در حوزه رو به رشد پزشکی مدرن، مدیریت بیماران مبتلا به سرطان، به ویژه آن‌هایی که تحت رژیم‌های درمانی سنگین مانند شیمی‌درمانی قرار دارند، یکی از پیچیده‌ترین و حیاتی‌ترین چالش‌ها محسوب می‌شود. شناسایی به موقع بیماران در معرض خطر بالا برای مراقبت‌های حاد (Acute Care Use – ACU) مانند بستری شدن‌های اورژانسی یا ویزیت‌های غیرمنتظره، می‌تواند تأثیر شگرفی بر پیامدهای درمانی، کیفیت زندگی بیماران و کارایی سیستم‌های بهداشتی داشته باشد.

به طور سنتی، پیش‌بینی خطر عمدتاً بر پایه داده‌های سلامت ساختاریافته (Structured Health Data – SHD) نظیر نتایج آزمایشگاهی، تشخیص‌های کدگذاری شده و سوابق دارویی انجام می‌گرفت. اگرچه این داده‌ها ارزشمند هستند، اما اغلب نمی‌توانند تمامی جزئیات و ظرایف وضعیت بالینی، روان‌اجتماعی و پاسخ‌های فردی بیمار به درمان را که در یادداشت‌های بالینی (Clinical Notes) به صورت متن آزاد (free-text) ثبت می‌شوند، منعکس کنند. این یادداشت‌ها گنجینه‌ای از اطلاعات غنی هستند که تا کنون به دلیل ساختار غیرمنظمشان، کمتر مورد بهره‌برداری کامل در مدل‌های پیش‌بینی خطر قرار گرفته‌اند.

مقاله علمی حاضر با عنوان “کاربرد روش‌های پردازش زبان طبیعی برای شناسایی بیماران انکولوژی در معرض خطر بالای مراقبت‌های حاد بر اساس یادداشت‌های بالینی”، یک رویکرد نوآورانه را برای پر کردن این شکاف اطلاعاتی معرفی می‌کند. این پژوهش که توسط Claudio Fanconi، Marieke van Buchem و Tina Hernandez-Boussard انجام شده است، پتانسیل روش‌های پردازش زبان طبیعی (Natural Language Processing – NLP) را برای استخراج بینش‌های کلیدی از یادداشت‌های بالینی و پیش‌بینی خطر ACU در بیماران انکولوژی پس از شروع شیمی‌درمانی ارزیابی می‌کند. اهمیت این مقاله نه تنها در ارائه یک راهکار فناورانه پیشرفته است، بلکه در باز کردن مسیرهایی جدید برای مراقبت‌های پیشگیرانه، شخصی‌سازی‌شده و بهبود تخصیص منابع درمانی نهفته است که می‌تواند به طور مستقیم به بهبود زندگی بیماران سرطانی منجر شود.

این مطالعه مهم توسط تیمی پژوهشی متشکل از Claudio Fanconi، Marieke van Buchem و Tina Hernandez-Boussard انجام پذیرفته است. نام این نویسندگان نشان‌دهنده پس‌زمینه‌های علمی متنوعی است که برای انجام تحقیقات بین‌رشته‌ای در حوزه انفورماتیک سلامت حیاتی است. این تیم احتمالاً از متخصصانی در زمینه‌های یادگیری ماشین، پردازش زبان طبیعی، انفورماتیک پزشکی و انکولوژی تشکیل شده است که به آن‌ها امکان می‌دهد هم چالش‌های بالینی و هم راه‌حل‌های محاسباتی را با عمق و دقت بررسی کنند.

زمینه این تحقیق به طور گسترده‌ای در دسته‌بندی‌های علمی محاسبات و زبان (Computation and Language) و یادگیری ماشین (Machine Learning) قرار می‌گیرد. این دسته‌بندی‌ها منعکس‌کننده ماهیت دوگانه پژوهش است: از یک سو، توسعه و به کارگیری تکنیک‌های پیشرفته در پردازش زبان طبیعی برای تحلیل داده‌های متنی پیچیده؛ و از سوی دیگر، استفاده از مدل‌های یادگیری ماشین برای استخراج الگوها و انجام پیش‌بینی‌ها. این پژوهش در خط مقدم تلاش‌ها برای تلفیق هوش مصنوعی با مراقبت‌های بهداشتی قرار دارد و به دنبال آن است که با بهره‌گیری از قدرت محاسباتی، چالش‌های پزشکی دنیای واقعی را حل کند.

