【护理AI实操】基于知识图谱驱动的大模型智能问答：三元组踩坑和解决措施

开篇反例：共享分类节点后，错误查询可能串入另一种疾病的治疗方法。

你把两份资料交给 AI：一份讲艾滋病治疗，一份讲口腔黏膜炎护理。抽取三元组、导入数据库，一张知识图谱就建好了。

接着，你查询口腔黏膜炎的干预方法，结果里竟然混进了“抗病毒治疗”。

这是一个建模反例：两份资料都用了“西医治疗”这个分类，程序把它们合成一个节点，又把分类下的方法当成两种疾病都适用的方法。这样的错误，还可能进入护理大模型的回答。

知识图谱用实体表示对象，用关系说明联系，再用属性补充条件和来源。最常见的起点是三元组：“头实体、关系、尾实体”。

把实体画成点，把关系画成有方向的箭头，共享实体的三元组就连成一张图。你可以从某个症状出发，查相关护理方法，再查支持这条关系的资料。

上面的例子用于说明数据结构。抽取医学知识时，还要保留适用人群、限定条件和原文来源。原文写“在某种条件下可以考虑”，不能抽成无条件“推荐”。

Neo4j 是存放这张图的数据库

Neo4j 采用属性图模型：节点和关系都能带属性。节点可保存标准名称、别名；关系可保存适用条件、文献版本。查询语言 Cypher 用于表达“从哪个节点出发，沿什么关系找什么”。官方概念说明

Neo4j 局部图谱示意：选中关系后查看属性。AI 生成，非真实运行截图。

数据库负责存储和查询，医学关系由建图人员审核。小程序主要通过微信云数据库中的节点、边集合提供图谱服务。

建图流程：定义结构、抽取、归一化、审核、入库，再用真实问题验收。

先定问题，再定结构

先列出希望回答的问题，例如“这个症状有哪些护理干预”“建议适用于谁”。据此定义实体类型和关系类型，形成 Schema，也就是建图规则表。推荐、包含、禁忌要分别表达。

抽取候选关系，保留出处

用规则、实体识别模型或大模型处理指南、共识、教材，输出三元组与对应原文。随后统一同义词、拆分歧义词、去重，由领域人员核对关系方向、否定和适用范围。

建立 ID，再导入数据库

节点名称可能变化，稳定 ID负责标识它是谁。先建立 ID 唯一性约束，再用 MERGE 匹配或创建节点、连接关系。项目脚本已经实现关系过滤、去重和类型整理，医学审核仍需补在流程中。MERGE 文档

入库后，下面的 Cypher 示例可查询一个疾病的干预关系及来源；ID 是教学示例。

验收时，拿一批能查回原文的问题测试：能否找到正确实体、排除不适用干预、给出支持结论的出处。不要只数节点和连线。

A 文件写“压疮”，B 文件写“褥疮”。按原词建节点，就可能把同一概念拆成两份：风险因素挂在一边，护理措施挂在另一边，查询时漏掉一半。

核对定义与范围后，把同义名称链接到同一个标准实体。

命名实体识别（NER）负责找出文中的实体并分类；实体链接与消歧负责判断它们对应哪个标准概念。识别出来之后，还要完成这一步归一化。

合并前要确认定义与使用范围。“疮褥”可先标为疑似错写，核对确实指“褥疮”再归一化，不能按字面相似度直接合并。

同样，HIV、HIV 感染和艾滋病应区分：前者指病毒，第二个指感染状态，艾滋病是 HIV 感染的晚期阶段。NIH 概念说明

实践中，先用术语表和别名词典匹配，再让模型处理缩写与歧义，拿不准的交给人工复核。

回到开头。如果两种疾病共用“西医治疗”节点，就会出现“口腔黏膜炎 → 西医治疗 → 抗病毒治疗”这条路径。

路径可达不能证明治疗适用。错误出在查询或生成阶段：程序把分类关系解释成了临床适用关系。

方法一：把分类写成关系属性

让疾病直接连接具体方法，把“西医治疗”作为这条关系的分类。

方法一：疾病连接具体干预，“西医治疗”保存在关系属性中。

查询、整理结果、交给模型时，都要保留适用疾病约束。属性写进数据库却不参与筛选，仍可能混入不适用的结果。

这里将 CART 规范为 cART，指联合抗逆转录病毒治疗，属于治疗方式，并未指明具体药物组合，因此使用“方案类型”。NIH 术语说明

方法二：保留分类节点，限定疾病范围

需要展示干预层级时，可以创建两个不同的分类节点。

方法二：按疾病拆成两个分类节点，分别使用独立 ID。

两个节点使用不同 ID，保存疾病范围。继续往下查时，也要保留进入这条路径的疾病背景。以上均为建模示例，具体适用性须核对原文。

仅用于分类筛选的标签，通常适合做属性；需要独立检索、挂接资料或展开下级方法的对象，适合做节点。共享分类节点可以存在，但不能把它收录的方法全部当成某种疾病的干预。

用户问“口腔黏膜炎有哪些护理方法”，只给模型几个节点名称还不够。作答前应检索关系、适用条件和原文证据，组成上下文；这一过程不要求重新训练模型。

图谱与文献联合检索的推荐流程，包含仍需补齐的审核环节。

先从问题中识别实体、统一名称，找到种子节点。再按问题意图沿相关关系展开一到两跳，也就是走一条或两条边，并限制方向、关系类型和疾病范围。

随后取回对应原文，检查人群、版本与否定条件。交给模型的材料可以整理为：

本项目已接通“匹配节点 → 提取邻接关系 → 通过 GRAPH_CONTEXT 传给 Coze 工作流 → 结合知识库回答”的链路，用户原问题单独传入。

当前主要靠节点名称匹配，实体链接、条件过滤和关系溯源仍需完善。界面还会在回答后补匹配关联节点，因此展示节点未必都参与过生成前检索。默认等级、抽取置信度也不能当成临床证据等级。

RAG 是检索增强生成，先找资料，再让模型回答。知识图谱可以提供其中的检索内容，两者能够结合。Neo4j RAG 文档

症状网络则从数据估计统计关联，本项目使用 GraphicalLasso 偏相关网络。知识图谱里的边表达“推荐干预”等语义，症状网络里的边表达症状变量之间的关联。

“疲乏”与“失眠”连得紧，不能据此认定前者导致后者，也不能证明先干预疲乏就能改善失眠。症状网络可作单独标记的统计参考，关联强度和中心性不能直接用于治疗排序。

我们已将图谱查询、健康问答和日常管理做进HIV 健康管理小程序。用户可以查看返回的参考条目与片段，点击关联节点跳到图谱，继续查看关系。

图谱页面提供知识图谱和症状网络入口；健康管理模块包含用药、复诊提醒及运动、饮食记录。问答用于科普与管理辅助，个人诊断、停换药和治疗方案仍需专业人员判断。

准备建自己的图谱时，先用两份资料试一遍。遇到答错的地方，沿着原文 → 三元组 → 查询结果 → 回答逐段回查，找到出错环节再修改。

关于作者

我是王佳清，聚焦医疗护理大模型应用，开展临床文本处理、知识增强、数据分析与智能决策支持研究；深度参与中国重点研发计划、国家自然科学基金及企业合作项目；联合多家三甲医院开展应用验证与迭代，推动大模型融入临床护理流程，促进智慧医疗与智慧护理成果转化。