引用本文： 張欣, 崔雯瑾, 姚嘉瑞, 張亞亞, 王艷紅. 知識圖譜在罕見病領域中應用的范圍綜述. 中國循證醫學雜志, 2023, 23(12): 1428-1433. doi: 10.7507/1672-2531.202306148 復制
版權信息： ?四川大學華西醫院華西期刊社《中國循證醫學雜志》版權所有，未經授權不得轉載、改編
罕見病又稱孤兒病，是指發病率極低的疾病，世界衛生組織將其定義為患病人數占總人口比例0.65%～1.00%的疾病[1]，國內對罕見病的最新定義為發病率<1/10000[2]。研究發現全球罕見病的患病率為3.5%～5.9%，相當于2.63～4.46億人患有罕見病[3]。由于罕見病知曉率低、診療困難和藥物缺乏，給患者及其家庭帶來嚴重的身心及經濟負擔[4]。因此，提高公眾對罕見病的認知，加強對罕見病的診療與藥物研發是改善患者生活質量的重要途徑[5]。近年來知識圖譜以廣泛獲取信息資源和強大的計算能力等突出優勢，便于向公眾宣傳罕見病知識，幫助臨床醫生準確診斷，使患者及其家屬得到及時的診療，從而緩解癥狀提高生存期限。知識圖譜能夠從大量非結構化和半結構化數據中提取實體和屬性，以圖的形式表示和管理知識，是揭示客觀世界中的概念與實體及其之間復雜關系的知識庫[6]，已被作為數據基礎輔助疾病的預測和診斷。目前，現有知識圖譜大多在常見病及多發病的數據處理、輔助臨床診斷及改善治療計劃等方面發揮著重要作用，但在病例稀少的罕見病和復雜病領域中的應用仍不成熟[7]。范圍綜述是一種基于循證理念整合研究證據的有效方法，能夠幫助研究者理解某一領域的研究進展及知識范疇以明確后續的研究方向[8]。本研究借助范圍綜述的方法，了解知識圖譜在罕見病領域中應用的內容及結果，進一步探討其在罕見病領域應用的局限及改進方向，以期為未來的研究提供參考。
1 資料與方法
以澳大利亞喬安娜布里格斯研究所（Joanna Briggs Institute，JBI）方法學為框架[9]指導本范圍綜述，旨在審查知識圖譜在罕見病領域應用的主要內容、常見技術及應用結果，提出目前知識圖譜在罕見病領域應用的局限及問題，明確改進方向，以促進罕見病的診療與管理。
1.1 納入與排除標準
納入標準：① 研究主題：涉及知識圖譜技術在罕見病領域中應用的研究（包含基于知識圖譜對罕見病的識別、預測、診斷與管理）。② 概念：技術層面：利用知識圖譜構建技術包括知識表示、知識提取、知識推理、知識融合和知識存儲等，整合罕見病信息資源，為罕見病知識平臺提供標準化罕見病術語和完整數據集；應用層面：將罕見病知識圖譜與深度學習、機器學習等復雜算法相結合，以實現具備決策支持、語義檢索、輔助診療及風險預測等用途的醫療系統及軟件的開發與應用。
排除標準：① 非中、英文文獻；② 文獻類型為綜述、會議摘要；③ 重復發表、質量低的文獻；④ 無法獲取全文的文獻。
1.2 文獻檢索策略
計算機檢索PubMed、Web of Science、Embase、MEDLINE、CNKI、WanFang Data、VIP、CBM數據，以主題詞與自由詞相結合的方法進行檢索，檢索范圍為標題、摘要及關鍵詞等常用字段，檢索時限均為建庫至2023年6月1日。中文檢索詞包括：罕見病、孤兒病、罕見疾病、少見病等相關詞，英文檢索策略以PubMed為例，具體檢索策略詳見附件框1。
1.3 文獻篩選與資料提取
由2名經過培訓的研究者完成文獻篩選，首先將文獻導入EndNote X9去重即通過閱讀文獻標題及摘要排除不符合標準的文獻，完成初篩；其次查閱并下載符合標準的文獻進行全文篩查，對意見不一致的文獻交由第三位研究者評價后討論決定，最終確定納入文獻。文獻提取的信息包括：作者、年份、國家地區、應用領域、知識圖譜實例、罕見病種類、數據來源、目標人群、知識圖譜技術、知識圖譜內容、應用結果。采用定性分析方法進行匯總分析。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻5 693篇，經逐層篩選后，最終納入25篇研究[10-34]，涉及7個國家的20項研究，文獻篩選結果及流程見附件圖1。
