۱. معرفی مقاله و اهمیت آن

سوءتفاهم اطلاعات پزشکی یکی از چالش‌های اساسی در نظام سلامت امروزی است. سواد سلامت، که به توانایی افراد در یافتن، درک و استفاده از اطلاعات بهداشتی برای تصمیم‌گیری در مورد سلامت خود اشاره دارد، نقشی حیاتی در بهبود نتایج درمانی و کاهش نابرابری‌های بهداشتی ایفا می‌کند. در راستای اهداف ملی سلامت در ایالات متحده، از جمله برنامه “Healthy People 2030″، بهبود سواد سلامت در جامعه بیش از پیش اهمیت یافته است. بسیاری از بیماران، به خصوص افراد با سطوح پایین سواد سلامت، در درک دستورالعمل‌های پس از ویزیت، استفاده صحیح از داروها و در کل، فهم اطلاعات پیچیده پزشکی با مشکل مواجه هستند. این دشواری‌ها می‌تواند منجر به عدم رعایت درمان، افزایش بستری در بیمارستان، و در نهایت، پیامدهای منفی و نابرابری‌های جدی در سلامت شود.

مقاله حاضر با عنوان “Toward Improving Health Literacy in Patient Education Materials with Neural Machine Translation Models” (بهبود خوانایی مطالب آموزش بیمار با ترجمه ماشینی عصبی)، به این چالش مهم پرداخته و راهکاری نوآورانه مبتنی بر هوش مصنوعی را برای ارتقاء کیفیت و قابلیت فهم مطالب آموزشی به بیماران ارائه می‌دهد. این تحقیق به دنبال استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) و به طور خاص، مدل‌های ترجمه ماشینی عصبی (NMT) برای ساده‌سازی زبان پیچیده و تخصصی در متون آموزشی پزشکی است. هدف اصلی، تبدیل این متون به زبانی قابل فهم‌تر برای عموم مردم، به ویژه افرادی است که با چالش سواد سلامت دست و پنجه نرم می‌کنند.

۲. نویسندگان و زمینه تحقیق

این پژوهش توسط تیمی از محققان با نام‌های David Oniani، Sreekanth Sreekumar، Renuk DeAlmeida، Dinuk DeAlmeida، Vivian Hui، Young Ji Lee، Yiye Zhang، Leming Zhou و Yanshan Wang انجام شده است. حضور نویسندگان با تخصص‌های متنوع، از جمله در حوزه علوم کامپیوتر، پردازش زبان طبیعی و احتمالا علوم پزشکی، نشان‌دهنده رویکرد چندرشته‌ای این تحقیق است. زمینه تحقیق این مقاله در تقاطع دو حوزه مهم قرار دارد:

• پردازش زبان طبیعی (NLP) و هوش مصنوعی: تمرکز بر توسعه و به‌کارگیری مدل‌های پیشرفته یادگیری ماشین، به ویژه مدل‌های ترجمه ماشینی عصبی، برای درک و تولید زبان انسانی.
• سواد سلامت و ارتباطات پزشکی: تلاش برای بهبود دسترسی بیماران به اطلاعات سلامت قابل فهم، کاهش موانع ارتباطی و در نهایت، توانمندسازی افراد برای مدیریت بهتر سلامت خود.

دسته‌بندی مقاله در حوزه “Computation and Language” (محاسبات و زبان) نیز گویای ماهیت بین‌رشته‌ای آن و کاربرد روش‌های محاسباتی در تحلیل و پردازش زبان است.

۳. چکیده و خلاصه محتوا

چکیده مقاله بر اهمیت محوری سواد سلامت در برنامه “Healthy People 2030” تأکید می‌کند و پیامدهای منفی سطوح پایین سواد سلامت را برای افراد و نظام سلامت شرح می‌دهد. این چکیده، هدف اصلی تحقیق را ارائه روشی برای بهبود سواد سلامت در مطالب آموزشی بیماران از طریق ترجمه خودکار “زبان‌های غیرسواد” (illiterate languages) در جملات مشخص معرفی می‌کند. نویسندگان بیان می‌کنند که برای دستیابی به این هدف، مطالب آموزشی بیمار از چهار وب‌سایت معتبر (MedlinePlus.gov، Drugs.com، Mayoclinic.org و Reddit.com) جمع‌آوری شده‌اند. سپس، مدل‌های پیشرفته ترجمه ماشینی عصبی (NMT) بر روی یک مجموعه داده آموزشی “استاندارد نقره‌ای” (silver standard) و یک مجموعه داده آزمایشی “استاندارد طلایی” (gold standard) آموزش داده و ارزیابی شده‌اند.

