基于知識推理的醫(yī)療應(yīng)急響應(yīng)機制研究

陳延雪，楊長春，2，葛天一，朱 軍

1(常州大學(xué) 計算機與人工智能學(xué)院，江蘇 常州 213164) 2(常州大學(xué) 微電子與控制工程學(xué)院，江蘇 常州 213164) 3(常州大學(xué) 商學(xué)院，江蘇 常州 213164)

1 引 言

近年來，隨著經(jīng)濟社會的高度、快速發(fā)展，危害公眾人身、財產(chǎn)安全的各類突發(fā)公共安全事件的發(fā)生一直呈上升趨勢，給國家安全、社會的穩(wěn)定和人民的日常生活帶來巨大的威脅，嚴(yán)重地阻礙經(jīng)濟健康發(fā)展[1].醫(yī)療服務(wù)機構(gòu)應(yīng)急響應(yīng)能力的強弱將直接關(guān)系到突發(fā)事件過程中傷病員的救治情況.尤其在新型冠狀病毒感染肺炎疫情防控過程中，如何以高效的應(yīng)急管理及時挽救病人的生命顯得尤為重要.因此，面向醫(yī)療領(lǐng)域突發(fā)事件的應(yīng)急響應(yīng)，已經(jīng)成為了當(dāng)前的熱點研究之一.

近年來，國內(nèi)外對于應(yīng)急響應(yīng)決策的研究很多.文獻[2]提出一種基于模糊認(rèn)知圖的應(yīng)急案例推理方法，可有效地從以往的突發(fā)事件案例中提取突發(fā)事件要素之間的因果知識，幫助應(yīng)急響應(yīng)人員獲取突發(fā)事件的即時狀態(tài)，從而為相關(guān)應(yīng)急機構(gòu)了解突發(fā)事件的發(fā)展提供決策支持.文獻[3]利用突發(fā)事件的知識元素，通過改進C4.5算法中平衡系數(shù)的獲取，構(gòu)建了一種確定的推理選擇方法，降低了對應(yīng)急領(lǐng)域知識的要求，提高了決策的準(zhǔn)確性和及時性.文獻[4]提出在多維情景空間的基礎(chǔ)上，通過建立基于案例推理的突發(fā)事件應(yīng)急決策模型，依據(jù)所設(shè)計的不同匹配算法，計算與歷史場景的相似度，從而對應(yīng)急方案進行決策.文獻[5]提出了一種滿足網(wǎng)絡(luò)環(huán)境下突發(fā)事件災(zāi)害場景融合建模和可視化需求的方法.以上研究都是針對重大災(zāi)害、重大事故的研究，缺乏結(jié)合醫(yī)務(wù)信息和警務(wù)信息對醫(yī)療突發(fā)事件的自動化決策.

醫(yī)療行業(yè)是一個具有數(shù)據(jù)密集，知識密集為特征的行業(yè)，隨著醫(yī)療健康大數(shù)據(jù)的發(fā)展，大量的數(shù)據(jù)資源處于分離、割裂的狀態(tài)，不利于數(shù)據(jù)的綜合應(yīng)用，并且大多數(shù)突發(fā)事件案例庫的案例多為“文本”文件，案例文件中對應(yīng)急程序的概括描述不能有效地傳達(dá)具體情況下如何應(yīng)對的信息，存在“數(shù)據(jù)-信息-知識”轉(zhuǎn)化能力不足的問題.從數(shù)據(jù)的角度看，醫(yī)療應(yīng)急響應(yīng)案例存在非結(jié)構(gòu)化或結(jié)構(gòu)化程度不高的現(xiàn)象，不利于對歷史突發(fā)事件信息的深度處理和應(yīng)用，也不利于決策支持的有效發(fā)揮.