2.2 納入研究的基本特征
納入研究發表于2012―2023年，研究地點分別為美國（n=10）、中國（n=6）、西班牙（n=4）、葡萄牙（n=2）、法國（n=1）、德國（n=1）、韓國（n=1），美國是發表文獻最多的國家。其中5篇文獻[19,21,23,30-31]報告了美國的同一項研究。知識圖譜在罕見病領域中最常見的應用是知識管理，主要的目標人群是臨床醫生、研究人員及患者，數據來源多為成熟的罕見病表型本體、結構化或半結構化的文本、電子健康記錄及網站數據等，其中最主要的來源是表型本體，包括罕見病本體（orphanet）、人類表型本體（human phenotype ontology，HPO）、人類在線孟德爾遺傳（online Mendelian inheritance in man，OMIM）和遺傳罕見病（genetic and rare diseases，GARD）等。納入研究的基本特征見表1。
表1
納入研究的基本特征
2.3 知識圖譜在罕見病領域的應用及積極結果
知識圖譜在罕見病領域的應用涉及4個方面。① 知識管理（n=10）：包含知識庫管理（n=7）[10-11,14-15,18-19,26]和科研管理（n=3）[23,30,33]。7項研究利用知識圖譜技術整合、鏈接多個分散且成熟的本體數據集實現知識建模，基于此為罕見病信息的查詢和訪問提供平臺以幫助用戶在短時間內獲取罕見病的相關信息。3項研究基于可視化圖譜評估罕見病研究資助情況及研究現狀為科研資金的分配與罕見病循證研究提供參考。其知識管理的效果優于傳統機器學習，主要表現在縮短獲取信息時間[9-10,13]、構建完整的知識平臺[9-10,13,17-18,30]、實現語義互操[10,13,18]、執行高級搜索和查詢[14,28]等方面。② 輔助診斷（n=7）：包含基于面部特征的診斷（n=2）[16,20]和基于癥狀的診斷（n=5）[12-13,24-26]。2項研究結合深度學習與面部識別技術，構建基于面部特征的知識圖譜篩查德朗熱綜合征、天使綜合征、努南綜合征等與先天性、神經發育障礙有關的罕見病。5項研究對患者的癥狀結構化，以匹配知識圖譜中的標準癥狀實體。分別利用罕見病編碼[12]、疾病排序系統[13]、基于表型特征、遺傳基因識別[24,26]和基于RNNs增強圖網絡模型[25]的方法協助醫生快速識別潛在罕見病。研究結果表明基于知識圖譜的診斷精準度優于臨床醫生，能夠輔助醫生精準篩選、過濾冗余信息[11-12]、有效減輕對罕見病編碼的負擔[11]、完成基于面部表型對疾病的分類[15,19]、實現精準的癥狀與表型匹配[23,25]等。③ 藥物重定位（n=6）[25,28-32]。6項研究基于已知藥物尋找藥物的新適應證和治療靶點，在發現可重用藥物并提供合理的生物醫學解釋、為罕見病提供新治療方案及新藥研發等方面顯示出積極效果。④ 決策支持（n=5）：包含智能導醫（n=1）[22]和疾病分類與預測（n=4）[17,21,27,34]。4項研究[17,21,27,34]分別基于文本分類算法[17]、疾病分類系統[21]、圖神經網絡[27]、訓練節點嵌入模型[34]的方法對罕見病進行聚類和預測。1項研究[22]針對患者設計罕見病就醫決策引擎，有效篩查為患者推薦最佳就醫路徑。
2.4 用于優化罕見病知識管理的常見知識圖譜技術
