面向流行病学调查的知识图谱构建与应用

doi:10.11772/j.issn.1001-9081.2024040479

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (4): 1340-1348.DOI: 10.11772/j.issn.1001-9081.2024040479

面向流行病学调查的知识图谱构建与应用

徐梓芯¹^,²^,³, 易修文²^,³(), 鲍捷²^,³, 李天瑞¹, 张钧波¹^,²^,³, 郑宇¹^,²^,³

^1.西南交通大学计算机与人工智能学院，成都 611756
^2.京东智能城市大数据研究院，北京 100176
^3.京东城市（北京）数字科技有限公司，北京 100176

收稿日期:2024-04-22 修回日期:2024-09-12 接受日期:2024-09-14 发布日期:2025-04-08 出版日期:2025-04-10
通讯作者: 易修文
作者简介:徐梓芯（1998—），女，四川成都人，硕士研究生，主要研究方向：城市计算
鲍捷（1985—），男，浙江金华人，研究员，博士，主要研究方向：时空大数据管理与挖掘
李天瑞（1969—），男，福建莆田人，教授，博士，主要研究方向：大数据智能、城市计算、粒计算、粗糙集
张钧波（1986—），男，浙江宁波人，研究员，博士，主要研究方向：时空数据挖掘
郑宇（1979—），男，湖南衡阳人，教授，博士，主要研究方向：城市计算、智能城市大数据分析、时空数据挖掘。
基金资助:
国家重点研发计划项目(2023YFC2308703)

Construction and application of knowledge graph for epidemiological investigation

Zixin XU¹^,²^,³, Xiuwen YI²^,³(), Jie BAO²^,³, Tianrui LI¹, Junbo ZHANG¹^,²^,³, Yu ZHENG¹^,²^,³

^1.School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China
^2.JD Intelligent Cities Research，Beijing 100176，China
^3.JD iCity （Beijing） Technology Company Limited，Beijing 100176，China

Received:2024-04-22 Revised:2024-09-12 Accepted:2024-09-14 Online:2025-04-08 Published:2025-04-10
Contact: Xiuwen YI
About author:XU Zixin， born in 1998， M. S. candidate. Her research interests include urban computing.
BAO Jie， born in 1985， Ph. D.， research fellow. His research interests include spatio-temporal data management and mining.
LI Tianrui， born in 1969， Ph. D.， professor. His research interests include big data intelligence， urban computing， granular computing， rough sets.
ZHANG Junbo， born in 1986， Ph. D.， research fellow. His research interests include spatio-temporal data mining.
ZHENG Yu， born in 1979， Ph. D.， professor. His research interests include urban computing， big data analytics of intelligent cities， spatio-temporal data mining.
Supported by:
National Key Research and Development Program of China(2023YFC2308703)

摘要/Abstract

摘要：

重大突发性传染病以它的强传染性、快变异性和高风险性，对人类生命安全与经济发展构成重大威胁。流行病学调查是遏制传染病扩散的关键步骤和落实全链路精准防控的前提。针对现有流调系统存在的人工效率低下、数据质量差、专业知识不足等问题，在现有数字化的基础上结合知识图谱，提出一套辅助流行病学调查的技术应用方案。首先，基于人、地、事、物、组织五大类实体及其关系和属性构建知识图谱；其次，根据病例查风险点位查密接的思路，以病例为起点，以点位为重心，辅助判定风险人群和风险点位；最后，通过对流调数据的可视化分析，实现流调信息落位、传播扩散溯源和疫情态势感知等多个应用，从而辅助重大突发性传染病防控工作的顺利开展。在相同的误差范围内，基于图谱增强的轨迹落位方法的准确率显著高于传统基于人工问询的方法，千米内的判定准确率达到85.15%；基于图谱增强的风险点位和人群的判定方法使得效率显著提升，生成报告的平均耗时降至1 h内。实验结果表明，所提方案有效融合了知识图谱的技术优势，不仅提高了精准疫情防控策略制定的科学性与时效性，更为流行病传染预防领域的实践探索提供了重要的参考价值。

关键词: 传染病, 流行病学调查, 知识图谱, 风险防控, 辅助决策

Abstract:

