基于知识推理的医疗应急响应机制研究

陈延雪，杨长春，2，葛天一，朱 军

1(常州大学 计算机与人工智能学院，江苏 常州 213164) 2(常州大学 微电子与控制工程学院，江苏 常州 213164) 3(常州大学 商学院，江苏 常州 213164)

1 引 言

近年来，随着经济社会的高度、快速发展，危害公众人身、财产安全的各类突发公共安全事件的发生一直呈上升趋势，给国家安全、社会的稳定和人民的日常生活带来巨大的威胁，严重地阻碍经济健康发展[1].医疗服务机构应急响应能力的强弱将直接关系到突发事件过程中伤病员的救治情况.尤其在新型冠状病毒感染肺炎疫情防控过程中，如何以高效的应急管理及时挽救病人的生命显得尤为重要.因此，面向医疗领域突发事件的应急响应，已经成为了当前的热点研究之一.

近年来，国内外对于应急响应决策的研究很多.文献[2]提出一种基于模糊认知图的应急案例推理方法，可有效地从以往的突发事件案例中提取突发事件要素之间的因果知识，帮助应急响应人员获取突发事件的即时状态，从而为相关应急机构了解突发事件的发展提供决策支持.文献[3]利用突发事件的知识元素，通过改进C4.5算法中平衡系数的获取，构建了一种确定的推理选择方法，降低了对应急领域知识的要求，提高了决策的准确性和及时性.文献[4]提出在多维情景空间的基础上，通过建立基于案例推理的突发事件应急决策模型，依据所设计的不同匹配算法，计算与历史场景的相似度，从而对应急方案进行决策.文献[5]提出了一种满足网络环境下突发事件灾害场景融合建模和可视化需求的方法.以上研究都是针对重大灾害、重大事故的研究，缺乏结合医务信息和警务信息对医疗突发事件的自动化决策.

医疗行业是一个具有数据密集，知识密集为特征的行业，随着医疗健康大数据的发展，大量的数据资源处于分离、割裂的状态，不利于数据的综合应用，并且大多数突发事件案例库的案例多为“文本”文件，案例文件中对应急程序的概括描述不能有效地传达具体情况下如何应对的信息，存在“数据-信息-知识”转化能力不足的问题.从数据的角度看，医疗应急响应案例存在非结构化或结构化程度不高的现象，不利于对历史突发事件信息的深度处理和应用，也不利于决策支持的有效发挥.

本文基于知识图谱(Knowledge Graph，KG)理论对医疗领域的医疗资源、救援车辆、警务、消防等海量和碎片化的社会资源进行整合，使用斯坦福大学的protégé软件建立领域概念关系层次结构，并为概念层次结构添加实例描述，构建一个面向医疗领域突发事件应急响应的知识图谱.并针对现有医疗紧急呼救事件应急响应存在的不足，设计基于案例和基于规则的推理算法，从而构建一个新型的智能应急决策方案生成方法.根据突发事件的发生地点，结合周围环境因素以及呼救人信息，通过分析应急预案和救援资源布局，运用知识推理技术生成符合实际救援需要的资源调配方案，实现基于一张“图”的综合应急，为应急规划和管理人员在短时间内做出最优应急措施提供辅助决策支持.该方法有利于促进多平台应急联动，从而提高突发事件急救效率.

2 相关知识

2.1 本体和知识图谱理论

1980年，人工智能领域引入本体(Ontology)来刻画知识.本体是对特定领域之中的概念及概念关系之间的形式化表达，用来表示特定领域中知识概念及其相互之间的关系，达到共享概念模型明确的形式化规范说明[6].本体可以在语义层次上描述知识，可以看成描述某个学科领域知识的一个通用概念模型.