本文基于知識圖譜(Knowledge Graph，KG)理論對醫(yī)療領(lǐng)域的醫(yī)療資源、救援車輛、警務(wù)、消防等海量和碎片化的社會資源進行整合，使用斯坦福大學(xué)的protégé軟件建立領(lǐng)域概念關(guān)系層次結(jié)構(gòu)，并為概念層次結(jié)構(gòu)添加實例描述，構(gòu)建一個面向醫(yī)療領(lǐng)域突發(fā)事件應(yīng)急響應(yīng)的知識圖譜.并針對現(xiàn)有醫(yī)療緊急呼救事件應(yīng)急響應(yīng)存在的不足，設(shè)計基于案例和基于規(guī)則的推理算法，從而構(gòu)建一個新型的智能應(yīng)急決策方案生成方法.根據(jù)突發(fā)事件的發(fā)生地點，結(jié)合周圍環(huán)境因素以及呼救人信息，通過分析應(yīng)急預(yù)案和救援資源布局，運用知識推理技術(shù)生成符合實際救援需要的資源調(diào)配方案，實現(xiàn)基于一張“圖”的綜合應(yīng)急，為應(yīng)急規(guī)劃和管理人員在短時間內(nèi)做出最優(yōu)應(yīng)急措施提供輔助決策支持.該方法有利于促進多平臺應(yīng)急聯(lián)動，從而提高突發(fā)事件急救效率.

2 相關(guān)知識

2.1 本體和知識圖譜理論

1980年，人工智能領(lǐng)域引入本體(Ontology)來刻畫知識.本體是對特定領(lǐng)域之中的概念及概念關(guān)系之間的形式化表達(dá)，用來表示特定領(lǐng)域中知識概念及其相互之間的關(guān)系，達(dá)到共享概念模型明確的形式化規(guī)范說明[6].本體可以在語義層次上描述知識，可以看成描述某個學(xué)科領(lǐng)域知識的一個通用概念模型.

2012年，Google公司提出了知識圖譜概念.知識圖譜本質(zhì)上是語義網(wǎng)絡(luò)，用于描述客觀世界中存在的實體與實體之間的關(guān)系[7]，通過節(jié)點和關(guān)系把所有不同種類的信息連接在一起得到一個關(guān)系網(wǎng)絡(luò)，為真實世界的各個場景直觀建模，其基本組成單位是“entity—relation—entity”以及“entity—property—value”三元組，實體之間通過關(guān)系相互聯(lián)結(jié)以形成網(wǎng)狀知識結(jié)構(gòu)[8].知識圖譜在本體的基礎(chǔ)上進行了豐富和擴充，主要體現(xiàn)在實體層面；本體中突出和強調(diào)的是概念之間的關(guān)聯(lián)關(guān)系，而知識圖譜則是在本體的基礎(chǔ)上，增加了更加豐富的關(guān)于實體的信息.知識圖譜可看作是一張巨大的圖，圖中的節(jié)點表示為實體或者概念，邊是由屬性和關(guān)系構(gòu)成.知識圖譜提供了一種更好地組織、管理和理解互聯(lián)網(wǎng)海量信息的能力，其將互聯(lián)網(wǎng)的信息表達(dá)成更接近人類認(rèn)知世界的形式[9-12].知識圖譜是智能大數(shù)據(jù)的前沿研究問題，它以漸增式的數(shù)據(jù)模式設(shè)計，良好的數(shù)據(jù)集成的技術(shù)優(yōu)勢順應(yīng)了信息化時代的發(fā)展，現(xiàn)有RDF(Resource Description Framework，資源描述框架)、OWL(Web Ontology language，網(wǎng)絡(luò)本體語言)等標(biāo)準(zhǔn)支持語義搜索和知識推理等[13].目前，基于知識圖譜的眾多應(yīng)用中智慧醫(yī)療是應(yīng)用最廣的垂直領(lǐng)域之一，如中醫(yī)藥知識圖譜[14]、SNOMED-CT[15]，中文開放知識圖譜(OpenKG.CN)中的醫(yī)療知識圖譜等近幾年也逐漸進入人們視線，但在醫(yī)療應(yīng)急響應(yīng)領(lǐng)域，知識圖譜的研究和應(yīng)用數(shù)量較少，整體技術(shù)處于不成熟階段.

