 临床指南的计算机化[EB/OL]. (2019-07-31) [2021-02-25]. https://www.omaha.org.cn/index.php?g=&m=article&a=index&id=237&cid=11.
38 Swierstra T, Efstathiou S. Knowledge repositories. In digital knowledge we trust[J]. Medicine, Health Care and Philosophy, 2020, 23(4): 543-547.
39 Efstathiou S, Nydal R, Laegreid A, et al. Scientific knowledge in the age of computation: explicated, computable and manageable?[J]. THEORIA: An International Journal for Theory, History and Foundations of Science, 2019, 34(2): 213-236.
40 Smalheiser N R. Rediscovering Don Swanson: the past, present and future of literature-based discovery[J]. Journal of Data and Information Science, 2017, 2(4): 43-64.
41 吴家睿. 确定的不确定性与不确定的确定性——治疗疾病决策与控制传染病决策之差异[J]. 医学与哲学, 2020, 41(8): 1-6, 70.
42 Andermann A, Pang T, Newton J N, et al. Evidence for Health II: overcoming barriers to using evidence in policy and practice[J]. Health Research Policy and Systems, 2016, 14: 17.
43 Zhang L X, Wang H B, Li Q Z, et al. Big data and medical research in China[J]. BMJ, 2018, 360: j5910.