本研究總結了5種罕見病知識管理中常用的知識圖譜技術。① 知識表示，是將知識轉化為計算機可以理解的語言。17篇文獻[12,14,16-24,27,30-34]涉及知識表示技術，包括三元組形式、基于深度學習、機器學習的表示學習技術和語義Web表示等。② 知識提取，是指從異構數據源中人工或自動抽取信息獲取知識單元。13篇文獻[17-19,22-23,25-26,28-33]涉及知識提取技術，包括關系提取、實體提取和屬性提取。③ 知識推理，是基于知識庫中已有的實體關系數據建立新聯系從而豐富知識網絡。17篇文獻[11,13,18-21,24-34]涉及知識推理技術，包含對外部數據的鏈接、知識圖譜補全等，輔助臨床醫生搜集罕見病信息、疾病診斷、藥物再利用和疾病預測等。④ 知識融合，在同一框架規范下對異構數據整合、消歧、加工、推理驗證和更新，實現語義互操性。17篇文獻[10-17,19-21,23-24,26-27,30,34]利用知識融合技術整合多個異構數據源，將散在的信息進行數據集成、加工，為知識庫的構建提供數據基礎，幫助用戶快速準確的獲取信息資源。⑤ 知識存儲，是指對數據的保存，8篇文獻[10,12-13,23,25,28-30]涉及知識圖譜儲存的技術，包括基于關系模型和圖模型的兩種存儲方式。
3 討論
雖然知識圖譜在罕見病領域應用中顯示出了積極結果，但仍存在數據更新延遲[11]、數據稀疏[12]、缺乏大樣本臨床驗證[15]、數據質量和準確性較差[10,12]、平臺共享性差[25]及文本自動化抽取困難[20]等問題。當新的文本信息加入知識圖譜時，需要及時更新并重新計算疾病的集群信息，而數據更新延遲則導致程序不能及時匹配患者隨時間而改變的癥狀和臨床表現，導致誤診或漏診。其次，由于存在罕見病數據稀疏的問題，同時罕見病患者沒有特定的癥狀或體征供醫生參考診斷，導致可用于疾病診斷的數據太少。另外，多數研究缺乏大樣本的臨床驗證，數據的準確性和質量還需進一步評估，由于罕見病診療過程的復雜性和未知性需要基于大量數據集和專家驗證來確定最佳的治療方案，不能直接用于臨床診斷，而大部分研究所選取的罕見病種類多集中于肌強直性營養不良、肌肉萎縮癥、乳酸脫氫酶缺乏癥、天使綜合征和白化病等較為常見的一些罕見病，而對病例極少的罕見病種納入較少。此外，對基于面部特征輔助診斷罕見病的準確性還存有質疑，知識圖譜難以達到100%的精準識別，尤其對面部特征不明顯或沒有特殊面容的罕見病，其識別的準確性仍存有爭議[35]，需進一步探索。平臺訪問受限與共享性差也是一個重要的問題，大多研究的數據來源局限于某個國家或地區并受種族和語言的限制，主要為醫護及研究人員設計，從而平臺僅限于醫療相關機構的訪問和使用，成為了罕見病知識共享的一個主要障礙。最后，文本自動化抽取是知識圖譜在罕見病領域構建中面臨的重要挑戰，大部分研究信息和知識的提取仍以手工注釋為主，缺乏機器學習等技術與知識圖譜的融合。
知識圖譜在未來研究中還需在以下4個方面進一步改進：① 擴大數據來源，提升數據質量。通過借助語音、電子病歷、圖形及患者情緒等多模態的組合形式解決數據稀疏的問題，結合患者的病理學、影像學資料及表型等相關信息，提高對于新型疾病癥狀的識別和詞庫的更新，以適應患者癥狀的變化和新信息的補充。② 增加大樣本的臨床驗證，保證系統的安全性和可靠性。基于大量訓練集和驗證集，同時通過多種測試方法驗證輔助診斷工具的有效性和精確性。此外，還需在臨床驗證中納入多個國家和地區罕見病患者的數據，豐富納入試驗的病種并獲取專家的反饋意見，不斷提高診斷的精準度。③ 提升平臺的共享性，破除語言和區域的限制。未來需支持平臺多語言的查詢和訪問，納入多種語言的術語表達，提高語言的包容性。面向患者、家屬及普通群眾的需求，開發綜合性的罕見病知識平臺，提高平臺的普適性和推廣性。④ 促進文本自動化的抽取，加快深度學習、自然語言處理等技術與知識圖譜的融合及知識推理，實現術語的自動化提取與標注。