2.2 醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識推理研究

知識圖譜是智能醫(yī)療的底層核心，而基于知識圖譜的知識推理是醫(yī)療應(yīng)急響應(yīng)決策過程的基礎(chǔ).知識推理能使信息處理速度更快更全，能夠在應(yīng)急決策時大幅減輕決策人員工作量，提供更周全的決策建議，增強了決策建議的可解釋性，是應(yīng)急響應(yīng)方案的自動生成的關(guān)鍵.在醫(yī)學(xué)領(lǐng)域，知識圖譜是人工智能(AI)輔助醫(yī)療系統(tǒng)的基本組成部分，在臨床決策支持系統(tǒng)(CDSS)用于診斷和治療[16]，作為自診斷工具幫助患者根據(jù)癥狀評估健康狀況，其在醫(yī)療智能語義搜索引擎、醫(yī)療問答系統(tǒng)、慢病管理系統(tǒng)有良好的應(yīng)用[17].在醫(yī)學(xué)知識圖譜中，知識推理能夠幫助醫(yī)生完成病患數(shù)據(jù)搜集、疾病診斷與治療，從而控制醫(yī)療差錯率；而知識圖譜在醫(yī)療領(lǐng)域應(yīng)急響應(yīng)方面的應(yīng)用，能輔助應(yīng)急響應(yīng)的決策者減少決策的時間，提高對呼救者的急救效率.目前，知識推理在醫(yī)療領(lǐng)域的研究以及應(yīng)急響應(yīng)在公共安全的研究都已經(jīng)取得了一定的進展，然而基于知識圖譜的知識推理技術(shù)在醫(yī)療突發(fā)事件應(yīng)急響應(yīng)研究相對缺乏.

3 醫(yī)療領(lǐng)域突發(fā)事件知識圖譜構(gòu)建

本文構(gòu)建醫(yī)療突發(fā)事件應(yīng)急響應(yīng)知識圖譜的知識獲取主要包括以下幾種：1)通過網(wǎng)絡(luò)爬取，從百科以及開放鏈接數(shù)據(jù)集中獲取知識；2)從現(xiàn)有的開放中文知識圖譜中，獲取突發(fā)事件知識圖譜.并結(jié)合《公共安全應(yīng)急管理突發(fā)事件響應(yīng)要求》、《突發(fā)公共衛(wèi)生事件應(yīng)急條例》以及領(lǐng)域?qū)＜以~典規(guī)范術(shù)語.

知識圖譜的構(gòu)建方法主要有自頂向下(Top-Down)和自底向上(Bottom-Up)兩種構(gòu)建方法.自頂向下的方法是指先確定知識圖譜的數(shù)據(jù)模型(定義本體)，再根據(jù)數(shù)據(jù)模型填充具體實例，最終形成知識圖譜.自底向上的方法是從實體開始，然后根據(jù)實體數(shù)據(jù)內(nèi)容來提煉數(shù)據(jù)模型，形成上層概念，如Google的Knowledge Vault和微軟的Satori知識庫則是通過此種方法構(gòu)建.

3.1 醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體模型構(gòu)建

本文主要采用斯坦福大學(xué)開發(fā)的Protégé軟件和7步法來構(gòu)建醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體.本體在Protégé軟件中以樹形層次顯示；Protégé軟件擁有多種插件，提供XML、RDF、OWL等多種存儲格式[18]，并支持RDF、RDFS、OWL等本體語言在系統(tǒng)外對本體進行編輯和修改.構(gòu)建醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體的7步法流程圖如圖1所示.

1)明確所要構(gòu)建的本體領(lǐng)域和范疇，本文構(gòu)建的是醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體；

2)考慮復(fù)用現(xiàn)在已有的本體的可能性.通過搜尋OpenKG.CN中由武漢科技大學(xué)構(gòu)建的突發(fā)事件知識圖譜，其中包括突發(fā)事件的類型，發(fā)生時間，地點，事件描述，以及突發(fā)事件導(dǎo)致的結(jié)果，與本文所需構(gòu)建的知識圖譜相似，可復(fù)用作為本文的案例知識庫；

圖1 7步法構(gòu)建本體流程圖Fig.1 Seven-step method ontology construction flowchart

3)列舉領(lǐng)域中的相關(guān)術(shù)語概念及其可能具有的屬性和對應(yīng)的屬性值.醫(yī)療應(yīng)急響應(yīng)的術(shù)語概念包括突發(fā)事件等級、危險因素、應(yīng)急預(yù)案、應(yīng)急處置、應(yīng)急聯(lián)動等概念；

4)定義醫(yī)療應(yīng)急響應(yīng)領(lǐng)域中類和類層次結(jié)構(gòu)，建立本體模型.