Major sudden infectious diseases are often characterized by high infectivity， rapid mutation and significant risk， which pose substantial threats to human life security and economic development. Epidemiological investigation is a crucial step in curbing the spread of infectious diseases and are prerequisites for implementing precise full-chain infection prevention and control measures. Existing epidemiological investigation systems have many shortcomings， such as manual inefficiencies， poor data quality， and lack of specialized knowledge. To address these defects， a set of technological application schemes were proposed to assist in epidemiological investigation based on the existing digitization combined with knowledge graph. Firstly， a knowledge graph was constructed on the basis of the five categories of entities： people， locations， events， items， and organizations， as well as their relationships and attributes. Secondly， following the idea of identifying risk points and tracing to close contacts based on cases， cases were used as the starting point with points as the focuses to aid in determining at-risk populations and points risk. Finally， through the visual analysis of epidemiological investigation data， several applications were implemented， including information placement in epidemiological investigation， tracing of the spread and propagation， and the awareness of epidemic situations， so as to assist in the successful implementation of major sudden infectious disease prevention and control work. Within the same error range， the accuracy of the graph enhancement-based trajectory placement method is significantly higher than that of the traditional manual inquiry-based method， with the determination accuracy within one kilometer reached 85.15%； the graph enhancement-based method for determining risk points and populations improves the efficiency significantly， reducing the average time to generate reports to within 1 h. Experimental results demonstrate that the proposed scheme integrates the technical advantages of knowledge graph effectively， improves the scientific nature and effectiveness of precise epidemic prevention and control strategy formulation， and provides important reference value for practical exploration in the field of infectious disease prevention.

Key words: infectious disease, epidemiological investigation, knowledge graph, risk prevention and control, assistant decision-making

中图分类号:

TP399

徐梓芯, 易修文, 鲍捷, 李天瑞, 张钧波, 郑宇. 面向流行病学调查的知识图谱构建与应用[J]. 计算机应用, 2025, 45(4): 1340-1348.

Zixin XU, Xiuwen YI, Jie BAO, Tianrui LI, Junbo ZHANG, Yu ZHENG. Construction and application of knowledge graph for epidemiological investigation[J]. Journal of Computer Applications, 2025, 45(4): 1340-1348.

图/表 22

图 1 流调的核心流程

Fig. 1 Core process of epidemiological investigation

图2 本文方法整体框架

Fig. 2 Overall framework of proposed method

图3 人与人之间的关系

Fig. 3 Relationship between person and person

图4 人与地之间的关系

Fig. 4 Relationships between people and locations

图5 物和人之间的关系

Fig. 5 Relationships between item and person

图6 组织与人、地、物的关系

Fig. 6 Relationships among organization， people， locations， and items

图7 组织与人和地的关系示例

Fig. 7 Example of relationships among organizations， people， and locations

图8 驻留事件与人、地的关系

Fig. 8 Relationships among stationary events， people， and locations

图9 移动事件和人、物的关系

Fig. 9 Relationships among moving events， people， and items

图10 事件间的关系

Fig. 10 Relationships between events

图11 风险人群推断

Fig. 11 At-risk people inference

图12 同一事件推断示例

Fig. 12 Example of same event inference

图13 时空关联事件推断示例

Fig. 13 Example of spatio-temporal correlated event inference

图14 风险点位合并

Fig. 14 Merging of risk points

图15 病例行程信息

Fig. 15 Case travel information

表1 轨迹落位的实验结果

Tab. 1 Experimental results of trajectory placement

轨迹落位方法	误差范围/m	准确率/%
基于人工问询	100	15.17
	200	26.88
	500	45.65
	1 000	54.43
知识图谱增强	100	68.70
	200	74.05
	500	82.84
	1 000	85.15

图16 风险人群判定

Fig. 16 Determination of at-risk populations

图17 疾病传播路径

Fig. 17 Paths of disease transmission

图18 疾病传播链的扩散

Fig. 18 Spread of disease transmission chains

表2 风险判定的实验结果 (%)

