通过知识图谱使研究人群可见
计算机科学中的逻辑
2019-07-11 v1 种群与进化
机器学习
摘要
临床实践指南（CPGs）中的治疗推荐很大程度上基于临床试验与病例研究（此处称为研究性研究）的发现，这些研究常基于高度选择性的临床人群，此处称为研究队列。当医疗从业者应用 CPG 推荐时，他们需要理解其患者人群与研究队列中人群特征的匹配程度，因而面临定位研究队列信息并进行分析性比较的挑战。为应对这些挑战，我们开发了一个本体驱动的原型系统，以声明式方式暴露研究性研究中的人群描述，最终目标是让医疗从业者更好地理解治疗推荐的适用性与可推广性。我们构建了研究队列本体（SCO）来编码研究人群描述的词汇，这些描述常发表于已发表工作的第一张表中，故常被称为表 1。我们利用广泛使用的 Semanticscience Integrated Ontology (SIO) 来定义类间的属性关联。进一步，我们将表 1 的关键组成部分，即研究受试者集合、受试者特征与统计度量，建模为 RDF 知识图谱。我们为医疗从业者设计进行人群分析的情景，并生成队列相似性可视化以确定某研究人群对关注临床人群的适用性。我们通过表 1 的标准化表示使研究人群可见的语义方法，让用户能快速得出关于研究人群的临床相关推断。
引用
@article{arxiv.1907.04358,
title = {Making Study Populations Visible through Knowledge Graphs},
author = {Shruthi Chari and Miao Qi and Nkcheniyere N. Agu and Oshani Seneviratne and James P. McCusker and Kristin P. Bennett and Amar K. Das and Deborah L. McGuinness},
journal= {arXiv preprint arXiv:1907.04358},
year = {2019}
}
备注
16 pages, 4 figures, 1 table, accepted to the ISWC 2019 Resources Track (https://iswc2019.semanticweb.org/call-for-resources-track-papers/)