將第3步中產(chǎn)生的概念進行分類用于描述類屬關(guān)系，領(lǐng)域概念分類層次可以看成是一棵樹形結(jié)構(gòu)，樹中節(jié)點與領(lǐng)域?qū)哟沃械念悓嵗灰粚?yīng).本文所構(gòu)建的醫(yī)療領(lǐng)域應(yīng)急響應(yīng)的本體上位概念框架包括“呼救人”、“醫(yī)療資源”、“警務(wù)資源”等，其中醫(yī)療領(lǐng)域應(yīng)急響應(yīng)部分本體概念可視圖如圖2所示.

圖2 醫(yī)療領(lǐng)域應(yīng)急響應(yīng)部分本體概念可視圖Fig.2 Graphical view of the medical emergency response ontology concept(part)

5)定義類的屬性，描述概念間內(nèi)在的邏輯關(guān)系，本文構(gòu)建的應(yīng)急級響應(yīng)本體的呼救人具有的屬性“年齡”、“聯(lián)系電話”、“住址”、“癥狀”、“過敏史”等，醫(yī)療單位、警務(wù)資源具有的屬性包括“單位名稱”、“單位性質(zhì)”、“位置”、“可用性”；

6)定義醫(yī)療領(lǐng)域應(yīng)急響應(yīng)概念對象屬性的容許的取值及個數(shù)、取值類型、其他有關(guān)屬性取值的特征；

7)本體實例化.確定一個類，創(chuàng)建該類的實例以及添加這個類的屬性值，如為“呼救人”概念添加實例“張三”，并添加其年齡屬性值進行實例化.

3.2 基于本體的醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識圖譜構(gòu)建

3.2.1 知識表示

醫(yī)療應(yīng)急響應(yīng)知識圖譜包括用戶呼救知識圖譜、醫(yī)療資源知識圖譜和警務(wù)資源知識圖譜等多個知識圖譜.其中，呼救知識圖譜由多個三元組組成，hc為頭實體，頭實體由編號和實體名稱(呼救人姓名值)兩部分組成，tc為尾實體(實體屬性)，rc為連接頭實體hc和尾實體tc的關(guān)系，呼救人個人基本信息各字段(例如年齡)分別為一個尾實體，呼救者個人基本信息(年齡值)對應(yīng)存儲為各尾實體的值(即實體的屬性值)；醫(yī)療知識圖譜由多個三元組組成，其中hm為頭實體，頭實體由編號和實體名稱(醫(yī)療單位名稱)兩部分組成，rm為連接頭實體hm和尾實體tm的關(guān)系，tm為尾實體；警務(wù)知識圖譜由多個三元組組成，其中hp為頭實體，頭實體由編號實體名稱(警務(wù)單位名稱)兩部分組成，rp為連接頭實體hp和尾實體tp的關(guān)系.

3.2.2 本體與知識圖譜的映射

突發(fā)事件應(yīng)急響應(yīng)知識圖譜是將突發(fā)事件應(yīng)急知識本體概念層次結(jié)構(gòu)視為樹結(jié)構(gòu)，將頂層概念視為根節(jié)點，多層子概念視為孩子節(jié)點，概念最底層的實體為葉子節(jié)點，將概念、實體之間的繼承關(guān)系用線連接.本體作為知識圖譜的數(shù)據(jù)模式，將概念樹結(jié)構(gòu)完整的映射到知識圖譜中，以此生成醫(yī)療應(yīng)急響應(yīng)知識圖譜的概念層次關(guān)系圖，形成基于知識圖譜的突發(fā)事件模型.將知識圖譜的概念層次關(guān)系作為樹，概念節(jié)點視為樹節(jié)點，節(jié)點之間的關(guān)系用線連接.而將知識圖譜中的實體關(guān)系視為圖，實體節(jié)點視為圖的節(jié)點，實體與實體之間的語義關(guān)系用帶有關(guān)系的有向邊連接.因此本體與知識圖譜的映射原理是樹與樹的映射、樹與圖的映射[19].醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體與知識圖譜的匹配映射原理如圖3所示.

