۱. مقدمه و اهمیت مقاله

در دنیای پزشکی، ارتباط مؤثر بین پزشک و بیمار نقشی حیاتی در روند درمان ایفا می‌کند. با این حال، بخش قابل توجهی از ارجاعات پزشکی و متون مربوط به سوابق الکترونیکی سلامت (EHR) مملو از اصطلاحات تخصصی و پیچیده‌ای است که درک آن‌ها برای بیماران، حتی تحصیل‌کرده‌ترین آن‌ها، دشوار یا گاهی غیرممکن است. این شکاف زبانی می‌تواند منجر به اضطراب بیمار، عدم پایبندی به دستورالعمل‌های درمانی و در نهایت، کاهش کیفیت مراقبت‌های بهداشتی شود. مقاله حاضر با معرفی مدل MedJEx، گامی مهم در جهت پر کردن این شکاف برمی‌دارد.

هدف اصلی این تحقیق، توسعه یک سیستم پردازش زبان طبیعی (NLP) است که بتواند اصطلاحات تخصصی پزشکی را که احتمالاً برای بیماران قابل درک نیستند، از متن سوابق الکترونیکی سلامت شناسایی کند. این امر به طور بالقوه می‌تواند پیامدهای مثبتی برای بیماران، پزشکان و توسعه‌دهندگان سیستم‌های سلامت دیجیتال داشته باشد.

۲. نویسندگان و زمینه تحقیق

این پژوهش توسط تیمی از محققان برجسته در حوزه علوم کامپیوتر و پزشکی انجام شده است: Sunjae Kwon، Zonghai Yao، Harmon S. Jordan، David A. Levy، Brian Corner و Hong Yu. این مقاله در دسته “محاسبات و زبان” قرار می‌گیرد، که نشان‌دهنده تمرکز آن بر تلاقی فناوری پردازش زبان طبیعی و کاربردهای عملی آن در حوزه‌های علمی و تخصصی است.

نویسندگان با بهره‌گیری از دانش خود در زمینه NLP و همچنین درک عمیق از چالش‌های ارتباطی در حوزه سلامت، مدلی را طراحی کرده‌اند که نه تنها از نظر دقت، بلکه از نظر روش‌شناسی نیز نوآورانه است.

۳. چکیده و خلاصه محتوا

مقاله MedJEx یک رویکرد جدید در پردازش زبان طبیعی (NLP) را برای شناسایی اصطلاحات تخصصی پزشکی که ممکن است برای بیماران دشوار باشند، از یادداشت‌های سوابق الکترونیکی سلامت (EHR) معرفی می‌کند. محققان ابتدا یک مجموعه داده جدید و در دسترس عموم (MedJ) با اصطلاحات تخصصی پزشکی حاشیه‌نویسی شده توسط متخصصان از بیش از ۱۸ هزار جمله سوابق الکترونیکی سلامت ایجاد کرده‌اند.

سپس، آن‌ها مدل جدیدی به نام MedJEx را معرفی می‌کنند که در استخراج اصطلاحات تخصصی پزشکی، عملکرد بهتری نسبت به مدل‌های پیشرفته NLP موجود از خود نشان داده است. نوآوری اصلی MedJEx در دو جنبه کلیدی نهفته است:

• استفاده از بازه ابرپیوندهای ویکی‌پدیا (Wikipedia Hyperlink Span): مدل ابتدا بر روی یک مجموعه داده کمکی مبتنی بر ابرپیوندهای ویکی‌پدیا آموزش داده می‌شود. در این مجموعه داده، ابرپیوندها به مقالات مرتبط ویکی‌پدیا اشاره می‌کنند که می‌توانند توضیحات بیشتری برای اصطلاحات (یا “بازه”های متن) ارائه دهند. این اطلاعات اضافی به مدل کمک می‌کند تا درک عمیق‌تری از واژگان تخصصی پیدا کند. پس از این مرحله، مدل بر روی داده‌های حاشیه‌نویسی شده MedJ تنظیم دقیق (fine-tuned) می‌شود.
• امتیاز بافت‌محور مدل زبان پوشیده‌شده (Contextualized Masked Language Model Score): یافته مهم دیگر این است که استفاده از امتیاز مدل زبان پوشیده‌شده با در نظر گرفتن بافت جمله، برای تشخیص اصطلاحات تخصصی ناآشنا و خاص دامنه مفید است. این امتیاز به مدل کمک می‌کند تا میزان “غیرمنتظره” بودن یک اصطلاح در یک زمینه خاص را بسنجد.

نتایج نشان می‌دهد که آموزش بر روی مجموعه داده‌های کمکی بازه ابرپیوندهای ویکی‌پدیا، عملکرد را در شش مورد از هشت مجموعه داده معیار تشخیص موجودیت‌های نام‌گذاری شده زیست‌پزشکی (biomedical named entity recognition) بهبود بخشیده است. هر دو مجموعه داده MedJ و مدل MedJEx به صورت عمومی در دسترس هستند.

