关于儿童癫痫外科手术的共识研究报告 背景介绍 癫痫（epilepsy）的发病率在不同年龄段有显著变化。根据国际抗癫痫联盟（ILAE）的数据，癫痫的发病率最高的是<5岁和>65岁的人群（>60人/十万人），其中1岁以下儿童的癫痫发病率（82.1–118/十万人/年）高于年龄较大的儿童（46/十万人/年）。基于一项为期30年的抗癫痫药物（ASM）治疗队列研究，第一次使用ASM治疗可以使50.5%的患者无发作;第二次ASM的无发作可能性为11.6%，第三次治疗的额外无发作率仅为4.1%。此外，一项单中心随机试验验证了癫痫外科手术对于18岁以下药物难治性癫痫（DRE）儿童的优越性。 尽管研究者广泛承认癫痫手术对DRE的治疗价值，但由于多种因素，特别是在幼儿中，适合手术治疗的候选者存在显著的手术治疗差...

新型药物重新定位方法的网络构建与应用研究 背景 在COVID-19大流行期间，研究人员和制药公司致力于开发治疗和疫苗。药物重新定位由于捷径被认为是快速有效的应对策略。药物重新定位试图发现已批准药物的新用途，被认为比传统药物发现路径更廉价且更迅速[1–3]。例如，瑞德西韦和地塞米松就是两种成功的重新定位药物[4–6]。虽然全球疫情逐渐转向地方性阶段，病毒传播仍在继续。快速发现候选药物并提供给医学或制药领域的专家进行研究的重要性已被COVID-19大流行深刻地提醒了我们[7]。 随着生物学机制的进步和生物医学知识的收集，更准确和精确的基于计算的药物重新定位成为可能。网络药物学（network medicine）通过观察生物实体（如药物、基因和疾病）之间的复杂关系，提供候选药物[8–11]。但在新...

哮喘预测通过关联图增强分类器：基于常规血液生物标志物的机器学习方法 背景介绍 哮喘是一种影响全球约2.35亿人的慢性呼吸系统疾病。据世界卫生组织（World Health Organization, WHO）统计，哮喘病的主要特点是气道炎症，导致哮喘患者出现喘息、呼吸急促和胸闷等症状。为了有效管理和治疗哮喘，及时准确的诊断至关重要。然而，传统的哮喘诊断方法往往结合病史、体格检查和肺功能测试，不仅昂贵，还由于某些患者的非典型症状，使得诊断时间延长或误诊。此外，儿童哮喘的诊断尤为困难，传统方法的耗时特性可能会加重这一问题。 随着机器学习（Machine Learning, ML）的发展，在分析医疗数据、识别模式和生成预测方面展现了巨大潜力。本研究旨在利用关联图增强分类器（Affinity Gra...

预测未来疾病：时间知识图谱和医学本体的融合 电子健康记录（Electronic Health Records，EHRs）是现代医疗机构不可或缺的工具。它们记录了患者的详细健康历史，包含人口统计数据、药物、实验室结果和治疗计划。这些数据不仅可以改善医疗服务之间的衔接和协调，还能帮助医疗提供者发现健康趋势并做出数据驱动的决策，从而提高患者的整体护理质量。然而，EHRs中存储的大部分数据是非结构化的，特别是由临床医生撰写的描述患者健康状况的自由文本数据，这给信息提取和有效利用带来了巨大的挑战。 为了应对这一挑战，许多研究尝试通过自然语言处理（Natural Language Processing，NLP）技术从非结构化数据中提取相关信息并将其链接到医学本体。最近的研究中，知识图谱（Knowledg...

医学关系抽取与知识图谱推荐结合的研究报告 背景介绍 在医学领域，文献的爆炸式增长使得研究人员难以及时跟踪各自领域内的最新进展。从自然语言处理（NLP）领域来看，不断发展的自动化工具能够帮助识别和提取非结构化文本中的相关信息，这一任务被称为关系抽取（Relation Extraction，RE）。RE的主要目标是从文本中提取和分类医学实体之间的关系，增强我们对生物医学过程的理解。 目前，大多数尖端的医学RE系统使用深度学习方法，主要针对同类型实体间的关系，如基因和药物等实体。然而，这些系统大多仅限于从文本直接提取的信息，忽略了专门领域的知识库，如本体论（Ontology），这些本体论通常结构化为有向无环图（Directed Acyclic Graphs，DAG）。 另一方面，基于知识图谱（Kn...