Tab. 2 Experiment results of risk determination

判定对象	准确率	召回率
风险人群	88.31	85.82
风险点位	92.67	96.41

图19 疫情态势统计

Fig. 19 Epidemic situation statistics

图20 病例特征分布统计

Fig. 20 Distribution statistics of case characteristics

参考文献 26

1	郑宇. 城市知识体系［J］. 武汉大学学报（信息科学版）， 2023， 48（1）：1-16.
	ZHENG Y. The knowledge system for intelligent cities［J］. Geomatics and Information Science of Wuhan University， 2023， 48（1）：1-16.
2	KERMACK W O， McKENDRICK A G. A contribution to the mathematical theory of epidemics［J］. Proceedings of the Royal Society of London. Series A， Containing Papers of a Mathematical and Physical Character， 1927， 115（772）：700-721.
3	KERMACK W O， McKENDRICK A G. Contributions to the mathematical theory of epidemics. Ⅲ. — further studies of the problem of endemicity［J］. Proceedings of the Royal Society of London. Series A， Containing Papers of a Mathematical and Physical Character， 1933， 141（843）：94-122.
4	GAYAWAN E， AWE O O， OSENI B M， et al. The spatio-temporal epidemic dynamics of COVID-19 outbreak in Africa［J］. Epidemiology and Infection， 2020， 148： No.e212.
5	ATIQUE S， CHAN T C， CHEN C C， et al. Investigating spatio-temporal distribution and diffusion patterns of the dengue outbreak in Swat， Pakistan［J］. Journal of Infection and Public Health， 2018， 11（4）：550-557.
6	柴光军，索继江，刘运喜，等. 新型冠状病毒肺炎暴发疫情流行病学调查经验初探［J］. 中华医院感染学杂志， 2020， 30（8）：1147-1151.
	CHAI G J， SUO J J， LIU Y X， et al. Preliminary study on experience in epidemiological survey of COVID-19 epidemic［J］. Chinese Journal of Nosocomiology， 2020， 30（8）：1147-1151.
7	耿辉，徐安定，王晓艳，等. 基于SEIR模型分析相关干预措施在新型冠状病毒肺炎疫情中的作用［J］. 暨南大学学报（自然科学与医学版）， 2020， 41（2）：175-180.
	GENG H， XU A D， WANG X Y， et al. Analysis of the role of current prevention and control measures in the epidemic of Corona Virus Disease 2019 based on SEIR model［J］. Journal of Jinan University （Natural Science and Medicine Edition）， 2020， 41（2）：175-180.
8	WANG X. Establishment of an internet-based epidemiological survey data collection customized system model［J］. Frontiers in Public Health， 2021， 9： No.761031.
9	周莉莉，余洋. 基于大数据平台的院内传染病流调系统设计与实现［J］. 中国数字医学， 2023， 18（4）：68-72.
	ZHOU L L， YU Y. Design and implementation of epidemiological investigation system for nosocomial infectious diseases based on big data platform［J］. China Digital Medicine， 2023， 18（4）：68-72.
10	阮思捷，熊可钦，王树良，等. 众包时空数据驱动的城市地理信息推测综述［J］. 电子学报， 2023， 51（8）：2238-2259.
	RUAN S J， XIONG K Q， WANG S L， et al. A survey of urban geographic information inference driven by crowd-sourced spatio-temporal data［J］. Acta Electronica Sinica， 2023， 51（8）：2238-2259.
11	赵坚，徐小卫，杨亚洲，等. 基于大数据与5G技术的传染病智能监测预警处置系统设计与应用［J］. 医学信息学杂志， 2023， 44（5）：14-19.
	ZHAO J， XU X W， YANG Y Z， et al. Design and application of an intelligent infectious disease monitoring， early warning， and disposal system based on big data and 5G technology［J］. Journal of Medical Informatics， 2023， 44（5）：14-19.
12	田玲，张谨川，张晋豪，等. 知识图谱综述——表示、构建、推理与知识超图理论［J］. 计算机应用， 2021， 41（8）：2161-2186.
	TIAN L， ZHANG J C， ZHANG J H， et al. Knowledge graph survey： representation， construction， reasoning and knowledge hypergraph theory［J］. Journal of Computer Applications， 2021， 41（8）： 2161-2186.
13	王春雷，王肖，刘凯. 多模态知识图谱表示学习综述［J］. 计算机应用， 2024， 44（1）：1-15.
	WANG C L， WANG X， LIU K. Multimodal knowledge graph representation learning： a review［J］. Journal of Computer Applications， 2024， 44（1）： 1-15.
14	ZOU X. A survey on application of knowledge graph［J］. Journal of Physics： Conference Series， 2020， 1487： No.012016.
15	FORSTER P， FORSTER L， RENFREW C， et al. Phylogenetic network analysis of SARS-CoV-2 genomes［J］. Proceedings of the National Academy of Sciences of the United States of America， 2020， 117（17）：9241-9243.
16	WANG L， XIE H， HAN W， et al. Construction of a knowledge graph for diabetes complications from expert-reviewed clinical evidences［J］. Computer Assisted Surgery， 2020， 25（1）：29-35.
17	YE Q， XU R， LI D， et al. Integrating multi-modal deep learning on knowledge graph for the discovery of synergistic drug combinations against infectious diseases［J］. Cell Reports Physical Science， 2023， 4（8）： No.101520.
18	蒋秉川，游雄，李科，等. 利用地理知识图谱的COVID-19疫情态势交互式可视分析［J］. 武汉大学学报（信息科学版）， 2020， 45（6）：836-845.
	JIANG B C， YOU X， LI K， et al. Interactive visual analysis of COVID-19 epidemic situation using geographic knowledge graph［J］. Geomatics and Information Science of Wuhan University， 2020， 45（6）：836-845.
19	李佳，刘海砚，刘俊楠，等. 基于知识图谱的新冠肺炎病例传播关系可视分析［J］. 信息工程大学学报， 2021， 22（5）：606-612.
	LI J， LIU H Y， LIU J N， et al. Visual analysis of transmission of COVID-19 cases based on knowledge graph［J］. Journal of Information Engineering University， 2021， 22（5）：606-612.
20	卢东岳，王兴芬，李莉. 基于流调数据的患者关系知识图谱构建［J］. 微电子学与计算机， 2023， 40（3）：46-55.
	LU D Y， WANG X F， LI L. Knowledge graph construction of patient relationship based on epidemiological investigation data［J］. Microelectronics and Computer， 2023， 40（3）： 46-55.
21	WU Y， ZHANG K. Tools for the analysis of high-dimensional single-cell RNA sequencing data［J］. Nature Reviews Nephrology， 2020， 16（7）：408-421.
22	CHRISTAKIS N A， FOWLER J H. Social network visualization in epidemiology［J］. Norwegian Journal of Epidemiology， 2009， 19（1）： 5-16.
23	GUO D， GAHEGAN M， MacEACHREN A M， et al. Multivariate analysis and geovisualization with an integrated geographic knowledge discovery approach［J］. Cartography and Geographic Information Science， 2005， 32（2）：113-132.
24	HARLE C A， NEILL D B， PADMAN R. Information visualization for chronic disease risk assessment［J］. IEEE Intelligent Systems， 2012， 27（6）：81-85.
25	CARROLL L N， AU A P， DETWILER L D， et al. Visualization and analytics tools for infectious disease epidemiology： a systematic review［J］. Journal of Biomedical Informatics， 2014， 51：287-298.
26	LLOYD-SMITH J O， SCHREIBER S J， KOPP P E， et al. Superspreading and the effect of individual variation on disease emergence［J］. Nature， 2005， 438（7066）：355-359.

