摘要
宠物疾病的早期识别至关重要，然而宠物主人在解读临床症状方面往往面临挑战。数字化症状自查工具为编码兽医知识提供了一种有前景的方法，但其可靠性和诊断准确性在很大程度上尚未得到验证。本研究通过使用合成生成的测试用例，对一种基于专家知识的兽医症状自查工具进行了方法学验证，从而填补了这一空白，使得在缺乏临床数据的情况下能够系统地探索症状与疾病的空间。研究人员利用模拟的用户与自查工具对话，量化了系统性能，涵盖了分别针对犬和猫的约 550 种疾病。通过三个研究问题评估了系统的稳健性和效率：收敛概率、收敛速度以及影响收敛的结构因素。结果显示，在理想条件下，系统实现了完全收敛（100%），具有快速的收敛速度（约 20 个问题后平均排名为第一）以及极短的响应时间（每种疾病 0.213–0.258 毫秒）。在概率性用户回答策略下，性能略有下降但仍保持稳健，未收敛的情况罕见，且正确诊断通常位于排名靠前的结果中（犬为第 1–6 名；猫为第 1–4 名）。结构分析确定症状的数量和独特性是诊断难度的关键预测因子，且在不同解剖区域间存在显著差异。研究结果证实了该系统的内部一致性、稳健性和计算效率，为基于循证的兽医诊断支持奠定了经过验证的基础。未来的工作将包括临床和用户研究，以确认系统在真实条件下的性能，并解决当前合成数据的局限性。
论文解读
研究背景与意义
伴侣动物疾病的早期识别对于有效治疗、减轻动物痛苦以及缓解宠物主人的焦虑至关重要。然而，宠物主人往往难以评估观察到症状的严重性或相关性，这可能导致寻求兽医护理的延迟或造成不必要的就诊。虽然数字化症状自查工具在人类医疗保健中已确立地位，能够提供初步分诊支持、教育反馈并促进及时的兽医咨询，但在兽医领域，专门设计并经过验证的系统寥寥无几，其可靠性和准确性主要未经审查。基于专家的症状自查工具虽然能够以结构化和可访问的形式编码宝贵的兽医知识，但其实际效用取决于底层规则的正确性和内部一致性。若缺乏系统性的验证，专家知识库中即使微小的不一致或空白也可能导致误导性的建议，或降低用户和专业人士的信任度。由于真实临床病例的有限性以及宠物主人报告症状的异质性，直接针对真实临床数据进行验证极具挑战性。因此，本研究旨在通过使用合成生成的测试用例进行方法学验证，系统地探索症状 - 疾病空间，以期在昂贵的临床试验和大规模部署之前，改进并稳定专家知识数据库和症状自查推理算法。该研究成果发表于《Veterinary Research Communications》。
研究方法与关键技术
研究人员开展了一项系统性的方法学验证研究，核心在于构建并评估一个基于关系型知识数据库的自适应症状自查算法。该数据库由兽医专家提供，涵盖了犬和猫分别约 542 种和 570 种疾病及其对应的症状映射关系，包括疾病与症状的双向关联、解剖位置定位以及基于流行率和观察可能性的置信度评分。研究采用了模拟用户代理（User Agent）与自查系统进行多轮对话的验证方法，设计了五种不同的回答策略（从理想化的完全正确回答到模拟不确定性的概率性回答），以模拟不同知识水平和状态的宠物主人行为。关键技术手段包括：利用贝叶斯风格的迭代置信度更新算法，根据用户反馈动态调整疾病和症状的置信度分布；采用主成分分析（PCA）将多个性能指标（如排名、收敛所需问题数等）综合为单一的“疾病难度评分”；运用回归分析、皮尔逊（Pearson）相关性检验、肯德尔（Kendall）秩相关检验以及单因素方差分析（ANOVA）和非参数克鲁斯卡尔 - 沃利斯（Kruskal-Wallis）检验，深入探究症状数量、症状独特性、疾病流行率及解剖位置等结构因素对诊断收敛概率和速度的影响；最后通过随机森林回归模型评估各特征对诊断难度的预测重要性。
研究结果
系统性能评估（收敛概率与速度）
在理想化的回答策略下，系统对犬和猫的疾病均实现了 100% 的收敛率，表明在输入信息准确无误时，推理规则具有高度的内部一致性。平均而言，系统在经过约 20 个问题询问后，能将正确疾病排至首位。系统的计算效率极高，处理每种疾病的响应时间仅为 0.213 至 0.258 毫秒。即使在模拟用户存在不确定性或回答错误的概率性策略下，系统性能仅轻微下降，未收敛案例极少，且正确诊断通常仍位于前 6 名（犬）或前 4 名（猫）的候选列表中，显示出良好的鲁棒性。
影响收敛的结构因素分析
症状数量与诊断难度的关系：研究发现，每种疾病对应的症状数量与诊断难度评分呈低度至中度的负相关（犬：r=-0.23；猫：r=-0.32）。这意味着症状越多的疾病，其特征越丰富，越容易被系统准确识别。
症状独特性与诊断难度的关系：症状缺乏独特性（即与其他疾病共享症状的程度）与诊断难度呈低度正相关（犬：r=0.09；猫：r=0.15）。表明症状特征越不独特，越容易与其他疾病混淆，从而增加诊断难度。
解剖位置的影响：不同解剖区域的疾病在诊断难度上存在显著差异。统计分析显示，胸部和头/颈部区域的疾病与其他身体区域相比，表现出最显著的差异性，提示这些部位的疾病诊断复杂度较高。
特征重要性排序：随机森林模型分析进一步证实，症状数量和症状向量的独特性是影响诊断难度的最关键预测因子，且这一结论在犬和猫之间具有高度的一致性。
讨论与结论
本研究通过合成数据验证了基于专家知识的兽医症状自查工具的方法学有效性。结果表明，该系统在内部逻辑一致性、抗干扰能力（稳健性）及计算效率方面表现优异，能够为兽医初步分诊提供可靠的技术支持。尽管在模拟用户回答不确定的情况下性能略有波动，但系统仍能将正确诊断保留在优先推荐列表中。结构分析揭示了症状数量和独特性是决定诊断难易的核心因素，且不同身体部位的疾病诊断复杂度存在显著异质性。这些发现不仅证实了当前系统的技术可行性，也为后续优化知识库（特别是针对低独特性症状的疾病）和改进提问策略（如优先询问高独特性或特定解剖部位的症状）提供了明确方向。研究人员强调，当前的验证基于合成数据和模拟策略，代表了理想条件下的性能上限，未来的工作必须包含真实的临床病例验证和用户研究，以全面评估其在复杂现实环境中的表现。最终，该工具定位为辅助决策支持系统，旨在帮助用户梳理信息，而非替代专业兽医的临床诊断。
