心理健康循证干预决策方法与流程
本发明涉及人工智能、自然语言处理、大模型检索增强生成(rag)与医疗辅助决策交叉领域,特别涉及一种心理健康循证干预决策方法。
背景技术:
1、人工智能辅助心理健康干预已成为医疗辅助决策领域的重要研究方向,当前主流的技术路线依赖于通用大模型(如大语言模型)的直接生成机制,接收用户的自然语言表述后,通用大模型进行语义理解,基于其内部参数化的知识直接生成回复文本或干预建议。
2、然而,通用大模型往往基于训练语料中的统计模式进行概率性文本生成,其内部推理过程呈现黑盒特性,输出内容缺乏可验证的逻辑链条,且内部语义表征与输出结果之间的映射关系难以追溯,生成内容易出现逻辑断裂或与事实不符的幻觉,难以满足医疗场景对输出内容准确性与可信度的要求。
3、另一方面,当现有技术尝试引入通用知识图谱进行知识增强时,该类图谱通常仅构建概念间的浅层关联关系,缺乏针对心理诊疗场景的深层因果逻辑推演能力。同时,基于通用关键词或语义向量的检索机制,在面对个案信息时,其召回内容往往与具体干预对象的个性化特征、病理成因及动态变化的干预靶点脱节,难以满足心理诊疗对干预决策准确性与循证性的要求。
4、这里的陈述仅提供与本发明有关的背景技术,并不必然构成现有技术。
技术实现思路
1、本发明的目的是提供一种心理健康循证干预决策方法,通过构建心理垂类专属的层级化循证知识图谱,基于向量和图谱双路协同召回机制提高知识获取的精准度与适配性,通过针对个案画像的因果链推演获得循证依据可追溯的干预决策,并实现全流程幻觉管控,获得可靠性高、有效性强的心理辅助决策结果。
2、为了实现以上目的,本发明提供一种心理健康循证干预决策方法,包含:
3、构建层级化循证知识图谱;所述层级化循证知识图谱包含规范层、因果层和适配层;所述规范层包含表征心理疾病定义与症状实体的标准化知识节点;所述因果层包含表征病理成因、症状实体、干预靶点与干预技术之间单向逻辑关系的有向边;所述适配层包含表征适用人群、干预阶段、禁忌证之中至少一项的约束条件;
4、获取来访者的对话信息和个案画像;对所述对话信息进行语义向量召回,基于所述层级化循证知识图谱对所述个案画像中的结构化信息进行图谱因果召回;根据当前对话信息中心理学实体词的密集度动态分配权重,对语义向量召回的结果和图谱因果召回的结果进行加权融合,得到增强上下文集合;
5、基于所述层级化循证知识图谱,对所述个案画像进行因果链推演;其中,根据所述规范层定位来访者当前主诉问题所在的症状实体节点;在所述因果层基于有向边搜索所有潜在的病理成因、干预靶点及干预技术,形成多条候选路径;通过所述适配层对候选路径进行过滤,剔除不符合所述约束条件的候选路径,得到循证干预路径;从所述规范层及所述因果层中,获取所述循证干预路径对应的来源出处信息,作为循证依据;
6、基于指令信息、所述增强上下文集合、所述循证干预路径及其循证依据生成提示文本;所述指令信息用于构建约束边界,要求以所述增强上下文集合、循证干预路径及其循证依据为依据来生成回复的内容;
7、根据所述提示文本在知识库中检索,获得知识内容;根据检索到的知识内容和所述提示文本,调用心理垂类大模型生成回复;在生成回复的过程中,实时计算已生成内容与所述循证依据的匹配度,若所述匹配度低于预设的匹配阈值则阻断回复生成,调整检索时使用的相似度阈值后重新检索,根据重新检索到的知识内容和所述提示文本调用心理垂类大模型重新生成回复。
8、可选地,构建层级化循证知识图谱时,包含:
9、获取诊疗指南、学术文献、干预手册之中至少一项的文本,对所述文本进行数据清洗和分词处理;
10、对处理后的文本使用基于深度学习的联合实体关系抽取模型进行识别处理,提取出心理学实体词和所述心理学实体词之间的关系,输出为结构化三元组数据;其中,所述基于深度学习的联合实体关系抽取模型包含casrel模型或基于bert的序列标注模型;
11、根据所述心理学实体词或其关系所表征的内容,将所述结构化三元组数据或从中提取的内容划分至所述规范层或所述因果层;
12、通过大语言模型对处理后的文本中的约束条件进行识别,识别出的约束条件被划分至所述适配层,并以属性形式挂载在所述因果层的节点或边上形成规则。
13、可选地,构建层级化循证知识图谱时,基于脱敏后的临床结案报告数据,对所述因果层中有向边的权重进行优化更新;其中,设定边权重,用以代表对应干预技术的有效性置信度,采用如下公式更新:
14、
w
new=
αw
old+
β·successrate
15、其中,
w
old为更新前的边权重,
successrate为该有向边对应的因果路径在真实临床中促使来访者量表分数下降的成功率,
α和
β为预设的调节系数;优化后的边权重
w
new为0~1之间的浮点数。
16、可选地,对语义向量召回的结果和图谱因果召回的结果进行加权融合时,包含:获取向量召回条目及其相关性得分
score