هدف اصلی این تحقیق، نه تنها اثبات قابلیت‌های NLP در یک زمینه بالینی حساس، بلکه تأکید بر پتانسیل یادداشت‌های بالینی به عنوان یک منبع اطلاعاتی غنی است که تا کنون به طور کامل مورد استفاده قرار نگرفته است. با توجه به افزایش حجم داده‌های بالینی و نیاز به تصمیم‌گیری‌های مبتنی بر شواهد، این پژوهش گامی رو به جلو در جهت تحقق پزشکی داده‌محور (Data-Driven Medicine) برمی‌دارد و به جامعه علمی نشان می‌دهد که چگونه می‌توان از داده‌های غیرساختاریافته برای بهبود پیش‌بینی خطر و پشتیبانی از تصمیمات بالینی بهره برد.

چکیده مقاله به طور مختصر و مفید، چارچوب کلی پژوهش را ارائه می‌دهد. هسته اصلی این تحقیق، چگونگی بهره‌برداری از یادداشت‌های بالینی – که جزء لاینفک هر پرونده سلامت هستند – برای شناسایی بیماران انکولوژی در معرض خطر بالای نیاز به مراقبت‌های حاد (ACU) پس از شروع شیمی‌درمانی است. در حالی که پیش‌بینی خطر با استفاده از داده‌های سلامت ساختاریافته (SHD) به یک روش استاندارد تبدیل شده، پیش‌بینی از فرمت‌های متنی آزاد با پیچیدگی‌های خاص خود همراه است.

این مقاله به طور خاص به کاوش در استفاده از یادداشت‌های متنی آزاد برای پیش‌بینی ACU، به عنوان جایگزین یا مکمل SHD، می‌پردازد. محققان برای این منظور، مدل‌های یادگیری عمیق را با ویژگی‌های زبانی مهندسی‌شده دستی مقایسه کرده‌اند. نتایج حاصل از این مقایسه نشان‌دهنده بینش‌های کلیدی است:

• مدل‌های مبتنی بر SHD، عملکردی کمی بهتر از مدل‌های NLP از خود نشان دادند.
• یک مدل رگرسیون لجستیک جریمه‌دار L1 که با SHD آموزش دیده بود، به آماره C معادل 0.748 (بازه اطمینان 95% بین 0.735 و 0.762) دست یافت.
• همین مدل، هنگامی که با ویژگی‌های زبانی (NLP) آموزش داده شد، آماره C معادل 0.730 (بازه اطمینان 95% بین 0.717 و 0.745) را کسب کرد.
• یک مدل مبتنی بر ترانسفورمر، که نماینده‌ای از مدل‌های یادگیری عمیق پیشرفته است، آماره C معادل 0.702 (بازه اطمینان 95% بین 0.688 و 0.717) را به دست آورد.

این یافته‌ها به وضوح نشان می‌دهند که مدل‌های زبانی قابلیت کاربرد در حوزه‌های بالینی را دارند. یک نکته بسیار مهم دیگر که توسط این پژوهش برجسته شده، این است که سوگیری‌های (bias) خطر برای گروه‌های مختلف بیماران، حتی با استفاده صرف از داده‌های متنی آزاد، متفاوت است. این امر بر ضرورت توجه به عدالت و برابری در توسعه الگوریتم‌های هوش مصنوعی در مراقبت‌های بهداشتی تأکید می‌کند.

