GaussMind知识图谱—— “AI知识中台”助力医药行业构建“企业大脑”

医药企业拥有丰富的各类数据，如药品说明、患者记录、临床实验记录等，沃丰科技GaussMind知识图谱 “AI知识中台”可以打通医药企业内的多源异构数据连接，对数据蕴含的知识进行高效的组织，助力医药行业构建“企业大脑”，极大提升企业内部服务效率和外部患者服务体验。

知识图谱在医药企业有着广泛的应用场景

一方面，医药企业内部有着丰富的数据资源，如药品说明数据、患者诊疗数据、临床实验数据等，这些数据中蕴含的知识能极大的改善企业的一些场景体验，比如：

医药厂商拥有大量的实验数据、患者数据和药品数据，而药厂内部员工和外部患者经常会有咨询药品的需求，如何能快速回答他们的问题？
医药厂商如何对大量的患者数据进行管理，以便及时跟踪患者的身体情况，对可能出现的问题进行提前的预警提示？
医药厂商代表的年流动率在10%-20%，对于新的代表人员，如何智能培训，加快他们对产品的了解？

另一方面，互联网医疗的兴起，带来了海量的公共医疗数据资源，这些资源也能和医药企业内部的数据相互补充，完善应用场景。

沃丰科技GaussMind知识图谱平台，提供了完整的数据抽取到图谱构建的能力，为医药企业提供了全新的知识处理、组织和应用方式。知识图谱对结构化及非结构化数据的抽取能力，能准确识别文本中包含的实体、属性和关系信息，如从非结构化的药品说明书中，识别出药品名、药品的不良反应、适应症状等，减少人工构建知识的工作量；在后续新增数据时，也能及时将新增加知识纳入到图谱中，减少后续的知识维护和运营成本，缩短知识更新应用的周期。

医药企业的知识图谱应用的两个步骤

知识图谱构建：连接各种数据源，包括企业内部和外部的数据，构建知识图谱。企业内部的医疗数据通常以非结构化的居多，如药品说明书、患者检查记录、临床诊断数据等。通过GaussMind的NLP-PaaS基于深度学习的抽取技术，将非结构化的文本转化为结构化的知识图谱。部分医药企业的场景，甚至需要接入外部数据，如一些辅助诊断的场景，就需要接入医学公共知识的知识图谱。在打通数据源的过程中，需要对各类数据进行连接并处理，尤其对非结构化数据，需要深度模型进行抽取，因而应用门槛相对较高，但是构建好的知识图谱作为数据中台，应用价值巨大，能极大提升企业的数据管理和利用效率。GaussMind针对医药企业，提供了丰富的医疗主数据，包括全国范围内的医院、医生数据、药房POI数据、互联网处方数据、医生KOL数据等。这些医疗主数据，一方面帮助训练GaussMind医疗领域的抽取模型，提高了模型抽取的准确率；另一方面也为医药企业客户提供了营销线索。

知识图谱应用：基于构建的知识图谱，支撑不同业务场景——医疗虚拟助手，基于图谱回复有关药品或疾病的咨询问题等；智能培训，对医药企业员工进行上岗培训。

知识图谱构建

   沃丰科技GaussMind知识图谱平台，通过ETL模块连接各个数据源，并进入统一的处理流程，如下图1所示：

图1：技术方案

多源数据连接：GaussMind知识图谱内置多种格式的数据接入能力。知识图谱数据的三要素，包括<实体，属性，关系< span="">>。其中，实体是图谱中的节点，关系是图谱中的连接边，属性是描述实体的信息。例如，在构建药企的药品知识图谱时，图谱的数据来源是药品说明书、药品实验数据等，从中识别出的药品名和适应的疾病名，作为知识图谱的两类实体；药品中的各个项，如不良反应、性状、适应症、注意事项等，作为实体的属性；药品之间的关联，如配合共同使用、同种类、不能共同使用等，作为实体之间的关系。基于此构建的图谱，通过图谱的搜索查询功能，就可以回复诸如“头孢呋辛酯片适合哪些病症？”等药品咨询问题，为内部员工和外部患者提供医药虚拟助手的服务。

图2：药品说明书

GaussMind内置的医学抽取模型，已经基于医疗主数据进行了模型优化。另外GaussMind也支持客户上传自定义的标注数据，来进一步调优模型，以适应客户独有的数据（如图3所示）。

图3：医学抽取模型

图4展现了一个非结构化抽取的示例：

图4：药品说明书

知识融合：在数据构建图谱的过程中，需要对识别出的实体进行对齐，包括不同的实体对应到同一个本体、不同的数据对齐到同一个实体等，比如同一个药品有不同的别名，就需要对其进行实体对齐。GaussMind支持通过运算符来进行知识融合，也支持通过配置同义词库，来对知识进行融合，图5展示了一个构建的药品图谱的本体结构：

图5：知识图谱样例

知识图谱应用

知识图谱技术，被称为人工智能从理解到认知的核心引擎，通过对多源异构数据的整合，构成医药应用的数据中台，支撑上层的使用场景，包括简单的基于知识图谱的问答和对话，到结合具体应用场景数据的知识图谱辅助决策。沃丰科技GaussMind知识图谱在医药企业的应用场景有：

虚拟医疗助手：虚拟医疗助手是直接借助图谱的查询搜索能力。当知识图谱接收到查询问题时，先对问句进行实体、属性和关系识别，进而转化为图谱上的查询语句，查找图谱得到结果。虚拟助手可以为药企内部员工或外部患者提供高效快速的问答服务。图6展示了虚拟医疗助手的处理过程：

图6：虚拟医疗助手

智能预警：结合患者的数据和知识图谱信息，对用药进行提示预警。如图7所示，地高辛口服液的有效成分是地高辛，在低钾患者中需要慎用。如果患者数据显示是个低钾患者，则可以提前预警慎用相关药物。

图7：智能预警

智能培训：医药企业基于知识图谱，可以对其产品生成相关的培训考题，对新入职的员工进行培训考核，并基于考题的标签对考核结果进行得分评测，提示员工的薄弱环节。如图8所示：

图8：智能培训

此外，知识图谱也用在临床的辅助诊断中。这需要借助医疗的公共知识图谱，比如疾病图谱等，结合患者的临床实验数据，推断出患者可能的疾病风险，进而指导医师或患者进行相应的诊疗诊治。