2012年，Google公司提出了知识图谱概念.知识图谱本质上是语义网络，用于描述客观世界中存在的实体与实体之间的关系[7]，通过节点和关系把所有不同种类的信息连接在一起得到一个关系网络，为真实世界的各个场景直观建模，其基本组成单位是“entity—relation—entity”以及“entity—property—value”三元组，实体之间通过关系相互联结以形成网状知识结构[8].知识图谱在本体的基础上进行了丰富和扩充，主要体现在实体层面；本体中突出和强调的是概念之间的关联关系，而知识图谱则是在本体的基础上，增加了更加丰富的关于实体的信息.知识图谱可看作是一张巨大的图，图中的节点表示为实体或者概念，边是由属性和关系构成.知识图谱提供了一种更好地组织、管理和理解互联网海量信息的能力，其将互联网的信息表达成更接近人类认知世界的形式[9-12].知识图谱是智能大数据的前沿研究问题，它以渐增式的数据模式设计，良好的数据集成的技术优势顺应了信息化时代的发展，现有RDF(Resource Description Framework，资源描述框架)、OWL(Web Ontology language，网络本体语言)等标准支持语义搜索和知识推理等[13].目前，基于知识图谱的众多应用中智慧医疗是应用最广的垂直领域之一，如中医药知识图谱[14]、SNOMED-CT[15]，中文开放知识图谱(OpenKG.CN)中的医疗知识图谱等近几年也逐渐进入人们视线，但在医疗应急响应领域，知识图谱的研究和应用数量较少，整体技术处于不成熟阶段.

2.2 医疗领域应急响应知识推理研究

知识图谱是智能医疗的底层核心，而基于知识图谱的知识推理是医疗应急响应决策过程的基础.知识推理能使信息处理速度更快更全，能够在应急决策时大幅减轻决策人员工作量，提供更周全的决策建议，增强了决策建议的可解释性，是应急响应方案的自动生成的关键.在医学领域，知识图谱是人工智能(AI)辅助医疗系统的基本组成部分，在临床决策支持系统(CDSS)用于诊断和治疗[16]，作为自诊断工具帮助患者根据症状评估健康状况，其在医疗智能语义搜索引擎、医疗问答系统、慢病管理系统有良好的应用[17].在医学知识图谱中，知识推理能够帮助医生完成病患数据搜集、疾病诊断与治疗，从而控制医疗差错率；而知识图谱在医疗领域应急响应方面的应用，能辅助应急响应的决策者减少决策的时间，提高对呼救者的急救效率.目前，知识推理在医疗领域的研究以及应急响应在公共安全的研究都已经取得了一定的进展，然而基于知识图谱的知识推理技术在医疗突发事件应急响应研究相对缺乏.

3 医疗领域突发事件知识图谱构建

本文构建医疗突发事件应急响应知识图谱的知识获取主要包括以下几种：1)通过网络爬取，从百科以及开放链接数据集中获取知识；2)从现有的开放中文知识图谱中，获取突发事件知识图谱.并结合《公共安全应急管理突发事件响应要求》、《突发公共卫生事件应急条例》以及领域专家词典规范术语.

知识图谱的构建方法主要有自顶向下(Top-Down)和自底向上(Bottom-Up)两种构建方法.自顶向下的方法是指先确定知识图谱的数据模型(定义本体)，再根据数据模型填充具体实例，最终形成知识图谱.自底向上的方法是从实体开始，然后根据实体数据内容来提炼数据模型，形成上层概念，如Google的Knowledge Vault和微软的Satori知识库则是通过此种方法构建.

3.1 医疗领域应急响应本体模型构建

本文主要采用斯坦福大学开发的Protégé软件和7步法来构建医疗领域应急响应本体.本体在Protégé软件中以树形层次显示；Protégé软件拥有多种插件，提供XML、RDF、OWL等多种存储格式[18]，并支持RDF、RDFS、OWL等本体语言在系统外对本体进行编辑和修改.构建医疗领域应急响应本体的7步法流程图如图1所示.