綜上所述，知識圖譜在罕見病領域應用的結果和有效性已得到初步驗證，如能夠有效整合分散的信息資源、為罕見病相關利益者提供信息平臺、縮短診療周期、輔助臨床決策、解決罕見病診療困難等問題。但知識圖譜技術還需在數據更新、數據來源、數據質量及數據自動化提取和精準度上進一步研究，保證系統的安全性以及操作的可行性，為更多罕見病患者基于知識圖譜構建一種多模態多功能的應用平臺，促進罕見病精準醫療。
罕見病又稱孤兒病，是指發病率極低的疾病，世界衛生組織將其定義為患病人數占總人口比例0.65%～1.00%的疾病[1]，國內對罕見病的最新定義為發病率<1/10000[2]。研究發現全球罕見病的患病率為3.5%～5.9%，相當于2.63～4.46億人患有罕見病[3]。由于罕見病知曉率低、診療困難和藥物缺乏，給患者及其家庭帶來嚴重的身心及經濟負擔[4]。因此，提高公眾對罕見病的認知，加強對罕見病的診療與藥物研發是改善患者生活質量的重要途徑[5]。近年來知識圖譜以廣泛獲取信息資源和強大的計算能力等突出優勢，便于向公眾宣傳罕見病知識，幫助臨床醫生準確診斷，使患者及其家屬得到及時的診療，從而緩解癥狀提高生存期限。知識圖譜能夠從大量非結構化和半結構化數據中提取實體和屬性，以圖的形式表示和管理知識，是揭示客觀世界中的概念與實體及其之間復雜關系的知識庫[6]，已被作為數據基礎輔助疾病的預測和診斷。目前，現有知識圖譜大多在常見病及多發病的數據處理、輔助臨床診斷及改善治療計劃等方面發揮著重要作用，但在病例稀少的罕見病和復雜病領域中的應用仍不成熟[7]。范圍綜述是一種基于循證理念整合研究證據的有效方法，能夠幫助研究者理解某一領域的研究進展及知識范疇以明確后續的研究方向[8]。本研究借助范圍綜述的方法，了解知識圖譜在罕見病領域中應用的內容及結果，進一步探討其在罕見病領域應用的局限及改進方向，以期為未來的研究提供參考。
1 資料與方法
以澳大利亞喬安娜布里格斯研究所（Joanna Briggs Institute，JBI）方法學為框架[9]指導本范圍綜述，旨在審查知識圖譜在罕見病領域應用的主要內容、常見技術及應用結果，提出目前知識圖譜在罕見病領域應用的局限及問題，明確改進方向，以促進罕見病的診療與管理。
1.1 納入與排除標準
納入標準：① 研究主題：涉及知識圖譜技術在罕見病領域中應用的研究（包含基于知識圖譜對罕見病的識別、預測、診斷與管理）。② 概念：技術層面：利用知識圖譜構建技術包括知識表示、知識提取、知識推理、知識融合和知識存儲等，整合罕見病信息資源，為罕見病知識平臺提供標準化罕見病術語和完整數據集；應用層面：將罕見病知識圖譜與深度學習、機器學習等復雜算法相結合，以實現具備決策支持、語義檢索、輔助診療及風險預測等用途的醫療系統及軟件的開發與應用。
排除標準：① 非中、英文文獻；② 文獻類型為綜述、會議摘要；③ 重復發表、質量低的文獻；④ 無法獲取全文的文獻。
1.2 文獻檢索策略
計算機檢索PubMed、Web of Science、Embase、MEDLINE、CNKI、WanFang Data、VIP、CBM數據，以主題詞與自由詞相結合的方法進行檢索，檢索范圍為標題、摘要及關鍵詞等常用字段，檢索時限均為建庫至2023年6月1日。中文檢索詞包括：罕見病、孤兒病、罕見疾病、少見病等相關詞，英文檢索策略以PubMed為例，具體檢索策略詳見附件框1。
1.3 文獻篩選與資料提取
由2名經過培訓的研究者完成文獻篩選，首先將文獻導入EndNote X9去重即通過閱讀文獻標題及摘要排除不符合標準的文獻，完成初篩；其次查閱并下載符合標準的文獻進行全文篩查，對意見不一致的文獻交由第三位研究者評價后討論決定，最終確定納入文獻。文獻提取的信息包括：作者、年份、國家地區、應用領域、知識圖譜實例、罕見病種類、數據來源、目標人群、知識圖譜技術、知識圖譜內容、應用結果。采用定性分析方法進行匯總分析。
2 結果
2.1 文獻篩選流程及結果
初檢共獲得相關文獻5 693篇，經逐層篩選后，最終納入25篇研究[10-34]，涉及7個國家的20項研究，文獻篩選結果及流程見附件圖1。