圖3 醫(yī)療領(lǐng)域應(yīng)急響應(yīng)本體與知識圖譜映射原理圖Fig.3 Schematic diagram of emergency response ontology and knowledge graph mapping in the medical field

3.2.3 知識融合

由于醫(yī)療領(lǐng)域緊急突發(fā)事件具有隨機性、危害性、不可預(yù)測性等特點，其在應(yīng)急管理中需要靈活、共享的資源、人員等急救資源的調(diào)度，突破既有應(yīng)急平臺在信息集成、資源共享、應(yīng)急聯(lián)動等方面的限制，將所有的救助資源進行知識整合，從而實現(xiàn)基于一張圖的應(yīng)急.實體對齊(entity alignment)技術(shù)的出現(xiàn)使知識數(shù)據(jù)的融合過程更高效、效果更良好.本文運用GCN(Graph Convolutional Network，圖卷積網(wǎng)絡(luò))實體對齊方法[20]將構(gòu)建的醫(yī)療資源知識圖譜，警務(wù)資源知識圖譜，用戶呼救知識圖譜，交通知識圖譜等多源異構(gòu)數(shù)據(jù)進行融合.醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識融合是對醫(yī)療應(yīng)急響應(yīng)知識圖譜內(nèi)容進行整合和消歧，增強知識圖譜內(nèi)部的邏輯性和表達(dá)能力，并為醫(yī)療應(yīng)急響應(yīng)知識圖譜更新舊知識或補充新知識.

由于醫(yī)療應(yīng)急響應(yīng)知識圖譜具有圖結(jié)構(gòu)信息，而GCN包含多層網(wǎng)絡(luò)，將圖譜的圖結(jié)構(gòu)信息輸入到GCN中，其卷積運算過程如公式(1)所示:

(1)

經(jīng)過知識融合，基于本體的醫(yī)療領(lǐng)域應(yīng)急響應(yīng)的知識圖譜已構(gòu)建完成，該知識圖譜包括呼救、醫(yī)療資源、警務(wù)資源、事發(fā)時間、事發(fā)地點等知識實體以及關(guān)聯(lián)關(guān)系.在已構(gòu)建的事件知識圖譜的基礎(chǔ)上通過知識推理算法為決策者提供有效決策方案.構(gòu)建完成之后的知識圖譜導(dǎo)入Neo4j圖數(shù)據(jù)庫中存儲.

4 醫(yī)療應(yīng)急響應(yīng)方案生成的推理方法

4.1 基于案例推理

基于案例推理的應(yīng)急決策方案需要從一組相關(guān)案例中推導(dǎo)出適合當(dāng)前事件的處置方案，通過借鑒歷史案例快速生成應(yīng)急方案，從而縮短應(yīng)急響應(yīng)時間.

本文在所構(gòu)建的歷史突發(fā)事件知識圖譜下，將當(dāng)前事件中的關(guān)鍵實體和屬性與歷史案例知識庫中各案例的實體和屬性進行相似性對比，相似性對比依據(jù)余弦相似度，如式(2)所示進行計算:

(2)

其中similarity(A，B)為余弦相似度值，A和B分別為兩個實體或兩個屬性，n為知識圖譜中關(guān)鍵實體或?qū)傩缘臄?shù)量，i為值為1～n的整型變量.相似性對比結(jié)果為<案例編號，相似性距離值>二元組集合，其中相似性距離值在[-1，1]范圍內(nèi)，其中-1為完全不相似，1為完全相似.將得到的相似性距離值從大到小排列，將這些案例中的醫(yī)療知識圖譜和警務(wù)知識圖譜部分作為最終推理結(jié)果返回給決策者，存在多個結(jié)果的按照相似度從大到小的順序排列.通過案例推理從歷史

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

案例庫中推導(dǎo)出可用于當(dāng)前事件的應(yīng)急處置方案，實現(xiàn)醫(yī)療領(lǐng)域突發(fā)事件應(yīng)急輔助決策.基于案例推理的工作流程如圖4所示.

