حوزه بهداشت و درمان مملو از داده‌های متنی بدون ساختار است؛ از یادداشت‌های پزشکان و گزارش‌های پرستاری گرفته تا نتایج آزمایشگاهی و شرح حال بیماران. این حجم عظیم از اطلاعات، گنجینه‌ای ارزشمند برای تحقیقات پزشکی و بهبود مراقبت‌های بالینی است، اما استخراج دانش از آن به صورت دستی تقریباً غیرممکن است. اینجاست که پردازش زبان طبیعی بالینی (Clinical NLP) به عنوان یک فناوری کلیدی وارد میدان می‌شود. این شاخه از هوش مصنوعی به رایانه‌ها امکان می‌دهد تا زبان انسان را در متون پزشکی درک، تفسیر و تحلیل کنند.

با این حال، پیشرفت در این حوزه با یک چالش بزرگ روبرو است: دسترسی به داده‌های بالینی. به دلیل حساسیت و محرمانگی اطلاعات بیماران، اکثر داده‌ها در دسترس عموم قرار ندارند. این محدودیت، مانعی جدی بر سر راه تحقیقات شفاف، تکرارپذیر و مشارکتی است. مقاله “یک مرور دامنه بر وظایف پردازش زبان در دسترس عموم در پردازش زبان طبیعی بالینی” نوشته یانجون گائو و همکارانش، دقیقاً به همین مسئله می‌پردازد. این مقاله با بررسی جامع مقالاتی که از مجموعه داده‌های بالینی عمومی استفاده کرده‌اند، نقشه راهی ارزشمند برای محققان، توسعه‌دهندگان و متخصصان بالینی فراهم می‌کند. اهمیت این پژوهش در شناسایی وظایف موجود، کشف شکاف‌های تحقیقاتی و ترسیم مسیر آینده برای توسعه ابزارهای هوشمند در حوزه سلامت است.

این مقاله حاصل همکاری گروهی از محققان برجسته در دو حوزه علوم کامپیوتر و انفورماتیک بالینی است. نویسندگانی چون یانجون گائو، دیمیتری دلیگاچ، تیموتی میلر و مجید افشار، تخصص‌های گوناگونی از هوش مصنوعی و یادگیری ماشین گرفته تا پزشکی و مراقبت‌های ویژه را گرد هم آورده‌اند. این ترکیب چندرشته‌ای، به مقاله عمق و اعتباری دوچندان بخشیده است، زیرا توانسته‌اند هم از منظر فنی و هم از دیدگاه کاربردی، چالش‌ها و فرصت‌های حوزه NLP بالینی را به درستی تحلیل کنند. این پژوهش در دسته‌بندی‌های محاسبات و زبان (Computation and Language) و هوش مصنوعی (Artificial Intelligence) قرار می‌گیرد که نشان‌دهنده ماهیت فناورانه و نوآورانه آن است.

هدف اصلی این مقاله، ارائه یک مرور دامنه (Scoping Review) از وظایف پردازش زبان طبیعی بالینی است که بر اساس داده‌های پرونده الکترونیک سلامت (EHR) در دسترس عموم توسعه یافته‌اند. محققان با جستجو در شش پایگاه داده معتبر علمی، مقالاتی را که بین سال‌های ۲۰۰۷ تا ۲۰۲۱ منتشر شده بودند، شناسایی و غربالگری کردند. در نهایت، ۳۵ مقاله که شامل ۴۷ وظیفه منحصر به فرد NLP بودند، معیارهای ورود به مطالعه را کسب کردند.

این وظایف در دسته‌های مختلفی طبقه‌بندی شدند، از جمله:

• تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition): شناسایی مفاهیم کلیدی مانند بیماری‌ها، داروها و علائم.
• خلاصه‌سازی (Summarization): تولید خلاصه‌های کوتاه و مفید از متون طولانی بالینی.
• سایر وظایف: مانند طبقه‌بندی متن، استخراج رابطه و پاسخ به پرسش.

بسیاری از این وظایف در راستای کاربردهای پشتیبانی از تصمیم‌گیری بالینی (Clinical Decision Support) طراحی شده بودند؛ برای مثال، تشخیص سوءمصرف مواد، فنوتیپ‌یابی (شناسایی بیماران با ویژگی‌های خاص) و انتخاب گروه بیماران برای کارآزمایی‌های بالینی. مقاله ضمن بررسی این وظایف، به شکاف‌های موجود، مانند تفاوت در اولویت‌های جامعه NLP عمومی و جامعه انفورماتیک بالینی، و چالش‌های مربوط به تعمیم‌پذیری مدل‌ها اشاره می‌کند. در نهایت، نویسندگان بر اهمیت همکاری‌های چندرشته‌ای، شفافیت در گزارش‌دهی و استانداردسازی در آماده‌سازی داده‌ها برای پیشرفت این حوزه تأکید می‌کنند.