نتایج تجربی نشان داده است که مدل NMT مبتنی بر BiLSTM (Bidirectional Long Short-Term Memory) عملکرد بهتری نسبت به مدل‌های NMT مبتنی بر BERT (Bidirectional Encoder Representations from Transformers) داشته است. همچنین، اثربخشی مدل‌های NMT در ترجمه زبان غیرسواد و ساده‌سازی آن به زبان روزمره، با مقایسه نسبت زبان غیرسواد در جملات، تأیید شده است. با این حال، مقاله به محدودیت‌های این مدل‌ها نیز اشاره دارد، از جمله چالش‌هایی در حفظ کامل بودن جمله، روان بودن، خوانایی و دشواری در ترجمه برخی اصطلاحات پزشکی خاص.

۴. روش‌شناسی تحقیق

روش‌شناسی تحقیق حاضر بر پایه جمع‌آوری داده، آموزش مدل‌های پیشرفته یادگیری ماشین و ارزیابی عملکرد آن‌ها استوار است. مراحل کلیدی این روش‌شناسی به شرح زیر است:

• جمع‌آوری داده: محققان مجموعه‌ای غنی از مطالب آموزشی بیمار را از منابع معتبر آنلاین گردآوری کرده‌اند. این منابع شامل وب‌سایت‌های پزشکی شناخته شده مانند MedlinePlus.gov، Drugs.com و Mayoclinic.org، و همچنین انجمن‌های آنلاین مرتبط با سلامت مانند Reddit.com بوده‌اند. انتخاب این منابع متنوع، تضمین‌کننده گستره وسیعی از موضوعات و سطوح زبانی مورد نیاز برای آموزش مدل است.
• ایجاد مجموعه داده آموزشی و آزمایشی: برای آموزش و ارزیابی مدل‌های NMT، دو نوع مجموعه داده ایجاد شده است:
  • استاندارد نقره‌ای (Silver Standard): این مجموعه داده معمولاً از طریق پردازش خودکار یا نیمه‌خودکار ایجاد می‌شود و ممکن است حاوی برخی نویزها باشد. برای آموزش مدل‌های NMT، از این مجموعه داده برای یادگیری الگوهای ترجمه استفاده شده است.
  • استاندارد طلایی (Gold Standard): این مجموعه داده با دقت بالا و توسط متخصصان انسانی (مانند مترجمان پزشکی یا پزشکان) ایجاد یا اعتبارسنجی شده است. این مجموعه داده برای ارزیابی دقیق عملکرد مدل‌ها در بخش آزمایشی استفاده می‌شود.
• استفاده از مدل‌های ترجمه ماشینی عصبی (NMT): هسته اصلی این تحقیق، به‌کارگیری مدل‌های NMT است. این مدل‌ها، که بر پایه شبکه‌های عصبی عمیق ساخته شده‌اند، قابلیت یادگیری روابط پیچیده بین زبان مبدأ و مقصد را دارند. در این مطالعه، دو نوع معماری NMT مورد مقایسه قرار گرفته‌اند:
  • BiLSTM (Bidirectional Long Short-Term Memory): این مدل‌ها قادر به پردازش توالی‌ها در هر دو جهت (از ابتدا به انتها و از انتها به ابتدا) هستند که برای درک بهتر زمینه جمله مفید است.
  • BERT-based NMT: مدل‌های مبتنی بر BERT که از معماری ترنسفورمر استفاده می‌کنند، توانایی فوق‌العاده‌ای در درک مفاهیم عمیق و روابط بین کلمات در متن دارند.
• هدف ترجمه: هدف صرفاً ترجمه کلمه به کلمه نیست، بلکه شناسایی “زبان غیرسواد” (health illiterate language) در جملات پیچیده و جایگزینی آن با معادل‌های ساده و قابل فهم برای عموم. به عبارت دیگر، مدل باید کلمات تخصصی یا عبارات دشوار را تشخیص داده و آن‌ها را به زبانی “دانش‌آموزانه” (layman’s terms) بازنویسی کند.
• ارزیابی عملکرد: عملکرد مدل‌ها با معیارهایی مانند نسبت زبان غیرسواد در جملات ترجمه شده مقایسه شده است. همچنین، جنبه‌های کیفی مانند کامل بودن جمله، روان بودن، و خوانایی مورد توجه قرار گرفته‌اند.