[1]	徐春, 吉双焱, 马欢, 孙恩威, 王萌萌, 苏明钰. 基于知识图谱和对话结构的问诊推荐方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1157-1168.
[2]	翟社平, 杨晴, 黄妍, 杨锐. 融合有向关系与关系路径的层次注意力的知识图谱补全[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1148-1156.
[3]	王利琴, 耿智雷, 李英双, 董永峰, 边萌. 基于路径和增强三元组文本的开放世界知识推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1177-1183.
[4]	袁成哲, 陈国华, 李丁丁, 朱源, 林荣华, 钟昊, 汤庸. ScholatGPT：面向学术社交网络的大语言模型及智能应用[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 755-764.
[5]	张学飞, 张丽萍, 闫盛, 侯敏, 赵宇博. 知识图谱与大语言模型协同的个性化学习推荐[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 773-784.
[6]	杨燕, 叶枫, 许栋, 张雪洁, 徐津. 融合大语言模型和提示学习的数字孪生水利知识图谱构建[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 785-793.
[7]	王猛, 张大千, 周冰艳, 马倩影, 吕继东. 基于时序知识图谱补全的CTCS-3级列控车载接口设备故障诊断方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 677-684.
[8]	程子栋, 李鹏, 朱枫. 物联网威胁情报知识图谱中潜在关系的挖掘[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 24-31.
[9]	李瑞, 李贯峰, 胡德洲, 高文馨. 融合路径与子图特征的知识图谱多跳推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 32-39.
[10]	吕学强, 王涛, 游新冬, 徐戈. 层次融合多元知识的命名实体识别框架——HTLR[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 40-47.
[11]	武杰, 张安思, 吴茂东, 张仪宗, 王从宝. 知识图谱在装备故障诊断领域的研究与应用综述[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2651-2659.
[12]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[13]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[14]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.
[15]	于右任, 张仰森, 蒋玉茹, 黄改娟. 融合多粒度语言知识与层级信息的中文命名实体识别模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1706-1712.

面向流行病学调查的知识图谱构建与应用

Construction and application of knowledge graph for epidemiological investigation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 26

相关文章 15

编辑推荐

Metrics