این پژوهش از یک متدولوژی دقیق و ساختاریافته برای بررسی مقالات استفاده کرده است که اعتبار یافته‌های آن را تضمین می‌کند. روش کار بر اساس دستورالعمل معتبر PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) بنا شده است. مراحل اصلی این روش‌شناسی عبارتند از:

• جستجوی جامع: محققان شش پایگاه داده علمی بزرگ را که شامل مقالات حوزه زیست‌پزشکی و علوم کامپیوتر بودند، جستجو کردند. این رویکرد اطمینان می‌دهد که طیف وسیعی از تحقیقات مرتبط پوشش داده شده است.
• غربالگری دومرحله‌ای: فرآیند انتخاب مقالات در دو مرحله انجام شد. ابتدا، دو داور به طور مستقل عناوین و چکیده‌ها را بررسی کردند. سپس، مقالات منتخب وارد مرحله بررسی تمام‌متن شدند. وجود دو داور مستقل، احتمال خطا و سوگیری در انتخاب مقالات را به حداقل می‌رساند.
• معیارهای ورود مشخص: تنها مقالاتی انتخاب شدند که:
  1. یک وظیفه NLP بالینی را معرفی کرده باشند.
  2. از داده‌های پرونده الکترونیک سلامت (EHR) استفاده کرده باشند.
  3. مجموعه داده مورد استفاده آن‌ها در دسترس عموم باشد.
  4. داده‌ها مربوط به یک گروه مشخص از بیماران (Cohort) باشد.
• استخراج و دسته‌بندی داده‌ها: اطلاعات کلیدی از هر مقاله استخراج و بر اساس نوع وظیفه NLP، کاربرد بالینی، مجموعه داده مورد استفاده و سال انتشار، دسته‌بندی شد.

این رویکرد سیستماتیک به محققان اجازه داد تا تصویری شفاف و جامع از وضعیت فعلی تحقیقات NLP بالینی با استفاده از داده‌های عمومی به دست آورند.

تحلیل ۳۵ مقاله منتخب، نتایج روشنگری را به همراه داشت. این یافته‌ها نه تنها وضعیت کنونی حوزه را نشان می‌دهند، بلکه چالش‌ها و فرصت‌های آینده را نیز برجسته می‌کنند.

رشد فزاینده وظایف NLP بالینی

بین سال‌های ۲۰۰۷ تا ۲۰۲۱، تعداد ۴۷ وظیفه متمایز شناسایی شد که نشان‌دهنده رشد مداوم و تنوع در این حوزه است. این وظایف به سه دسته اصلی تقسیم شدند:

• تشخیص موجودیت نام‌گذاری شده (NER): این دسته بیشترین سهم را داشت. وظایف NER بر شناسایی خودکار مفاهیمی مانند بیماری‌ها، داروها، آزمایش‌ها، و علائم حیاتی در متن متمرکز بودند. این کار، پایه و اساس بسیاری از تحلیل‌های پیشرفته‌تر است.
• خلاصه‌سازی متن: با توجه به حجم بالای یادداشت‌های بالینی، وظایف خلاصه‌سازی برای ایجاد نسخه‌های کوتاه و قابل فهم از تاریخچه بیمار اهمیت ویژه‌ای دارند.
• سایر وظایف: این دسته شامل طیف وسیعی از کاربردها بود، از جمله طبقه‌بندی گزارش‌های پزشکی (مثلاً تشخیص یک بیماری خاص)، استخراج روابط بین مفاهیم (مانند ارتباط یک دارو با یک عارضه جانبی) و سیستم‌های پرسش و پاسخ بالینی.