۵. یافته‌های کلیدی

این پژوهش دستاوردهای مهمی در زمینه بهبود سواد سلامت از طریق هوش مصنوعی به همراه داشته است. مهم‌ترین یافته‌های این مطالعه عبارتند از:

• برتری مدل BiLSTM: نتایج تجربی نشان داد که مدل ترجمه ماشینی عصبی مبتنی بر BiLSTM در مقایسه با مدل‌های NMT مبتنی بر BERT، عملکرد بهتری در وظیفه مورد نظر داشته است. این یافته ممکن است به دلیل توانایی BiLSTM در مدل‌سازی بهتر توالی‌های متنی در حوزه خاص مطالب آموزشی بیمار باشد.
• توانایی در شناسایی و ساده‌سازی زبان پیچیده: مدل‌های NMT مورد استفاده، موفق به شناسایی کلمات و عبارات پیچیده یا تخصصی در متون آموزشی پزشکی شده و توانسته‌اند آن‌ها را به زبان ساده‌تر و قابل فهم‌تر برای عموم مردم ترجمه کنند. این بدان معناست که ابزار توسعه یافته قادر به کاهش “بار شناختی” (cognitive load) ناشی از خواندن مطالب پزشکی است.
• تأیید اثربخشی NMT: با مقایسه نسبت زبان غیرسواد در جملات قبل و بعد از ترجمه، اثربخشی مدل‌های NMT در افزایش سواد سلامت مطالب، تأیید شده است. به عنوان مثال، جمله‌ای مانند “The patient presented with dyspnea requiring immediate interventions” ممکن است توسط مدل به “بیمار با تنگی نفس مراجعه کرد که نیاز به اقدامات فوری داشت” یا حتی ساده‌تر “بیمار به دلیل دشواری در نفس کشیدن، نیازمند رسیدگی سریع بود” تبدیل شود.
• محدودیت‌ها: با وجود موفقیت‌ها، مدل‌ها با چالش‌هایی نیز روبرو بوده‌اند:
  • کامل بودن جمله: گاهی اوقات، فرایند ساده‌سازی منجر به از دست رفتن برخی جزئیات یا تغییر در ساختار کلی جمله می‌شد.
  • روان بودن و خوانایی: متن تولید شده، هرچند ساده‌تر، همیشه کاملاً روان و طبیعی نبود و گاهی نیاز به بازنگری انسانی داشت.
  • ترجمه اصطلاحات پزشکی خاص: برخی اصطلاحات پزشکی که ممکن است نیاز به توضیحات طولانی‌تری داشته باشند، همچنان برای مدل چالش‌برانگیز باقی ماندند.

۶. کاربردها و دستاوردها

این تحقیق پتانسیل بالایی برای کاربردهای عملی در حوزه سلامت دارد و می‌تواند دستاوردهای قابل توجهی به همراه داشته باشد:

• افزایش دسترسی به اطلاعات سلامت: مهم‌ترین دستاورد، توانایی ارتقاء سواد سلامت برای بخش وسیع‌تری از جامعه است. افراد با سطوح مختلف سواد، از جمله سالمندان، افراد با تحصیلات کمتر، و کسانی که زبان مادری آن‌ها فارسی نیست (در صورت تعمیم به ترجمه بین زبانی)، می‌توانند به طور مؤثرتری از منابع اطلاعاتی سلامت بهره‌مند شوند.
• بهبود مشارکت بیمار در مراقبت‌های درمانی: زمانی که بیماران اطلاعات سلامت را بهتر درک می‌کنند، احتمال بیشتری دارد که دستورالعمل‌های پزشکی را دنبال کرده، داروها را طبق تجویز مصرف کنند و در تصمیم‌گیری‌های مربوط به سلامت خود فعالانه شرکت کنند. این امر منجر به نتایج درمانی بهتر و کاهش عوارض می‌شود.
• کاهش بار کاری متخصصان سلامت: با وجود متون آموزشی قابل فهم‌تر، نیاز به توضیح مکرر مفاهیم پایه توسط پزشکان و پرستاران کاهش می‌یابد، که این امر به صرفه‌جویی در زمان و تمرکز بر مسائل پیچیده‌تر بالینی کمک می‌کند.
• توسعه ابزارهای خودکار: نتایج این تحقیق می‌تواند مبنایی برای توسعه ابزارهای نرم‌افزاری باشد که به طور خودکار مطالب آموزشی بیمار را ساده‌سازی کرده و در وب‌سایت‌های بهداشتی، اپلیکیشن‌های سلامت و حتی در پرونده‌های الکترونیک سلامت ادغام شوند.
• کاهش نابرابری‌های سلامت: سواد سلامت پایین یکی از عوامل کلیدی نابرابری در سلامت است. با دسترس‌پذیر کردن اطلاعات پزشکی، این تحقیق به طور غیرمستقیم به کاهش این نابرابری‌ها کمک می‌کند.

به عنوان مثال، یک وب‌سایت جامع سلامت می‌تواند بخشی داشته باشد که به طور خودکار، اطلاعات پیچیده را به سطوح مختلف خوانایی (مثلاً برای کلاس پنجم ابتدایی، کلاس هشتم، و سطح دانشگاهی) تبدیل کند، تا هر فرد بتواند اطلاعات متناسب با توانایی خود را دریافت نماید.

۷. نتیجه‌گیری

مقاله “Toward Improving Health Literacy in Patient Education Materials with Neural Machine Translation Models” گامی مهم و امیدوارکننده در جهت حل یکی از چالش‌های دیرینه نظام سلامت، یعنی سواد سلامت، برمی‌دارد. این تحقیق نشان می‌دهد که مدل‌های ترجمه ماشینی عصبی، به ویژه معماری BiLSTM، پتانسیل قابل توجهی برای شناسایی و ساده‌سازی زبان پیچیده در مطالب آموزشی بیمار دارند. با تبدیل اصطلاحات تخصصی به زبان روزمره، این مدل‌ها می‌توانند به طور مؤثری خوانایی و درک این مطالب را برای طیف وسیع‌تری از بیماران بهبود بخشند.

دستاورد اصلی این پژوهش، ارائه یک چارچوب فنی مبتنی بر هوش مصنوعی است که می‌تواند به طور خودکار شکاف بین زبان علمی پزشکی و زبان قابل فهم برای عموم را پر کند. این امر به نوبه خود، منجر به افزایش مشارکت بیماران در مراقبت‌های بهداشتی، بهبود نتایج درمانی و کاهش نابرابری‌های سلامت خواهد شد.

با این حال، نویسندگان به درستی به محدودیت‌های فعلی اذعان دارند. چالش‌هایی مانند حفظ کامل بودن و روانی جملات، و همچنین دقت در ترجمه اصطلاحات بسیار تخصصی، نیازمند تحقیقات و بهبودهای آتی است. توسعه مدل‌هایی که بتوانند نه تنها زبان را ساده کنند، بلکه اطمینان حاصل کنند که معنای دقیق و کامل حفظ می‌شود، حیاتی است. آینده این حوزه ممکن است شامل ترکیب مدل‌های NMT با دانش‌بنیان‌های پزشکی، یا استفاده از بازخورد انسانی در حلقه‌های یادگیری برای رفع این محدودیت‌ها باشد. در نهایت، این تحقیق راه را برای رویکردهای نوآورانه در آموزش بیمار و ارتقاء عمومی سواد سلامت هموار می‌سازد.