روش‌شناسی این پژوهش با دقت طراحی شده تا کارایی روش‌های پردازش زبان طبیعی (NLP) را در پیش‌بینی خطر مراقبت‌های حاد (ACU) در بیماران انکولوژی ارزیابی کند. این روش‌شناسی شامل مراحل کلیدی زیر است:

۱. منابع داده:

• یادداشت‌های بالینی (Clinical Notes): بخش اصلی داده‌های مورد استفاده، شامل متون آزاد (free-text) مانند یادداشت‌های پزشکان، گزارش‌های پرستاری، خلاصه‌های ترخیص و سایر مستندات بالینی بود. این یادداشت‌ها پس از شروع شیمی‌درمانی برای بیماران انکولوژی جمع‌آوری شده‌اند.
• داده‌های سلامت ساختاریافته (Structured Health Data – SHD): برای مقایسه، از داده‌های سنتی و ساختاریافته شامل اطلاعات دموگرافیک (سن، جنسیت)، تشخیص‌ها، نتایج آزمایشگاهی و سابقه بستری استفاده شد.
• تعریف متغیر پیامد: رویداد ACU (مراقبت‌های حاد) به دقت تعریف شد تا شامل مواردی مانند مراجعه به اورژانس، بستری شدن غیربرنامه‌ریزی‌شده یا سایر مداخلات فوری پزشکی باشد.

۲. پردازش زبان طبیعی (NLP):

برای تبدیل یادداشت‌های متنی به فرمتی قابل تحلیل برای مدل‌های یادگیری ماشین، دو رویکرد اصلی NLP به کار گرفته شد:

• ویژگی‌های زبانی مهندسی‌شده دستی (Manually Engineered Language Features): این رویکرد شامل استخراج ویژگی‌های مشخص از متن بر اساس تخصص انسانی و دانش حوزه بود. مثال‌ها عبارتند از:
  • فرکانس اصطلاحات (Term Frequency): شمارش تکرار کلمات و عبارات خاص پزشکی.
  • TF-IDF: وزن‌دهی به کلمات بر اساس فرکانس آن‌ها در یک سند و میزان کمیابی‌شان در کل مجموعه اسناد.
  • N-grams: استخراج توالی‌های کلمات (مثلاً دو کلمه‌ای یا سه کلمه‌ای) برای شناسایی عبارات رایج.
  • شناسایی موجودیت‌های نام‌گذاری شده (Named Entity Recognition – NER): استخراج موجودیت‌های بالینی مانند داروها، علائم، بیماری‌ها و اقدامات درمانی.
  • تجزیه و تحلیل احساسات (Sentiment Analysis): ارزیابی لحن و احساسات ابراز شده در یادداشت‌ها (مثلاً مثبت، منفی یا خنثی).
• مدل‌های یادگیری عمیق مبتنی بر ترانسفورمر (Transformer-based Deep Learning Models): این دسته از مدل‌ها (مانند BERT یا انواع آن) قادر به درک روابط معنایی پیچیده در متن هستند و به طور خودکار ویژگی‌های معنایی را استخراج می‌کنند، بدون نیاز به مهندسی دستی. این مدل‌ها به دلیل عملکرد برترشان در وظایف مختلف NLP انتخاب شدند.

۳. مدل‌سازی پیش‌بینی‌کننده:

برای پیش‌بینی خطر ACU، مدل‌های مختلفی آموزش داده شدند:

• رگرسیون لجستیک جریمه‌دار L1 (L1-penalised logistic regression): این مدل هم برای داده‌های SHD و هم برای ویژگی‌های زبانی مهندسی‌شده استفاده شد. انتخاب این مدل به دلیل توانایی آن در انجام انتخاب ویژگی (feature selection) و جلوگیری از بیش‌برازش (overfitting) است که امکان مقایسه‌ای منصفانه را فراهم می‌کند.
• مدل مبتنی بر ترانسفورمر: این مدل به طور مستقیم بر روی یادداشت‌های بالینی آموزش داده شد تا توانایی یادگیری عمیق را در استخراج الگوهای پیچیده از متن ارزیابی کند.

۴. ارزیابی عملکرد:

عملکرد تمامی مدل‌ها با استفاده از آماره C (C-statistic) ارزیابی شد. آماره C که معادل AUC-ROC (Area Under the Receiver Operating Characteristic curve) است، توانایی تمایز مدل بین بیماران با و بدون رویداد ACU را اندازه‌گیری می‌کند. مقادیر بالاتر C-statistic نشان‌دهنده دقت پیش‌بینی بهتر است.