شکاف‌ها و چالش‌های موجود

این مرور همچنین به شناسایی شکاف‌های مهمی در تحقیقات موجود پرداخت:

• تفاوت در اولویت‌ها: جامعه NLP عمومی بیشتر بر بهبود معیارهای فنی مدل‌ها (مانند دقت و F1-score) تمرکز دارد، در حالی که جامعه انفورماتیک بالینی به دنبال کاربرد عملی و تأثیر این ابزارها بر مراقبت از بیمار است. این تفاوت گاهی منجر به توسعه مدل‌هایی می‌شود که از نظر فنی قوی اما در عمل غیرقابل استفاده هستند.
• مشکل تعمیم‌پذیری: بیشتر مدل‌ها بر روی یک یا دو مجموعه داده عمومی (مانند MIMIC-III) آموزش دیده‌اند. این مدل‌ها ممکن است هنگام استفاده در بیمارستان‌ها یا سیستم‌های بهداشتی دیگر با داده‌های متفاوت، عملکرد خوبی نداشته باشند.
• چالش‌های آماده‌سازی داده‌ها: محققان به مسائلی مانند فقدان داده‌های حساس به زمان (Time-sensitive data) اشاره کردند. بسیاری از مدل‌ها، ترتیب زمانی وقایع را که در پزشکی حیاتی است، نادیده می‌گیرند. همچنین، در برخی موارد، تعریف اندازه مسئله و معیارهای ارزیابی به درستی مشخص نشده بود.

این مقاله فراتر از یک بررسی صرف است و دستاوردهای عملی مهمی برای جامعه علمی و بالینی به ارمغان می‌آورد.

• نقشه راه برای محققان جدید: این مرور به عنوان یک منبع جامع عمل می‌کند و به پژوهشگران تازه‌کار نشان می‌دهد که چه کارهایی تاکنون انجام شده، چه مجموعه داده‌هایی در دسترس است و کدام زمینه‌ها برای تحقیقات آینده بکر و نیازمند توجه هستند.
• ترویج علم باز و تکرارپذیر: با تمرکز بر داده‌های عمومی، این مقاله بر اهمیت شفافیت و تکرارپذیری در تحقیقات علمی تأکید می‌کند. این رویکرد به دیگران اجازه می‌دهد تا نتایج را راستی‌آزمایی کرده و بر پایه کارهای قبلی، نوآوری کنند.
• هدایت توسعه ابزارهای بالینی: شناسایی وظایف موفق و کاربردی می‌تواند الهام‌بخش توسعه ابزارهای واقعی برای پزشکان و پرستاران باشد. برای مثال، یک سیستم خلاصه‌ساز خودکار می‌تواند به پزشک اورژانس کمک کند تا در چند ثانیه به درک کلی از سوابق یک بیمار جدید برسد و تصمیمات بهتری بگیرد.
• شناسایی نیاز به استانداردسازی: این پژوهش نیاز فوری به ایجاد استانداردها در زمینه آماده‌سازی داده‌ها، گزارش‌دهی مدل‌ها و معیارهای ارزیابی را برجسته می‌کند. این استانداردها برای مقایسه عادلانه مدل‌ها و تضمین کیفیت آن‌ها ضروری هستند.

مقاله یانجون گائو و همکارانش به وضوح نشان می‌دهد که حوزه پردازش زبان طبیعی بالینی با استفاده از داده‌های عمومی، یک زمینه پویا و در حال رشد است که توجه روزافزونی را از هر دو جامعه NLP و انفورماتیک بالینی به خود جلب می‌کند. وظایف شناسایی‌شده طیف گسترده‌ای از نیازهای بالینی را پوشش می‌دهند، اما هنوز چالش‌های مهمی در مسیر توسعه ابزارهای قابل اعتماد و کارآمد وجود دارد.

نویسندگان در پایان، سه توصیه کلیدی برای آینده این حوزه ارائه می‌دهند:

1. تقویت همکاری‌های چندرشته‌ای: موفقیت واقعی در این زمینه تنها با همکاری نزدیک بین متخصصان هوش مصنوعی، دانشمندان داده، پزشکان، پرستاران و مدیران بهداشتی ممکن است.
2. افزایش شفافیت در گزارش‌دهی: مقالات آینده باید به طور دقیق روش‌های آماده‌سازی داده، معماری مدل، و محدودیت‌های پژوهش خود را گزارش دهند تا تکرارپذیری و اعتماد افزایش یابد.
3. ایجاد استاندارد در آماده‌سازی داده‌ها: توسعه پروتکل‌های استاندارد برای پاک‌سازی، برچسب‌گذاری و تقسیم داده‌ها می‌تواند به بهبود کیفیت و سازگاری تحقیقات کمک شایانی کند.

در مجموع، این مرور دامنه یک منبع ارزشمند و یک فراخوان برای اقدام است که مسیر را برای نسل بعدی نوآوری‌ها در تلاقی هوش مصنوعی و پزشکی هموار می‌سازد.