4.2 基于規(guī)則推理

由于現(xiàn)實中不可能發(fā)生一模一樣的突發(fā)事件，而基于案例的推理只能對案例的部分實體和屬性進行匹配，由于突發(fā)事件的隨機性，資源調(diào)配方案需要結(jié)合突發(fā)事件的實際情況生成，本文在基于案例推理的基礎(chǔ)上通過自定義推理規(guī)則，對知識圖譜中的概念關(guān)系添加規(guī)則描述并在pellet推理機中推理出新的知識，以此來輔助應(yīng)急響應(yīng)的決策者快速決策.基于神經(jīng)網(wǎng)絡(luò)的推理具有黑盒特性，可解釋性問題沒有得到有效解決[21]，通過規(guī)則推理能有效增強推理結(jié)果的可解釋性.基于規(guī)則的推理結(jié)構(gòu)如圖5所示.

圖5 基于規(guī)則的推理結(jié)構(gòu)Fig.5 Rule-based reasoning structure

4.2.1 SWRL規(guī)則推理

現(xiàn)有的知識推理的方法包括基于規(guī)則的推理、基于神經(jīng)網(wǎng)絡(luò)的推理、基于分布式表示的推理以及混合推理.其中基于規(guī)則的知識推理方法在知識補全中仍占有重要的地位[22]，W3C在本體描述語言O(shè)WL的基礎(chǔ)上，定義了專門用于描述本體推理規(guī)則的語言SWRL(Semantic Web Rule Language，語義網(wǎng)規(guī)則描述語言).僅僅利用RDF/OWL建立的應(yīng)急知識庫的語義機制并不能夠完全滿足決策者的需要，也不能完整地得到整個領(lǐng)域內(nèi)的推理內(nèi)涵.借助SWRL構(gòu)建醫(yī)療應(yīng)急響應(yīng)推理規(guī)則，不僅能夠?qū)崿F(xiàn)與RDF/OWL建立的本體模型無縫連接，而且能夠較好地實現(xiàn)規(guī)則表示的需要.SWRL推理規(guī)則是通過對本體中概念進行規(guī)則定義，可實現(xiàn)個體實例的規(guī)則推理，以得出新的隱含的知識.將本體和SWRL相結(jié)合起來，可以有效增強本體的推理能力，從而挖掘出更多的新的隱性知識[23，24].

SWRL規(guī)則的基本形式是前提(Antecedent)→ 結(jié)論(Consequent)，且兩者之間都可以包括單個或多個基本命題，命題之間通過邏輯“與”建立連接關(guān)系.SWRL規(guī)則用于推理主要使用以下兩個限制式：

1)C(x)：x是本體的一個實例，而C則是一個類，即說明x是類C的一個實例；

2)P(x ，y)：x和y是本體的實例，P是對象屬性，說明x和y之間存在的關(guān)系為P.

4.2.2 基于SWRL的應(yīng)急響應(yīng)規(guī)則構(gòu)建及推理

基于知識圖譜的規(guī)則推理，是通過制定相應(yīng)的規(guī)則庫為所構(gòu)建的知識圖譜各個實例之間添加規(guī)則描述，以增強知識圖譜的語義信息.由于SWRL規(guī)則具有傳遞性，按照推理算法并借助推理機從已存在的事實中推理出隱含知識.根據(jù)規(guī)則的構(gòu)造原理，本文自定義規(guī)則結(jié)構(gòu)為：一個規(guī)則的前提，一個規(guī)則的結(jié)論，中間加上判斷條件.以醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識圖譜為出發(fā)點，推理規(guī)則的制定主要包括以下兩個方面：

1)在呼救者的呼救信息中，應(yīng)急決策者需要根據(jù)求救信息判斷事件的嚴(yán)重程和救助的難易程度，是否需要多部門協(xié)作.根據(jù)規(guī)則具有的傳遞性和相似性原則，制定的相關(guān)的推理規(guī)則如下：