1)明确所要构建的本体领域和范畴，本文构建的是医疗领域应急响应本体；

2)考虑复用现在已有的本体的可能性.通过搜寻OpenKG.CN中由武汉科技大学构建的突发事件知识图谱，其中包括突发事件的类型，发生时间，地点，事件描述，以及突发事件导致的结果，与本文所需构建的知识图谱相似，可复用作为本文的案例知识库；

图1 7步法构建本体流程图Fig.1 Seven-step method ontology construction flowchart

3)列举领域中的相关术语概念及其可能具有的属性和对应的属性值.医疗应急响应的术语概念包括突发事件等级、危险因素、应急预案、应急处置、应急联动等概念；

4)定义医疗应急响应领域中类和类层次结构，建立本体模型.

将第3步中产生的概念进行分类用于描述类属关系，领域概念分类层次可以看成是一棵树形结构，树中节点与领域层次中的类实例一一对应.本文所构建的医疗领域应急响应的本体上位概念框架包括“呼救人”、“医疗资源”、“警务资源”等，其中医疗领域应急响应部分本体概念可视图如图2所示.

图2 医疗领域应急响应部分本体概念可视图Fig.2 Graphical view of the medical emergency response ontology concept(part)

5)定义类的属性，描述概念间内在的逻辑关系，本文构建的应急级响应本体的呼救人具有的属性“年龄”、“联系电话”、“住址”、“症状”、“过敏史”等，医疗单位、警务资源具有的属性包括“单位名称”、“单位性质”、“位置”、“可用性”；

6)定义医疗领域应急响应概念对象属性的容许的取值及个数、取值类型、其他有关属性取值的特征；

7)本体实例化.确定一个类，创建该类的实例以及添加这个类的属性值，如为“呼救人”概念添加实例“张三”，并添加其年龄属性值进行实例化.

3.2 基于本体的医疗领域应急响应知识图谱构建

3.2.1 知识表示

医疗应急响应知识图谱包括用户呼救知识图谱、医疗资源知识图谱和警务资源知识图谱等多个知识图谱.其中，呼救知识图谱由多个三元组组成，hc为头实体，头实体由编号和实体名称(呼救人姓名值)两部分组成，tc为尾实体(实体属性)，rc为连接头实体hc和尾实体tc的关系，呼救人个人基本信息各字段(例如年龄)分别为一个尾实体，呼救者个人基本信息(年龄值)对应存储为各尾实体的值(即实体的属性值)；医疗知识图谱由多个三元组组成，其中hm为头实体，头实体由编号和实体名称(医疗单位名称)两部分组成，rm为连接头实体hm和尾实体tm的关系，tm为尾实体；警务知识图谱由多个三元组组成，其中hp为头实体，头实体由编号实体名称(警务单位名称)两部分组成，rp为连接头实体hp和尾实体tp的关系.

3.2.2 本体与知识图谱的映射

突发事件应急响应知识图谱是将突发事件应急知识本体概念层次结构视为树结构，将顶层概念视为根节点，多层子概念视为孩子节点，概念最底层的实体为叶子节点，将概念、实体之间的继承关系用线连接.本体作为知识图谱的数据模式，将概念树结构完整的映射到知识图谱中，以此生成医疗应急响应知识图谱的概念层次关系图，形成基于知识图谱的突发事件模型.将知识图谱的概念层次关系作为树，概念节点视为树节点，节点之间的关系用线连接.而将知识图谱中的实体关系视为图，实体节点视为图的节点，实体与实体之间的语义关系用带有关系的有向边连接.因此本体与知识图谱的映射原理是树与树的映射、树与图的映射[19].医疗领域应急响应本体与知识图谱的匹配映射原理如图3所示.

