Knowledge-augmented Agentic AI for Mental Health Medication Information Seeking

背景

随着互联网医疗信息的普及，精神健康领域的患者越来越多地转向在线平台寻求关于药物的信息。然而，这一领域存在一个显著的知识断层：权威但抽象的监管不良反应记录（如 FDA 报告）与贴近患者体验但未经证实的个人叙述（如社交媒体帖子）之间缺乏有效的整合。

在精神病学领域，这种整合尤为关键且充满挑战。如果缺乏适当的语境，将证据与轶事混淆，可能会导致患者对药物副作用产生不必要的恐惧、引发反安慰剂效应（nocebo responses），甚至导致用药依从性降低。现有的信息检索系统往往难以区分“科学证据”与“个人经验”，导致患者获取的信息要么过于冷冰冰且缺乏共鸣，要么过于主观且缺乏安全性验证。

核心内容

本研究提出了一种基于知识图谱的、具备溯源能力（provenance-aware）的多智能体框架（Multi-agent Framework），旨在解决上述问题。该框架通过整合大规模的多源数据，实现了监管数据与患者生成数据（PGD）的统一，同时保持两者的界限清晰。

1. 数据整合与规模

研究团队构建了一个庞大的数据集，涵盖了以下三个主要来源：

• Reddit 帖子：466,525 条，反映患者的日常讨论与体验。
• WebMD 评论：60,782 条，提供更为结构化的患者反馈。
• 美国 FDA 不良事件报告系统（FAERS）：涵盖过去二十年的记录，作为权威的监管基准。

这些数据主要围绕九种常见的抗抑郁药物展开。

2. 实体识别与基准测试

为了实现数据的结构化，研究开发了一条基于大语言模型（LLM）的实体识别流水线。该流水线专门用于从非结构化文本中提取药物名称和疾病/症状实体。

• 评估标准：以医生的人工标注作为金标准（Ground Truth）。
• 性能表现：在药物实体识别上达到了 0.969 的 F1 分数，在疾病/症状实体识别上达到了 0.973 的 F1 分数。这表明该 AI 模型在理解医疗文本方面具有极高的准确性。

3. 数据一致性分析：监管与患者的差异

研究深入分析了不同数据源之间的一致性，发现了一个重要现象：

• 社区平台间的高度一致：Reddit 和 WebMD 之间的数据重合度很高，Jaccard 相似系数最高可达 0.905。
• 与监管报告的低一致性：社区数据与 FDA 监管报告之间的重合度远低于社区内部的重合度。

这一结果揭示了一个关键洞察：患者生成的数据构成了一个部分独立的“安全信号”来源。许多患者在社区中报告的症状，并未出现在官方的监管记录中，或者出现的时间点截然不同。

4. 时间滞后效应：以舍曲林（Sertraline）为例

研究特别关注了时间维度上的差异。以抗抑郁药舍曲林（Sertraline）为例，研究发现许多不良反应在社区来源中被提及的时间，比在 FDA 官方记录中正式收录的时间早了数百天。这意味着社区数据可以作为早期预警信号，捕捉到监管系统尚未正式确认的潜在副作用。

5. 技术架构：Neo4j 知识图谱

为了在整合数据的同时不混淆证据与轶事，研究构建了一个基于 Neo4j 的知识图谱。该图谱具有以下核心特征：

• 本体论基础：基于 ATC-N（解剖学治疗化学分类系统）、ICD-10（国际疾病分类第十版）和 MedDRA（国际医学用语词典）等标准词汇表。
• 溯源保留（Provenance Preservation）：图谱中的每一个主张（Claim）都保留了其来源信息。
• 界限清晰：监管事实与患者体验在图谱中被明确区分，确保每一条信息都是可追溯的。

关键要点

• 多源融合框架：提出了一种结合 LLM 实体识别与知识图谱的多智能体架构，成功整合了数百万条社区帖子和数万条监管报告。
• 高精度实体识别：LLM 驱动的实体识别流水线在药物（F1=0.969）和疾病（F1=0.973）识别上达到了接近人类专家的水平。
• 独立的安全信号：患者生成数据（Reddit/WebMD）与官方监管数据（FDA）存在显著差异，表明患者社区提供了官方记录之外的独立安全视角。
• 早期预警潜力：对于舍曲林等药物，社区中报告的不良反应往往比 FDA 官方记录早数百天出现，显示出社区数据在早期信号检测上的价值。
• 可审计性与透明度：通过 Neo4j 知识图谱和标准医学术语体系，实现了信息的完全溯源，确保监管事实与患者经验互不混淆，提高了信息的可审计性。

意义与影响

这项研究为精神健康领域的药物信息检索提供了一个新的范式。其核心贡献在于证明了**“源感知整合”（Source-aware integration）**的可行性与价值。

1. 提升信息安全性与可信度：通过明确区分权威证据与个人经验，该框架可以帮助患者更理性地看待副作用信息，减少因误解或信息过载导致的恐惧和用药中断。
2. 增强监管系统的灵敏度：社区数据作为早期预警信号，可能帮助监管机构更快地识别潜在的药物安全问题，从而缩短从“患者发现”到“官方确认”的时间差。
3. 可审计的 AI 应用：在医疗 AI 领域，黑盒模型往往难以获得信任。本研究通过知识图谱技术实现了每一步推理和数据来源的透明化，为构建可信赖的医疗 AI 系统提供了技术参考。
4. 未来展望：虽然研究确立了技术路线，但其实际效用和对患者的具体益处仍需通过前瞻性临床试验（prospective testing）来进一步验证。这为后续将此类系统部署到实际临床或患者支持平台中奠定了基础。