۵. تحلیل سوگیری (Bias Analysis):

یک جنبه مهم دیگر، بررسی سوگیری‌های خطر در گروه‌های مختلف بیماران (مثلاً بر اساس جمعیت‌شناسی) بود تا اطمینان حاصل شود که مدل‌ها برای همه زیرگروه‌های بیمار عادلانه عمل می‌کنند و نابرابری‌های موجود را تشدید نمی‌کنند. این تحلیل حتی با استفاده از داده‌های متنی آزاد نیز انجام شد.

نتایج حاصل از این مطالعه بینش‌های مهمی را در زمینه پیش‌بینی خطر مراقبت‌های حاد در بیماران انکولوژی از طریق داده‌های ساختاریافته و یادداشت‌های بالینی ارائه می‌دهد:

۱. مقایسه عملکرد SHD و NLP:

یافته اصلی این پژوهش نشان می‌دهد که مدل‌های پیش‌بینی ساخته شده با داده‌های سلامت ساختاریافته (SHD)، عملکردی اندکی بهتر از مدل‌های مبتنی بر پردازش زبان طبیعی (NLP) که از یادداشت‌های بالینی استفاده می‌کنند، دارند. به طور دقیق:

• مدل رگرسیون لجستیک جریمه‌دار L1 که بر پایه SHD آموزش داده شد، به آماره C معادل 0.748 (با بازه اطمینان 95% بین 0.735 و 0.762) دست یافت.
• همین مدل، با استفاده از ویژگی‌های زبانی مهندسی‌شده (NLP)، آماره C معادل 0.730 (با بازه اطمینان 95% بین 0.717 و 0.745) را نشان داد. این اختلاف ناچیز (0.018) نشان می‌دهد که NLP می‌تواند اطلاعات پیش‌بینی‌کننده با ارزشی را از متن استخراج کند که تقریباً هم‌تراز با داده‌های ساختاریافته است.
• مدل مبتنی بر ترانسفورمر، که یک رویکرد یادگیری عمیق است، آماره C پایین‌تری معادل 0.702 (با بازه اطمینان 95% بین 0.688 و 0.717) را کسب کرد. این نتیجه می‌تواند نشان‌دهنده چالش‌های خاص در اعمال مدل‌های ترانسفورمر بر داده‌های بالینی، نیاز به حجم بسیار زیاد داده یا ماهیت خاص ویژگی‌های مهندسی‌شده دستی باشد که در این سناریو مؤثرتر عمل کرده‌اند.

این یافته‌ها تأکید می‌کنند که یادداشت‌های بالینی، اگرچه غیرساختاریافته‌اند، اما حاوی سیگنال‌های پیش‌بینی‌کننده قوی برای خطر مراقبت‌های حاد هستند و می‌توانند به عنوان یک منبع اطلاعاتی حیاتی در کنار یا به عنوان جایگزین داده‌های ساختاریافته مورد استفاده قرار گیرند.

۲. کاربردپذیری مدل‌های زبانی در محیط بالینی:

این مقاله به وضوح نشان می‌دهد که مدل‌های زبانی، با وجود عملکردی اندکی پایین‌تر، می‌توانند به طور مؤثر در کاربردهای بالینی مورد استفاده قرار گیرند. سطح دقت (C-statistic حدود 0.73) برای یک ابزار پیش‌بینی‌کننده بر پایه متن، بسیار امیدوارکننده است و قابلیت عملیاتی شدن آن را در سیستم‌های پشتیبان تصمیم بالینی تأیید می‌کند. این بدان معناست که می‌توان از اطلاعات پنهان در روایت‌های بالینی برای شناسایی بیماران در معرض خطر و اتخاذ تصمیمات درمانی بهتر بهره برد.

۳. سوگیری خطر در گروه‌های متنوع بیماران:

یکی از مهم‌ترین و هشداردهنده‌ترین یافته‌ها، شناسایی تفاوت‌ها در سوگیری خطر (risk bias) برای گروه‌های متنوع بیماران است، حتی زمانی که صرفاً از داده‌های متنی آزاد استفاده می‌شود. این امر به این معناست که دقت و کارایی مدل پیش‌بینی ممکن است برای زیرگروه‌های جمعیتی مختلف (مثلاً بر اساس نژاد، جنسیت یا سایر ویژگی‌ها) متفاوت باشد. این یافته بر اهمیت طراحی الگوریتم‌های عادلانه (fair algorithms) و توجه به پیامدهای اجتماعی و اخلاقی استفاده از هوش مصنوعی در پزشکی تأکید می‌کند تا از تشدید نابرابری‌های بهداشتی جلوگیری شود. بررسی منابع این سوگیری‌ها (مثلاً تفاوت در نحوه مستندسازی یا زبان مورد استفاده برای گروه‌های مختلف) برای توسعه مدل‌های آینده ضروری است.