图3 医疗领域应急响应本体与知识图谱映射原理图Fig.3 Schematic diagram of emergency response ontology and knowledge graph mapping in the medical field

3.2.3 知识融合

由于医疗领域紧急突发事件具有随机性、危害性、不可预测性等特点，其在应急管理中需要灵活、共享的资源、人员等急救资源的调度，突破既有应急平台在信息集成、资源共享、应急联动等方面的限制，将所有的救助资源进行知识整合，从而实现基于一张图的应急.实体对齐(entity alignment)技术的出现使知识数据的融合过程更高效、效果更良好.本文运用GCN(Graph Convolutional Network，图卷积网络)实体对齐方法[20]将构建的医疗资源知识图谱，警务资源知识图谱，用户呼救知识图谱，交通知识图谱等多源异构数据进行融合.医疗领域应急响应知识融合是对医疗应急响应知识图谱内容进行整合和消歧，增强知识图谱内部的逻辑性和表达能力，并为医疗应急响应知识图谱更新旧知识或补充新知识.

由于医疗应急响应知识图谱具有图结构信息，而GCN包含多层网络，将图谱的图结构信息输入到GCN中，其卷积运算过程如公式(1)所示:

(1)

经过知识融合，基于本体的医疗领域应急响应的知识图谱已构建完成，该知识图谱包括呼救、医疗资源、警务资源、事发时间、事发地点等知识实体以及关联关系.在已构建的事件知识图谱的基础上通过知识推理算法为决策者提供有效决策方案.构建完成之后的知识图谱导入Neo4j图数据库中存储.

4 医疗应急响应方案生成的推理方法

4.1 基于案例推理

基于案例推理的应急决策方案需要从一组相关案例中推导出适合当前事件的处置方案，通过借鉴历史案例快速生成应急方案，从而缩短应急响应时间.

本文在所构建的历史突发事件知识图谱下，将当前事件中的关键实体和属性与历史案例知识库中各案例的实体和属性进行相似性对比，相似性对比依据余弦相似度，如式(2)所示进行计算:

(2)

其中similarity(A，B)为余弦相似度值，A和B分别为两个实体或两个属性，n为知识图谱中关键实体或属性的数量，i为值为1～n的整型变量.相似性对比结果为<案例编号，相似性距离值>二元组集合，其中相似性距离值在[-1，1]范围内，其中-1为完全不相似，1为完全相似.将得到的相似性距离值从大到小排列，将这些案例中的医疗知识图谱和警务知识图谱部分作为最终推理结果返回给决策者，存在多个结果的按照相似度从大到小的顺序排列.通过案例推理从历史

图4 基于案例推理的工作流程Fig.4 Case-based reasoning workflow

案例库中推导出可用于当前事件的应急处置方案，实现医疗领域突发事件应急辅助决策.基于案例推理的工作流程如图4所示.

4.2 基于规则推理

由于现实中不可能发生一模一样的突发事件，而基于案例的推理只能对案例的部分实体和属性进行匹配，由于突发事件的随机性，资源调配方案需要结合突发事件的实际情况生成，本文在基于案例推理的基础上通过自定义推理规则，对知识图谱中的概念关系添加规则描述并在pellet推理机中推理出新的知识，以此来辅助应急响应的决策者快速决策.基于神经网络的推理具有黑盒特性，可解释性问题没有得到有效解决[21]，通过规则推理能有效增强推理结果的可解释性.基于规则的推理结构如图5所示.

图5 基于规则的推理结构Fig.5 Rule-based reasoning structure

4.2.1 SWRL规则推理

现有的知识推理的方法包括基于规则的推理、基于神经网络的推理、基于分布式表示的推理以及混合推理.其中基于规则的知识推理方法在知识补全中仍占有重要的地位[22]，W3C在本体描述语言OWL的基础上，定义了专门用于描述本体推理规则的语言SWRL(Semantic Web Rule Language，语义网规则描述语言).仅仅利用RDF/OWL建立的应急知识库的语义机制并不能够完全满足决策者的需要，也不能完整地得到整个领域内的推理内涵.借助SWRL构建医疗应急响应推理规则，不仅能够实现与RDF/OWL建立的本体模型无缝连接，而且能够较好地实现规则表示的需要.SWRL推理规则是通过对本体中概念进行规则定义，可实现个体实例的规则推理，以得出新的隐含的知识.将本体和SWRL相结合起来，可以有效增强本体的推理能力，从而挖掘出更多的新的隐性知识[23，24].