2.2 納入研究的基本特征
納入研究發表于2012―2023年，研究地點分別為美國（n=10）、中國（n=6）、西班牙（n=4）、葡萄牙（n=2）、法國（n=1）、德國（n=1）、韓國（n=1），美國是發表文獻最多的國家。其中5篇文獻[19,21,23,30-31]報告了美國的同一項研究。知識圖譜在罕見病領域中最常見的應用是知識管理，主要的目標人群是臨床醫生、研究人員及患者，數據來源多為成熟的罕見病表型本體、結構化或半結構化的文本、電子健康記錄及網站數據等，其中最主要的來源是表型本體，包括罕見病本體（orphanet）、人類表型本體（human phenotype ontology，HPO）、人類在線孟德爾遺傳（online Mendelian inheritance in man，OMIM）和遺傳罕見病（genetic and rare diseases，GARD）等。納入研究的基本特征見表1。
表1
納入研究的基本特征
2.3 知識圖譜在罕見病領域的應用及積極結果
知識圖譜在罕見病領域的應用涉及4個方面。① 知識管理（n=10）：包含知識庫管理（n=7）[10-11,14-15,18-19,26]和科研管理（n=3）[23,30,33]。7項研究利用知識圖譜技術整合、鏈接多個分散且成熟的本體數據集實現知識建模，基于此為罕見病信息的查詢和訪問提供平臺以幫助用戶在短時間內獲取罕見病的相關信息。3項研究基于可視化圖譜評估罕見病研究資助情況及研究現狀為科研資金的分配與罕見病循證研究提供參考。其知識管理的效果優于傳統機器學習，主要表現在縮短獲取信息時間[9-10,13]、構建完整的知識平臺[9-10,13,17-18,30]、實現語義互操[10,13,18]、執行高級搜索和查詢[14,28]等方面。② 輔助診斷（n=7）：包含基于面部特征的診斷（n=2）[16,20]和基于癥狀的診斷（n=5）[12-13,24-26]。2項研究結合深度學習與面部識別技術，構建基于面部特征的知識圖譜篩查德朗熱綜合征、天使綜合征、努南綜合征等與先天性、神經發育障礙有關的罕見病。5項研究對患者的癥狀結構化，以匹配知識圖譜中的標準癥狀實體。分別利用罕見病編碼[12]、疾病排序系統[13]、基于表型特征、遺傳基因識別[24,26]和基于RNNs增強圖網絡模型[25]的方法協助醫生快速識別潛在罕見病。研究結果表明基于知識圖譜的診斷精準度優于臨床醫生，能夠輔助醫生精準篩選、過濾冗余信息[11-12]、有效減輕對罕見病編碼的負擔[11]、完成基于面部表型對疾病的分類[15,19]、實現精準的癥狀與表型匹配[23,25]等。③ 藥物重定位（n=6）[25,28-32]。6項研究基于已知藥物尋找藥物的新適應證和治療靶點，在發現可重用藥物并提供合理的生物醫學解釋、為罕見病提供新治療方案及新藥研發等方面顯示出積極效果。④ 決策支持（n=5）：包含智能導醫（n=1）[22]和疾病分類與預測（n=4）[17,21,27,34]。4項研究[17,21,27,34]分別基于文本分類算法[17]、疾病分類系統[21]、圖神經網絡[27]、訓練節點嵌入模型[34]的方法對罕見病進行聚類和預測。1項研究[22]針對患者設計罕見病就醫決策引擎，有效篩查為患者推薦最佳就醫路徑。
2.4 用于優化罕見病知識管理的常見知識圖譜技術
