从检测到发现：医学知识扩张与社交媒体抑郁检测的闭环方法

社交媒体用户生成内容(UGC)提供了实时、自我报告的精神健康状况指示器，如抑郁，为预测分析提供了宝贵来源。虽然先前研究整合医学知识以提高预测准确率，但忽视了同时通过预测过程扩展此类知识的机会。我们发展了一个闭环大型语言模型(LLM)-知识图谱框架，将预测与知识扩张集成到迭代学习循环中。在知识感知抑郁检测阶段，LLM 同时执行抑郁检测和实体抽取，而知识图谱代表并加权这些实体，以细化预测性能。在知识细化与扩张阶段，将由 LLM 抽取的新实体、关系和实体类型纳入知识图谱，在专家监督下实现知识的持续演化。利用大规模 UGC，该框架提升了预测准确率和医学理解。专家评估确认，发现了与现有文献互补的临床意义症状、共病和社会触发因素。我们将预测通过学习和通过学习进行预测概念化和操作化为相互强化的过程，推进了预测分析中的方法论和理论理解。该框架展示了计算模型与领域知识的共演，为适应性数据驱动知识系统在其他动态风险监控情境中的应用奠定了基础。