vector,和图谱召回条目及其相关性得分
score
graph,构建若干候选组合;每个候选组合对应图谱召回条目与向量召回条目的不同配对组合;
17、计算融合得分
score
final:
18、
score
final=
ω1
·score
vector+
ω2
·score
graph
19、其中,根据当前对话信息中心理学实体词的密集度,对向量召回结果的权重
ω1和图谱召回结果的权重
ω2进行动态调整:当密集度高于预设的密集度阈值时,调高图谱召回结果的权重
ω2;当所述密集度低于预设的密集度阈值时,调高向量召回结果的权重
ω1;所述密集度用于表征心理学实体词在对话信息中的占比;
20、输出融合得分
score
final最高的候选组合,或融合得分
score
final高于预设的融合阈值的候选组合,作为增强上下文集合;
21、其中,所述增强上下文集合包含语义向量召回的心理学知识段落,和图谱因果召回的候选因果路径。
22、可选地,对所述个案画像中的结构化信息进行图谱因果召回时,将所述结构化信息转化为图数据库查询语句,在所述层级化循证知识图谱中执行查询,获取符合因果逻辑的子图路径作为候选因果路径,基于所述候选因果路径形成图谱因果召回的结果;
23、所述对话信息包含非结构化对话;对所述对话信息进行语义向量召回时,利用文本嵌入模型将所述非结构化对话转化为稠密向量,在向量数据库中通过余弦相似度检索,获得最相关的心理学知识段落作为语义向量召回的结果;
24、其中,所述结构化信息包含通过自然语言理解模型从对话信息中提取的键值对数据;所述非结构化对话对应于来访者原始的自然语言表述。
25、可选地,所述检索是在不同层级的知识库中进行rag检索;所述知识库包含层级依次降低的临床红线库、标准化指南库和一般常识库;
26、在检索过程中,若从高层级知识库中召回知识内容,则对从低层级知识库中召回的、与高层级知识库冲突的知识内容进行覆盖和屏蔽。
27、可选地,实时计算已生成内容与循证依据的匹配度,包含:
28、在所述心理垂类大模型流式生成内容的过程中,将已生成内容作为假设,循证依据作为前提,调用自然语言推理模型或交叉编码器计算已生成内容与循证依据之间的蕴含得分;
29、若所述蕴含得分低于预设的匹配阈值,判定已生成内容为幻觉内容,阻断生成流,向所述心理垂类大模型发送重试指令,并提升检索时使用的相似度阈值后重新检索。
30、可选地,所述指令信息还包含约束字段,用于禁止所述心理垂类大模型在生成的回复中给出药物处方建议或医学诊断;
31、通过风控分类器对所述心理垂类大模型生成的内容进行检测;
32、若判断生成的内容违背禁忌证,则放弃该内容,直接调用预设的安全结构化话术返回给来访者;
33、若判断生成的内容安全合规,则使返回给来访者的回复包含共情回应、基于循证的引导提问或干预技术运用。
34、可选地,对所述个案画像进行的因果链推演,包含以下至少一项:
35、使用图神经网络上的路径排序算法或启发式图搜索算法进行推演;
36、对于共病情况,根据推演结果锁定当前最急需解决的矛盾作为当前阶段的干预靶点,以约束回复内容的生成方向;
37、对每一次推演结果进行冲突检测,若因果链推演的结果违反医疗安全规则,则判定无效并重新推演;
38、每一次对话结束后、或每一次完成定期测评后,对推演结果动态更新;
39、所述推演结果包含按权重得分排序的结构化因果路径序列。
40、可选地,所述个案画像基于用户全生命周期动态档案构建和动态更新;
41、所述用户全生命周期动态档案记录有来访者的标签化数据、在不同阶段的历史对话、循证干预路径及其路径权重、量表得分反馈信息;
42、完成每一阶段的干预后,获取所述来访者的量表得分反馈信息;若量表得分下降,表示当前干预有效,则提高当前循证干预路径的路径权重;若量表得分显示当前干预没有明显效果,则降低当前循证干预路径的路径权重,并在下一阶段推演时切换至其他的因果路径。
43、可选地,从对话信息输入到回复内容输出的整个生命周期中,形成日志文件并留档;所述日志文件包含时间戳、来访者原始的自然语言表述、语义向量召回的结果和图谱因果召回的结果各自对应的知识节点的标识、加权融合时动态分配的向量召回结果的权重和图谱召回结果的权重、生成内容与循证依据的匹配度得分、最终输出给来访者的回复内容。
44、可选地,所述方法还执行风险等级识别,当识别到所述个案画像中的年龄小于年龄阈值,且从所述对话信息识别出的心理学实体词包含高危意图关键词时,确定存在高危风险并进行危机干预;
45、危机干预时,阻断回复时的常规提问对话逻辑,转而输出包含情绪稳定化话术的干预指令;在来访者的交互界面显示危机转介引导信息;联动家校协同决策系统,向预先绑定的家长端或学校端发送加密的风险预警通知。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com