SWRL规则的基本形式是前提(Antecedent)→ 结论(Consequent)，且两者之间都可以包括单个或多个基本命题，命题之间通过逻辑“与”建立连接关系.SWRL规则用于推理主要使用以下两个限制式：

1)C(x)：x是本体的一个实例，而C则是一个类，即说明x是类C的一个实例；

2)P(x ，y)：x和y是本体的实例，P是对象属性，说明x和y之间存在的关系为P.

4.2.2 基于SWRL的应急响应规则构建及推理

基于知识图谱的规则推理，是通过制定相应的规则库为所构建的知识图谱各个实例之间添加规则描述，以增强知识图谱的语义信息.由于SWRL规则具有传递性，按照推理算法并借助推理机从已存在的事实中推理出隐含知识.根据规则的构造原理，本文自定义规则结构为：一个规则的前提，一个规则的结论，中间加上判断条件.以医疗领域应急响应知识图谱为出发点，推理规则的制定主要包括以下两个方面：

1)在呼救者的呼救信息中，应急决策者需要根据求救信息判断事件的严重程和救助的难易程度，是否需要多部门协作.根据规则具有的传递性和相似性原则，制定的相关的推理规则如下：

[Rule1： Emergency(?x)∧ belongToEventType(?x ，?y)∧damagedCondition(?x ，?z)∧ hasCasualty(?x ，?c)→eventLevel(?x ，?p)]；

Rule1是对突发事件严重程度的判断，x是突发事件实例，y是事件类型实例，z是事件导致的受损程度实例，c是该突发事件导致的结果实例，p为事件的严重程度的实例，belongToEventType，damagedCondition，hasCasualty，eventLevel均为对象属性.该规则的前提是如果发生了突发事件x，并且事件类型属于y，受损程度为z，导致了结果c，则推理结论是该突发事件的严重程度为p.

[Rule2： Emergency(?x)∧ weatherLevel(?w ，?l)∧relateTo(?x ，?w)→ RescueDisposalDifficulty(?x ，?r)]；

Rule2为判断突发事件的难易程度的推理规则，其中x为突发事件实例，w表示天气实例，r为救援的实施难度实例，l为该突发事件的后续影响实例.Rule2的前提是发生了x，并且天气为w，事件后续影响为l，则推理结论x的救援难度为r.

2)在应急决策中，为节省救援时间，应急的资源应最大化靠近事发地点，因此定义了nearBy属性，定义推理规则如下：

[Rule3： nearBy( ?x ，?y )∧ nearBy( ?y ，?z )→nearBy(?x ，?z )]；

Rule3中，x、y、z为3个不同实例，nearBy为对象属性.该规则的前提是：如果x附近有y，并且y附近有z，则推理结论是x附近有z.

5 实验结果与分析

5.1 实验案例

统一指挥、快速反应、系统联动、协同应对是医疗应急工作的基本原则.在突发事件发生后，医疗应急响应中心决策平台通过构建的突发事件知识图谱，对事件的发生地点、呼救者个人信息、以及医疗和警务等救助资源进行综合分析，根据救援资源布局和周边环境因素，适时调整应急救援方案，以辅助医疗应急决策人员进行科学合理的决策.本文将构建的应急响应知识图谱应用在医疗紧急呼救领域，可以为应急决策者推荐适合事件发展的应急方案，提高决策效率和准确率，为呼救用户挽救生命节省时间.

本文以居家突发事件为例，当应急平台接收到用户的求救信息，通过分析呼救信息，判断事件的等级，并根据地理位置以及事件的真实情况推理出合适的应急决策方案.如应急响应平台接收到紧急突发事件A，事件的具体描述如下：事件地点：某市某小区××栋××单元××室；事发时间：2020年1月20日；事件状态：煤气泄漏，引发火灾；环境状态：道路结冰；事件类型：中毒事件；患者状态：1人独居，中度中毒.