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

Rule1是對突發(fā)事件嚴(yán)重程度的判斷，x是突發(fā)事件實例，y是事件類型實例，z是事件導(dǎo)致的受損程度實例，c是該突發(fā)事件導(dǎo)致的結(jié)果實例，p為事件的嚴(yán)重程度的實例，belongToEventType，damagedCondition，hasCasualty，eventLevel均為對象屬性.該規(guī)則的前提是如果發(fā)生了突發(fā)事件x，并且事件類型屬于y，受損程度為z，導(dǎo)致了結(jié)果c，則推理結(jié)論是該突發(fā)事件的嚴(yán)重程度為p.

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

Rule2為判斷突發(fā)事件的難易程度的推理規(guī)則，其中x為突發(fā)事件實例，w表示天氣實例，r為救援的實施難度實例，l為該突發(fā)事件的后續(xù)影響實例.Rule2的前提是發(fā)生了x，并且天氣為w，事件后續(xù)影響為l，則推理結(jié)論x的救援難度為r.

2)在應(yīng)急決策中，為節(jié)省救援時間，應(yīng)急的資源應(yīng)最大化靠近事發(fā)地點，因此定義了nearBy屬性，定義推理規(guī)則如下：

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

Rule3中，x、y、z為3個不同實例，nearBy為對象屬性.該規(guī)則的前提是：如果x附近有y，并且y附近有z，則推理結(jié)論是x附近有z.

5 實驗結(jié)果與分析

5.1 實驗案例

統(tǒng)一指揮、快速反應(yīng)、系統(tǒng)聯(lián)動、協(xié)同應(yīng)對是醫(yī)療應(yīng)急工作的基本原則.在突發(fā)事件發(fā)生后，醫(yī)療應(yīng)急響應(yīng)中心決策平臺通過構(gòu)建的突發(fā)事件知識圖譜，對事件的發(fā)生地點、呼救者個人信息、以及醫(yī)療和警務(wù)等救助資源進行綜合分析，根據(jù)救援資源布局和周邊環(huán)境因素，適時調(diào)整應(yīng)急救援方案，以輔助醫(yī)療應(yīng)急決策人員進行科學(xué)合理的決策.本文將構(gòu)建的應(yīng)急響應(yīng)知識圖譜應(yīng)用在醫(yī)療緊急呼救領(lǐng)域，可以為應(yīng)急決策者推薦適合事件發(fā)展的應(yīng)急方案，提高決策效率和準(zhǔn)確率，為呼救用戶挽救生命節(jié)省時間.

本文以居家突發(fā)事件為例，當(dāng)應(yīng)急平臺接收到用戶的求救信息，通過分析呼救信息，判斷事件的等級，并根據(jù)地理位置以及事件的真實情況推理出合適的應(yīng)急決策方案.如應(yīng)急響應(yīng)平臺接收到緊急突發(fā)事件A，事件的具體描述如下：事件地點：某市某小區(qū)××棟××單元××室；事發(fā)時間：2020年1月20日；事件狀態(tài)：煤氣泄漏，引發(fā)火災(zāi)；環(huán)境狀態(tài)：道路結(jié)冰；事件類型：中毒事件；患者狀態(tài)：1人獨居，中度中毒.

當(dāng)應(yīng)急響應(yīng)平臺獲取呼救信息時，首先通過基于案例推理的方法，將當(dāng)前的呼救事件的實體、屬性與案例知識庫中的實體、屬性進行相似度計算，得到與歷史事件相似的中毒事件的決策方案，并根據(jù)該突發(fā)事件的實際情況結(jié)合自定義的規(guī)則調(diào)整決策方案.

根據(jù)突發(fā)事件A的事件類型為中毒事件，應(yīng)該啟動中毒事件應(yīng)急救援程序，規(guī)則如下：

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

其中A為突發(fā)事件實例，B是中毒事件類型實例，C是中毒應(yīng)急案例實例，belongtoEventType和toActiveEmergencyplan都是對象屬性.

