Healie：基于知识图谱与LLM的个性化医疗健康内容生成系统

Healie（Health Information Enhancement）是由Christine Kakalou博士主导开发的创新医疗信息系统，融合知识图谱、认知因素、社会健康决定因素（SDOH）和大语言模型（LLM），核心目标是通过技术手段提升患者健康素养，弥合医疗信息鸿沟，转向以患者为中心的医疗AI发展方向。

当今医疗环境中，患者面临信息过载和理解障碍的双重挑战：医疗文献、诊断报告、治疗方案充斥专业术语，普通患者难以准确把握含义。Healie试图通过智能化内容生成技术解决这一问题。

知识图谱驱动

系统以医疗知识图谱为核心数据层，结构化表示疾病、症状、治疗、药物等概念及关系，具备可解释性、可更新性、多源融合优势。

LLM集成

知识图谱提供结构化事实基础，LLM负责转化为通俗易懂的自然语言解释，平衡内容准确性与表达灵活性。

认知因素建模

纳入用户健康素养水平、信息处理偏好、认知负荷承受能力、先验知识背景等，生成适配用户理解能力的内容。

Healie关注SDOH对健康的影响，包括社会经济地位、教育背景、居住环境、社会支持网络、医疗资源可及性等。系统将这些因素纳入个性化内容生成：如经济有限患者优先推荐成本效益高的方案，偏远地区患者推荐可及性强的医疗资源。

• 患者教育：帮助理解诊断结果、治疗方案和药物说明，降低焦虑，提高治疗依从性。
• 健康素养提升：针对不同水平用户动态调整内容复杂度，逐步提升健康知识储备。
• 慢病管理：提供持续健康指导（生活方式建议、症状监测提醒等）。
• 医疗决策支持：辅助理解治疗选择利弊，支持明智决策。

• 准确性与可读性平衡：分层内容生成策略，先确保医学事实准确，再通过LLM多轮语言优化。
• 个性化与泛化协调：采用用户画像建模，平衡群体共性与个体特性。
• 隐私保护与数据利用：本地化部署+差分隐私技术，保护隐私前提下实现个性化服务。

Healie代表医疗健康AI从以医生为中心转向以患者为中心的重要方向，符合现代医疗理念。其知识图谱与LLM融合架构为其他垂直领域AI应用提供参考模式。

Healie有望进一步扩展能力：

• 视觉内容生成（医学图像解释标注）
• 语音交互（降低使用门槛）
• 实时健康监测（整合可穿戴设备数据）
• 多语言支持（服务全球患者） 展现AI在医疗领域的潜力及负责任开发的探索价值。