当应急响应平台获取呼救信息时，首先通过基于案例推理的方法，将当前的呼救事件的实体、属性与案例知识库中的实体、属性进行相似度计算，得到与历史事件相似的中毒事件的决策方案，并根据该突发事件的实际情况结合自定义的规则调整决策方案.

根据突发事件A的事件类型为中毒事件，应该启动中毒事件应急救援程序，规则如下：

[Rule4： EmergencyEvent(?A)∧ belongtoEventType(?A ，?B)→toActiveEmergencyplan(?A ，?C)]；

其中A为突发事件实例，B是中毒事件类型实例，C是中毒应急案例实例，belongtoEventType和toActiveEmergencyplan都是对象属性.

呼救者中度中毒并且室内发生火灾，存在极大安全隐患，根据推理规则应联合医疗急救中心，公安消防等协同应急.应急响应联动依据推理规则5.

[Rule5：EmergencyEvent(?A)∧ belongtoEventType(?A ，?B)∧ hasState(?A ，?C)∧ hasDuty(?D ，?E)→ toReportUnit(?D ，?F )∧ toReportUnit(?D ，?G)]；

Rule5中A、B、C、D、E、F、G都是不同的实例，A为突发事件实例，B是事件类型实例，C是事件状态实例，D是协调沟通人员实例，E是应急响应中心人员实例，F和G是不同的急救部门实例，belongtoEventType、hasResult、hasDuty、toReportUnit都是对象属性.该规则的前提是：如果突发事件A属于事件类型B，并且伴有事件状态C，则应急中心协调F、G多部门应急联动，提高急救效率.

5.2 结果分析

知识图谱表示突发事件应急领域知识是提供推理事实的基础前提，而用案例推理和SWRL语言编写的规则是提供推理的要求，使用推理机将医疗应急响应知识图谱和相应的SWRL规则进行集成导入，推理产生新知识，得到应急响应事件知识图谱中的隐含知识，将满足条件的实例推理结果反馈给应急决策者，应急决策者根据可视化知识图谱和推理结果选择适合实际救援需要的应急方案.基于规则的推理方法具有可解释性，通过自定义规则推理挖掘隐含知识以提高应急决策效果，其中推理流程图如图6所示.

图6 基于SWRL规则的推理流程图Fig.6 SWRL rules based reasoning flowchart

将自定义推理规则加载到Pellet推理机中进行推理，使得知识图谱中本来不存在直接关联关系的实例关联起来，产生新的结果.也就是说，通过推理机推理出知识之间具有的隐含关系，从而根据实际需求推理出适应救援需要的应急方案.根据图7所示的部分医疗应急响应知识图谱以及通过基于案例推理并结合SWRL规则，生成应急响应方案.

图7 医疗突发事件应急响应知识图谱(部分)Fig.7 Knowledge graph of medical emergency response(part)

6 结 语

本文以医疗领域突发事件为研究主体，通过构建医疗领域突发事件知识图谱，实现了医疗领域应急响应知识规范化、信息化管理，以支持事件信息可视化和应急响应方案推理.结合专家经验综合分析突发事件现场信息以及历史突发事件数据信息，首先通过基于案例推理查找与当前呼救事件相似度较高的历史案例，再通过自定义的SWRL推理规则，在推理机中推理出实际救援需要的应急决策资源调配方案，为突发事件应急管理中心决策人员提供应急辅助决策.

由于突发事件具有动态性，需要对已经构建的知识图谱进行动态的更新.因此下一步的工作是研究具有时序特征的医疗领域应急响应知识图谱，并进一步结合规则推理和机器学习的混合推理算法，提高推理结果的准确性以此辅助应急决策者做出更高效的决策措施.