通过动态多重疾病网络，识别可用于跨疾病应用的智能医疗创新机会的重用方案

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Identification of repurposed smart healthcare innovation opportunities for cross-disease applications via dynamic multiplex disease network

　　林Hyungsuk｜金Yucheol｜Chun Geon Hyeok｜Sohn So Young
韩国首尔新城洞134号延世大学工业工程系，邮编03722

**摘要**
智慧医疗是一个快速发展的领域，具有巨大的市场潜力。尽管之前的研究探索了多种识别智慧医疗创新机会的方法，但大多数方法都是零散的，因为它们未能同时结合生物和技术视角。在这项研究中，我们提出了一个新颖的框架，用于识别可用于跨疾病应用的再利用智慧医疗创新机会，并考虑了国家层面的政策因素，以促进这些机会的有效转化。我们的框架采用了时间动态链接预测和社区检测方法，构建了一个多病症网络。该网络基于疾病之间的基因组、表型和技术相似性，从而在识别智慧医疗中的再利用创新机会时兼顾了生物和技术两个方面。我们比较了不同的网络嵌入模型、窗口策略和社区检测算法，以确定最佳组合，并将其用于预测跨疾病应用的潜在再利用创新机会。最后，我们进行了国家层面的文献计量分析，以得出能够促进这些预测创新机会持续转化的政策方向。本研究希望通过有效识别和转化可行的智慧医疗创新，为公共卫生做出贡献，从而提高技术创新和多领域技术挖掘策略的效率。

**引言**
智慧医疗是一种新兴的模式，它利用信息和通信技术（ICT）、移动设备以及网络基础设施来提高医疗质量（Solanas等人，2017年）。在过去几十年中，智慧医疗稳步发展，并自COVID-19大流行以来加速增长，自2020年以来全球年市场增长率估计为275.4%（Wang，2022年）。这种快速增长促使各个行业努力推进智慧医疗领域的创新，并将其应用扩展到更广泛的疾病范围（Shen等人，2020年；Jeon和Sohn，2023年；Wang和Hsu，2023年；Wang和Lee，2023年）。根据重组创新理论，新的技术创新通常涉及结合现有想法、知识和技术来创造新产品或解决方案（Griffith等人，2017年）。特别是在智慧医疗领域，生物医学、临床和数字的融合可以促进全新的或战略性再利用的技术创新，重组创新方法在应对复杂的跨学科医疗挑战中发挥着关键作用（Solanas等人，2017年；Zhao等人，2023年）。

在重组创新的背景下，专利长期以来一直被认为是识别不同行业技术创新机会的关键工具（Ogawa和Kajikawa，2015年），包括智慧医疗领域（Shen等人，2020年；Wang和Hsu，2023年；Wang和Lee，2023年）。然而，由于专利领域的迅速扩张，研究人员通过专利方法识别创新机会变得越来越困难（Wang和Hsu，2023年）。此外，鉴于智慧医疗行业的多学科性质，创新常常出现在广泛的领域中（Solanas等人，2017年）。因此，与其它行业相比，识别智慧医疗中的可行技术创新机会尤其具有挑战性，因为这不仅需要考虑大量的专利，还需要考虑生物医学、临床和数字领域之间复杂的相互依赖关系（Shen等人，2020年；Jeon和Sohn，2023年）。然而，大多数先前的智慧医疗研究在创新机会识别过程中未能全面考虑这些复杂的跨领域依赖性（Shen等人，2020年；Wang和Hsu，2023年；Wang和Lee，2023年）。这些研究主要集中在基于单层网络的链接预测方法上，将多个领域聚合到一个网络中，而没有区分特定领域的结构。因此，它们无法捕捉到不同领域之间的复杂融合机会。这样的局限性阻碍了创新机会识别的有效性，因为它们只能提供片面的视角，无法同时考虑领域内部和领域间的关系。尽管一些研究最近采用了多层网络方法（Wu等人，2023年），但这些方法仍然主要关注来自不同技术领域的专利，因此缺乏对基因组数据和表型数据的整合，而这些数据对于全面分析智慧医疗相关创新的生物机制和技术视角至关重要（Wang和Lee，2023年；Solovchuk，2024年）。此外，仅使用链接预测可能不足以识别有意义的技术创新机会，因为它往往会产生缺乏结构、时间和政策一致性的碎片化预测。根据吸收能力理论，企业比使用非结构化或碎片化信息更能有效地利用结构化和上下文化知识（Costa和Monteiro，2018年）。然而，大多数基于多层网络的研究仍仅限于链接预测（Jeon和Sohn，2023年；Wu等人，2023年），因此在将预测的创新机会转化为可操作和有影响力的进展方面潜力有限。尽管进一步整合社区或团簇检测可以提供更结构化的见解，并提高识别出的创新机会的可解释性和可行性（Chang等人，2025年），但这些方法也尚未得到充分探索。此外，尽管技术创新涉及时间演化，政策因素在促进创新机会转化为实际影响方面起着关键作用，但采用多层网络的研究大多未能纳入这些时间和政策维度（Shen等人，2020年；Jeon和Sohn，2023年；Wang和Hsu，2023年；Wang和Lee，2023年；Moon和Lee，2024年）。