本研究總結了5種罕見病知識管理中常用的知識圖譜技術。① 知識表示，是將知識轉化為計算機可以理解的語言。17篇文獻[12,14,16-24,27,30-34]涉及知識表示技術，包括三元組形式、基于深度學習、機器學習的表示學習技術和語義Web表示等。② 知識提取，是指從異構數據源中人工或自動抽取信息獲取知識單元。13篇文獻[17-19,22-23,25-26,28-33]涉及知識提取技術，包括關系提取、實體提取和屬性提取。③ 知識推理，是基于知識庫中已有的實體關系數據建立新聯系從而豐富知識網絡。17篇文獻[11,13,18-21,24-34]涉及知識推理技術，包含對外部數據的鏈接、知識圖譜補全等，輔助臨床醫生搜集罕見病信息、疾病診斷、藥物再利用和疾病預測等。④ 知識融合，在同一框架規范下對異構數據整合、消歧、加工、推理驗證和更新，實現語義互操性。17篇文獻[10-17,19-21,23-24,26-27,30,34]利用知識融合技術整合多個異構數據源，將散在的信息進行數據集成、加工，為知識庫的構建提供數據基礎，幫助用戶快速準確的獲取信息資源。⑤ 知識存儲，是指對數據的保存，8篇文獻[10,12-13,23,25,28-30]涉及知識圖譜儲存的技術，包括基于關系模型和圖模型的兩種存儲方式。
3 討論
雖然知識圖譜在罕見病領域應用中顯示出了積極結果，但仍存在數據更新延遲[11]、數據稀疏[12]、缺乏大樣本臨床驗證[15]、數據質量和準確性較差[10,12]、平臺共享性差[25]及文本自動化抽取困難[20]等問題。當新的文本信息加入知識圖譜時，需要及時更新并重新計算疾病的集群信息，而數據更新延遲則導致程序不能及時匹配患者隨時間而改變的癥狀和臨床表現，導致誤診或漏診。其次，由于存在罕見病數據稀疏的問題，同時罕見病患者沒有特定的癥狀或體征供醫生參考診斷，導致可用于疾病診斷的數據太少。另外，多數研究缺乏大樣本的臨床驗證，數據的準確性和質量還需進一步評估，由于罕見病診療過程的復雜性和未知性需要基于大量數據集和專家驗證來確定最佳的治療方案，不能直接用于臨床診斷，而大部分研究所選取的罕見病種類多集中于肌強直性營養不良、肌肉萎縮癥、乳酸脫氫酶缺乏癥、天使綜合征和白化病等較為常見的一些罕見病，而對病例極少的罕見病種納入較少。此外，對基于面部特征輔助診斷罕見病的準確性還存有質疑，知識圖譜難以達到100%的精準識別，尤其對面部特征不明顯或沒有特殊面容的罕見病，其識別的準確性仍存有爭議[35]，需進一步探索。平臺訪問受限與共享性差也是一個重要的問題，大多研究的數據來源局限于某個國家或地區并受種族和語言的限制，主要為醫護及研究人員設計，從而平臺僅限于醫療相關機構的訪問和使用，成為了罕見病知識共享的一個主要障礙。最后，文本自動化抽取是知識圖譜在罕見病領域構建中面臨的重要挑戰，大部分研究信息和知識的提取仍以手工注釋為主，缺乏機器學習等技術與知識圖譜的融合。
知識圖譜在未來研究中還需在以下4個方面進一步改進：① 擴大數據來源，提升數據質量。通過借助語音、電子病歷、圖形及患者情緒等多模態的組合形式解決數據稀疏的問題，結合患者的病理學、影像學資料及表型等相關信息，提高對于新型疾病癥狀的識別和詞庫的更新，以適應患者癥狀的變化和新信息的補充。② 增加大樣本的臨床驗證，保證系統的安全性和可靠性。基于大量訓練集和驗證集，同時通過多種測試方法驗證輔助診斷工具的有效性和精確性。此外，還需在臨床驗證中納入多個國家和地區罕見病患者的數據，豐富納入試驗的病種并獲取專家的反饋意見，不斷提高診斷的精準度。③ 提升平臺的共享性，破除語言和區域的限制。未來需支持平臺多語言的查詢和訪問，納入多種語言的術語表達，提高語言的包容性。面向患者、家屬及普通群眾的需求，開發綜合性的罕見病知識平臺，提高平臺的普適性和推廣性。④ 促進文本自動化的抽取，加快深度學習、自然語言處理等技術與知識圖譜的融合及知識推理，實現術語的自動化提取與標注。
綜上所述，知識圖譜在罕見病領域應用的結果和有效性已得到初步驗證，如能夠有效整合分散的信息資源、為罕見病相關利益者提供信息平臺、縮短診療周期、輔助臨床決策、解決罕見病診療困難等問題。但知識圖譜技術還需在數據更新、數據來源、數據質量及數據自動化提取和精準度上進一步研究，保證系統的安全性以及操作的可行性，為更多罕見病患者基于知識圖譜構建一種多模態多功能的應用平臺，促進罕見病精準醫療。
