توفير تفسير موثوق للتشخيص السريري بناء على الرقم القياسي الطبي الإلكتروني (EMR) أمر أساسي لتطبيق الذكاء الاصطناعي في المجال الطبي. تعامل الأساليب الحالية في الغالب EMR كأسل تسلسل نصي وتوفير توضيحات بناء على قاعدة معرفة طبية دقيقة، وهي خاصة من الصعب ا
لحصول عليها للخبراء في الواقع. لذلك، نقترح طريقة استخراج حقائق دعم حقائق متعددة التحبيبية متعددة الاستخدامات لاستخراج الحقائق الداعمة من غير النظامية EMR نفسها دون قواعد المعرفة الخارجية في هذه الورقة. على وجه التحديد، ننقل أولا تسلسل EMR إلى شبكة رسم بياني هرمي ثم الحصول على العلاقة السببية بين ميزات وتشخيص متعدد التحبيبية ونتائجها من خلال التدخل العالمي على الرسم البياني. ميزات وجود أقوى اتصال سببي مع النتائج توفر الدعم التفسيري للتشخيص. النتائج التجريبية على EMR الصينية الحقيقية من الوذمة الليمفية توضح أن طريقتنا يمكن أن تشخيص أربعة أنواع من EMR بشكل صحيح، ويمكن أن توفر حقائق داعمة دقيقة للنتائج. والأهم من ذلك، أن النتائج المتعلقة بالأمراض المختلفة توضح متانة نهجنا، والتي تمثل الطلب المحتمل في المجال الطبي.