نتایج این تحقیق کاربردهای عملی و دستاوردهای علمی متعددی را به همراه دارد که می‌تواند به طور مستقیم بر کیفیت مراقبت‌های بهداشتی و توسعه آینده انفورماتیک سلامت تأثیر بگذارد:

۱. سیستم‌های هشدار زودهنگام و مداخلات پیشگیرانه:

دستاورد اصلی، امکان توسعه سیستم‌های هشدار زودهنگام هوشمند است. با شناسایی بیماران انکولوژی در معرض خطر بالای نیاز به مراقبت‌های حاد از طریق تحلیل یادداشت‌های بالینی، تیم‌های درمانی می‌توانند به موقع مداخلات پیشگیرانه را آغاز کنند. این مداخلات می‌تواند شامل نظارت دقیق‌تر، تنظیم رژیم دارویی، ارائه آموزش‌های تخصصی به بیمار و خانواده‌اش، یا ارجاع به خدمات حمایتی مانند مشاوره تغذیه یا روانشناسی باشد. هدف نهایی، جلوگیری از وخامت حال بیمار و کاهش موارد بستری شدن‌های اورژانسی غیرضروری است.

۲. بهینه‌سازی تخصیص منابع بیمارستانی:

توانایی پیش‌بینی دقیق نیاز به مراقبت‌های حاد، به مدیران و برنامه‌ریزان بیمارستان‌ها کمک می‌کند تا منابع را به طور مؤثرتری تخصیص دهند. این شامل برنامه‌ریزی برای تخت‌های بستری، تجهیزات پزشکی و نیروی انسانی (پزشکان و پرستاران) است. با پیش‌بینی حجم کاری آینده، می‌توان از کمبود منابع در زمان اوج تقاضا جلوگیری کرد و از سوی دیگر، از هدر رفت منابع در دوره‌های کم‌تقاضا ممانعت به عمل آورد.

۳. پشتیبانی از تصمیم‌گیری بالینی و مراقبت شخصی‌سازی‌شده:

ابزارهای مبتنی بر NLP می‌توانند اطلاعات حیاتی را از یادداشت‌های متنی استخراج کرده و آن‌ها را به روشی قابل فهم برای پزشکان ارائه دهند. این امر تصمیم‌گیری بالینی را تسهیل کرده و امکان ارائه مراقبت‌های شخصی‌سازی‌شده‌تر را فراهم می‌آورد. به عنوان مثال، اگر یادداشت‌ها نشان‌دهنده نگرانی‌های خاص بیمار یا بروز علائم نادر باشند که در داده‌های ساختاریافته قابل مشاهده نیستند، پزشکان می‌توانند برنامه درمانی را با دقت بیشتری تنظیم کنند.

۴. تکمیل و غنی‌سازی داده‌های ساختاریافته:

این تحقیق نشان می‌دهد که یادداشت‌های بالینی نه تنها می‌توانند به تنهایی برای پیش‌بینی خطر به کار روند، بلکه می‌توانند مکمل قدرتمندی برای داده‌های سلامت ساختاریافته (SHD) باشند. با ترکیب هر دو نوع داده، می‌توان مدل‌های پیش‌بینی‌کننده‌ قوی‌تری ساخت که از تمامی ابعاد اطلاعاتی پرونده الکترونیکی سلامت بهره می‌برند و دقت و جامعیت پیش‌بینی را به حداکثر می‌رسانند.

۵. پیشبرد تحقیقات در پردازش زبان طبیعی بالینی:

این مقاله یک پیشرفت قابل توجه در حوزه پردازش زبان طبیعی بالینی (Clinical NLP) است. این پژوهش نشان می‌دهد که حتی با چالش‌های خاص داده‌های بالینی (مثل نویز، اختصارات و زبان تخصصی)، NLP می‌تواند نتایج معنی‌داری تولید کند. این دستاورد، مسیر را برای کاربردهای آتی NLP در تشخیص بیماری‌ها، شناسایی عوارض جانبی داروها، و بهبود کیفیت مستندسازی بالینی هموار می‌کند.