为了克服这些局限性，我们提出了一个综合框架，将动态多路链接预测与社区检测相结合，以识别可用于新跨疾病应用的再利用智慧医疗创新机会。该框架辅以国家层面的政策分析，为个别国家制定相应的方向，以促进预测创新机会的可持续转化。为此，我们首先构建了一个包含三个不同层次的多病症网络，分别代表疾病之间的技术、基因组和表型关联。技术层基于从美国专利商标局（USPTO）收集的智慧医疗相关专利中的疾病共现模式（Jeon和Sohn，2023年；Shin等人，2023年）构建。基因组和表型层分别使用DisGeNET（Pi?ero等人，2016年）的共享基因相似性得分和人类表型本体（HPO）数据库的共享表型祖先构建（K?hler等人，2018年）。然后，比较了不同的网络嵌入模型，以选择在链接预测方面表现最佳的模型。基于最佳性能网络嵌入模型的链接预测结果，我们评估了不同的窗口方案、加权方案和社区检测算法在预测技术关联层内的团簇方面的有效性。最终，采用最佳组合来预测潜在的跨疾病应用，这些应用是通过战略性地再利用现有技术而预期会被未来智慧医疗创新同时针对的新颖疾病社区。在此过程中，我们通过检查其理论合理性、技术可行性和市场可行性来评估所提出创新机会的实用性。最后，我们对专利注册数据进行了国家层面的文献计量分析，以得出相应的国家层面政策方向，以促进这些预测创新机会持续转化为可操作和有影响力的进展。

**方法**
图1中描绘的总体研究框架可以如下解释：首先，我们基于疾病之间的基因组、表型和技术关联构建了一个多病症网络。然后，我们评估了不同的网络嵌入模型，以确定最适合我们网络的模型。使用选定的模型，我们构建了一个按时间段动态变化的多病症网络，并计算了每个时期的节点余弦相似度。之后，

**数据收集**
如表3所示，在两个数据集中，BERN2在三种NER模型中表现最佳。在NCBI疾病语料库上，BERN2的召回率为91.2%，F1分数为89.7%，优于HunFlair和PubTator3。在HUPD数据集上，BERN2也表现最佳，F1分数为85.6%，而其他模型的F1分数低于80%。这些结果证实，BERN2在识别疾病实体方面最为有效。

**结论**
由于智慧医疗行业的关注度不断增加，人们投入了大量精力来开发和创新智慧医疗技术。虽然全面整合生物机制和技术视角以识别智慧医疗中的潜在和实际创新机会至关重要，但在技术创新中纳入时间动态性也同样重要，以便准确反映创新的演变本质。

**作者贡献声明**
林Hyungsuk：撰写——初稿、可视化、形式分析、概念化。
金Yucheol：可视化、软件、方法论、形式分析、数据整理、概念化。
Chun Geon Hyeok：撰写——审稿与编辑、撰写——初稿、软件、方法论、形式分析、概念化。
Sohn So Young：撰写——审稿与编辑、监督、项目管理、资金获取。

**利益冲突声明**
无。

**致谢**
本工作得到了韩国国家研究基金会（NRF）的资助，该基金会由韩国政府（MSIT）提供支持[资助编号RS-2024-00333536]。
Sohn So Young于1989年在匹兹堡大学获得工业工程博士学位，并在帝国理工学院和KAIST获得管理科学硕士学位。她目前是韩国延世大学的杰出荣誉大学教授。