呼救者中度中毒并且室內(nèi)發(fā)生火災(zāi)，存在極大安全隱患，根據(jù)推理規(guī)則應(yīng)聯(lián)合醫(yī)療急救中心，公安消防等協(xié)同應(yīng)急.應(yīng)急響應(yīng)聯(lián)動依據(jù)推理規(guī)則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都是不同的實例，A為突發(fā)事件實例，B是事件類型實例，C是事件狀態(tài)實例，D是協(xié)調(diào)溝通人員實例，E是應(yīng)急響應(yīng)中心人員實例，F(xiàn)和G是不同的急救部門實例，belongtoEventType、hasResult、hasDuty、toReportUnit都是對象屬性.該規(guī)則的前提是：如果突發(fā)事件A屬于事件類型B，并且伴有事件狀態(tài)C，則應(yīng)急中心協(xié)調(diào)F、G多部門應(yīng)急聯(lián)動，提高急救效率.

5.2 結(jié)果分析

知識圖譜表示突發(fā)事件應(yīng)急領(lǐng)域知識是提供推理事實的基礎(chǔ)前提，而用案例推理和SWRL語言編寫的規(guī)則是提供推理的要求，使用推理機將醫(yī)療應(yīng)急響應(yīng)知識圖譜和相應(yīng)的SWRL規(guī)則進行集成導(dǎo)入，推理產(chǎn)生新知識，得到應(yīng)急響應(yīng)事件知識圖譜中的隱含知識，將滿足條件的實例推理結(jié)果反饋給應(yīng)急決策者，應(yīng)急決策者根據(jù)可視化知識圖譜和推理結(jié)果選擇適合實際救援需要的應(yīng)急方案.基于規(guī)則的推理方法具有可解釋性，通過自定義規(guī)則推理挖掘隱含知識以提高應(yīng)急決策效果，其中推理流程圖如圖6所示.

圖6 基于SWRL規(guī)則的推理流程圖Fig.6 SWRL rules based reasoning flowchart

將自定義推理規(guī)則加載到Pellet推理機中進行推理，使得知識圖譜中本來不存在直接關(guān)聯(lián)關(guān)系的實例關(guān)聯(lián)起來，產(chǎn)生新的結(jié)果.也就是說，通過推理機推理出知識之間具有的隱含關(guān)系，從而根據(jù)實際需求推理出適應(yīng)救援需要的應(yīng)急方案.根據(jù)圖7所示的部分醫(yī)療應(yīng)急響應(yīng)知識圖譜以及通過基于案例推理并結(jié)合SWRL規(guī)則，生成應(yīng)急響應(yīng)方案.

圖7 醫(yī)療突發(fā)事件應(yīng)急響應(yīng)知識圖譜(部分)Fig.7 Knowledge graph of medical emergency response(part)

6 結(jié) 語

本文以醫(yī)療領(lǐng)域突發(fā)事件為研究主體，通過構(gòu)建醫(yī)療領(lǐng)域突發(fā)事件知識圖譜，實現(xiàn)了醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識規(guī)范化、信息化管理，以支持事件信息可視化和應(yīng)急響應(yīng)方案推理.結(jié)合專家經(jīng)驗綜合分析突發(fā)事件現(xiàn)場信息以及歷史突發(fā)事件數(shù)據(jù)信息，首先通過基于案例推理查找與當(dāng)前呼救事件相似度較高的歷史案例，再通過自定義的SWRL推理規(guī)則，在推理機中推理出實際救援需要的應(yīng)急決策資源調(diào)配方案，為突發(fā)事件應(yīng)急管理中心決策人員提供應(yīng)急輔助決策.

由于突發(fā)事件具有動態(tài)性，需要對已經(jīng)構(gòu)建的知識圖譜進行動態(tài)的更新.因此下一步的工作是研究具有時序特征的醫(yī)療領(lǐng)域應(yīng)急響應(yīng)知識圖譜，并進一步結(jié)合規(guī)則推理和機器學(xué)習(xí)的混合推理算法，提高推理結(jié)果的準(zhǔn)確性以此輔助應(yīng)急決策者做出更高效的決策措施.