۶. تأکید بر عدالت در هوش مصنوعی سلامت:

شناسایی سوگیری‌های خطر در گروه‌های مختلف بیماران، یک دستاورد اخلاقی و اجتماعی مهم است. این یافته بر ضرورت پرداختن به مسائل عدالت و برابری در طراحی و پیاده‌سازی الگوریتم‌های هوش مصنوعی در مراقبت‌های بهداشتی تأکید دارد. با درک این سوگیری‌ها، می‌توان روش‌هایی را برای اصلاح مدل‌ها و اطمینان از اینکه خدمات و پیش‌بینی‌ها به طور عادلانه به همه جمعیت‌ها ارائه می‌شوند، توسعه داد.

این مطالعه با بررسی جامع کاربرد روش‌های پردازش زبان طبیعی (NLP) در شناسایی بیماران انکولوژی در معرض خطر بالای مراقبت‌های حاد (ACU) بر اساس یادداشت‌های بالینی، گامی مهم در جهت بهره‌برداری از پتانسیل نهفته داده‌های غیرساختاریافته در مراقبت‌های بهداشتی برداشته است. نتایج این پژوهش به وضوح نشان می‌دهد که یادداشت‌های بالینی، به رغم ماهیت پیچیده و غیرساختاریافته‌شان، منبعی غنی از اطلاعات پیش‌بینی‌کننده هستند که می‌توانند به طور مؤثر برای بهبود مدیریت بیماران به کار روند.

یافته‌های کلیدی نشان داد که اگرچه مدل‌های مبتنی بر داده‌های سلامت ساختاریافته (SHD) عملکردی اندکی بالاتر از مدل‌های NLP داشتند (با C-statistic 0.748 در مقابل 0.730)، اما این تفاوت ناچیز، توانایی بالای NLP را در استخراج اطلاعات حیاتی از متن تأیید می‌کند. این بدین معناست که NLP می‌تواند به عنوان یک ابزار قدرتمند و مکمل، یا حتی در غیاب داده‌های ساختاریافته کامل، برای ارائه بینش‌های پیش‌بینی‌کننده در محیط بالینی مورد استفاده قرار گیرد.

نکته برجسته و حیاتی دیگر این تحقیق، تأکید بر وجود تفاوت در سوگیری‌های خطر برای گروه‌های متنوع بیماران، حتی در تحلیل داده‌های متنی آزاد، بود. این یافته یک هشدار مهم برای توسعه‌دهندگان سیستم‌های هوش مصنوعی در سلامت است و لزوم طراحی الگوریتم‌های عادلانه و شفاف را گوشزد می‌کند که به طور یکسان برای همه جمعیت‌ها عمل کرده و به نابرابری‌های موجود در دسترسی به مراقبت‌های بهداشتی دامن نزنند.

در نتیجه، این مقاله نه تنها از نظر علمی به پیشبرد مرزهای دانش در ترکیب NLP و یادگیری ماشین با حوزه انکولوژی کمک کرده است، بلکه کاربردهای عملی گسترده‌ای را نیز به تصویر می‌کشد. مسیرهای تحقیقاتی آینده می‌توانند شامل توسعه مدل‌های هیبریدی که به طور همزمان از داده‌های ساختاریافته و ویژگی‌های استخراج‌شده از متن بهره می‌برند، بهبود و تطبیق مدل‌های یادگیری عمیق پیشرفته (مانند ترانسفورمرها) برای داده‌های بالینی فارسی و تحقیقات عمیق‌تر در مورد منابع و روش‌های کاهش سوگیری در الگوریتم‌ها باشد. در نهایت، این پژوهش راه را برای یک آینده درمانی هموار می‌کند که در آن هوش مصنوعی می‌تواند به طور مؤثرتری در خدمت بیماران قرار گیرد و به سمت مراقبت‌های شخصی‌سازی‌شده، پیشگیرانه و عادلانه‌تر حرکت کند.