۴. روش‌شناسی تحقیق

روش‌شناسی به کار رفته در این تحقیق، رویکردی چند مرحله‌ای و نوآورانه است که بر ترکیب منابع دانشی خارجی و مدل‌های پیشرفته NLP تمرکز دارد:

• ایجاد مجموعه داده MedJ: اولین قدم، گردآوری و حاشیه‌نویسی یک مجموعه داده بزرگ و تخصصی از سوابق الکترونیکی سلامت بود. این مجموعه داده شامل بیش از ۱۸ هزار جمله بود که اصطلاحات تخصصی پزشکی که احتمالاً برای بیماران ناآشنا هستند، توسط متخصصان مشخص و برچسب‌گذاری شده‌اند. این داده‌ها، سنگ بنای آموزش و ارزیابی مدل MedJEx را تشکیل می‌دهند.
• استفاده از مجموعه داده کمکی ابرپیوندهای ویکی‌پدیا: محققان به این نتیجه رسیدند که استفاده از دانش موجود در ویکی‌پدیا می‌تواند به مدل کمک کند تا اصطلاحات تخصصی را بهتر بفهمد. آن‌ها از بازه‌های متنی در ویکی‌پدیا که به مقالات دیگر پیوند دارند، به عنوان یک منبع دانش کمکی استفاده کردند. این ابرپیوندها نشان‌دهنده مفاهیم مهم یا اصطلاحات خاصی هستند که توضیحات بیشتری در خود ویکی‌پدیا دارند. مدل ابتدا بر روی این داده‌ها آموزش داده می‌شود تا الگوهای کلی مرتبط با اصطلاحات تخصصی را بیاموزد.
• تنظیم دقیق (Fine-tuning) بر روی MedJ: پس از آموزش اولیه با داده‌های ویکی‌پدیا، مدل بر روی مجموعه داده MedJ که به طور خاص برای این کار جمع‌آوری و حاشیه‌نویسی شده بود، تنظیم دقیق می‌شود. این مرحله به مدل اجازه می‌دهد تا دانش عمومی خود را با ویژگی‌های دقیق‌تر و خاص‌تر اصطلاحات تخصصی پزشکی در سوابق سلامت تطبیق دهد.
• بهره‌گیری از امتیاز بافت‌محور مدل زبان پوشیده‌شده (CMLM Score): یک عنصر کلیدی دیگر در روش‌شناسی MedJEx، استفاده از امتیازی است که از یک مدل زبان پوشیده‌شده (مانند BERT یا مدل‌های مشابه) مشتق می‌شود. این مدل‌ها توانایی درک بافت کلمات در جملات را دارند. با پوشاندن (masking) برخی کلمات و سپس اجازه دادن به مدل برای پیش‌بینی آن‌ها بر اساس کلمات اطراف، می‌توان میزان “طبیعی” یا “غیرمنتظره” بودن یک کلمه در آن بافت را سنجید. امتیازی که به کلمات تخصصی داده می‌شود، نشان‌دهنده ناآشنا بودن احتمالی آن‌ها برای فرد غیرمتخصص است. این رویکرد به ویژه برای شناسایی اصطلاحات ناآشنا و خاص دامنه پزشکی بسیار مؤثر است.
• معیارهای ارزیابی: عملکرد MedJEx با استفاده از معیارهای استاندارد NLP و با مقایسه با مدل‌های پیشرفته موجود ارزیابی شده است. همچنین، تأثیر استفاده از مجموعه داده کمکی ویکی‌پدیا بر روی هشت مجموعه داده معیار تشخیص موجودیت‌های نام‌گذاری شده زیست‌پزشکی نیز مورد بررسی قرار گرفته است.

۵. یافته‌های کلیدی

این پژوهش نتایج قابل توجهی را به همراه داشته است که بر توانایی و کارایی مدل MedJEx تأکید دارند:

• برتری MedJEx بر مدل‌های موجود: MedJEx در استخراج اصطلاحات تخصصی پزشکی از سوابق سلامت، عملکرد بهتری نسبت به مدل‌های NLP پیشرفته فعلی از خود نشان داده است. این بهبود در معیارهای مختلف ارزیابی مشاهده شده است.
• اهمیت داده‌های کمکی ویکی‌پدیا: آموزش مدل بر روی مجموعه داده کمکی مبتنی بر ابرپیوندهای ویکی‌پدیا، بهبود چشمگیری در عملکرد کلی مدل ایجاد کرده است. این یافته نشان می‌دهد که چگونه ترکیب دانش از دامنه‌های مرتبط می‌تواند به مدل‌های تخصصی کمک کند.
• کارایی امتیاز CMLM: استفاده از امتیاز بافت‌محور مدل زبان پوشیده‌شده، برای شناسایی اصطلاحات تخصصی ناآشنا و خاص حوزه پزشکی بسیار مؤثر بوده است. این امتیاز به طور مؤثری به مدل در تشخیص کلماتی که احتمالاً برای بیماران چالش‌برانگیز هستند، کمک می‌کند.
• تأثیر مثبت بر مجموعه داده‌های معیار: آموزش مدل با استفاده از مجموعه داده کمکی ویکی‌پدیا، باعث بهبود عملکرد در شش مورد از هشت مجموعه داده معیار شناخته شده در زمینه تشخیص موجودیت‌های نام‌گذاری شده زیست‌پزشکی شده است. این گستردگی تأثیر نشان‌دهنده قابلیت تعمیم‌پذیری رویکرد است.
• دسترس‌پذیری عمومی: یکی از دستاوردهای مهم این تحقیق، عمومی بودن مجموعه داده MedJ و مدل MedJEx است. این امر امکان تحقیق و توسعه بیشتر را برای جامعه علمی فراهم می‌کند.

۶. کاربردها و دستاوردها

مدل MedJEx پتانسیل ایجاد تغییرات قابل توجهی در نحوه تعامل بیماران با اطلاعات پزشکی و سیستم‌های سلامت را دارد. برخی از کاربردهای کلیدی و دستاوردهای آن عبارتند از:

• بهبود ارتباط بیمار و پزشک: با شناسایی خودکار اصطلاحات پیچیده در یادداشت‌های پزشکی، می‌توان این اصطلاحات را برای بیمار ساده‌سازی کرد. این امر می‌تواند به صورت ارائه تعاریف ساده، جایگزینی با واژگان قابل فهم‌تر، یا ارجاع به منابع آموزشی انجام شود.
• افزایش سواد سلامت (Health Literacy): دسترسی آسان‌تر به اطلاعات قابل فهم، به بیماران کمک می‌کند تا درک بهتری از وضعیت سلامتی خود، گزینه‌های درمانی و دستورالعمل‌های پزشکی داشته باشند.
• توسعه سیستم‌های سلامت هوشمند: MedJEx می‌تواند بخشی از سیستم‌های جامع‌تر سلامت دیجیتال باشد، مانند پورتال‌های بیماران، دستیارهای مجازی سلامت، یا ابزارهای مستندسازی پزشکی که به طور خودکار متون تخصصی را برای عموم قابل فهم می‌کنند.
• پشتیبانی از محققان: با فراهم کردن مجموعه داده MedJ و مدل MedJEx، جامعه تحقیقاتی در حوزه NLP پزشکی قادر خواهد بود مدل‌های خود را توسعه داده و صحت‌سنجی کنند، همچنین نوآوری‌های جدیدی در زمینه پردازش زبان طبیعی در پزشکی خلق نمایند.
• کاهش خطاهای درمانی: درک بهتر اطلاعات پزشکی توسط بیماران می‌تواند منجر به پایبندی بیشتر به درمان، کاهش سوءتفاهم‌ها و در نهایت، کاهش خطاهای مرتبط با عدم درک صحیح دستورالعمل‌ها شود.
• بهبود دسترسی به اطلاعات پزشکی: برای افرادی با سطوح مختلف تحصیلات یا زبان مادری متفاوت، قابل فهم کردن متون پزشکی یک چالش بزرگ است. MedJEx می‌تواند در جهت برطرف کردن این چالش گام بردارد.

به طور کلی، دستاورد اصلی MedJEx، تسهیل دسترسی به دانش پزشکی از طریق غلبه بر موانع زبانی است، که این امر مستقیماً بر کیفیت مراقبت‌های بهداشتی و تجربه بیمار تأثیر می‌گذارد.

۷. نتیجه‌گیری

مقاله “MedJEx: مدل استخراج زبان تخصصی پزشکی مبتنی بر بازه ابرپیوندهای ویکی و امتیاز بافت‌محور مدل زبان پوشیده‌شده” یک پیشرفت قابل توجه در حوزه پردازش زبان طبیعی پزشکی محسوب می‌شود. با معرفی مجموعه داده MedJ و مدل نوآورانه MedJEx، محققان راه حلی عملی و مؤثر برای شناسایی اصطلاحات تخصصی پزشکی که برای بیماران قابل درک نیستند، ارائه داده‌اند.

ترکیب هوشمندانه دانش وب (از طریق ابرپیوندهای ویکی‌پدیا) و قابلیت‌های مدل‌های زبان پیشرفته (با استفاده از امتیاز بافت‌محور) به MedJEx اجازه می‌دهد تا با دقت بالاتری عمل کند و بر محدودیت‌های مدل‌های پیشین غلبه نماید. دسترسی عمومی به این مجموعه داده و مدل، فرصت‌های بی‌شماری را برای تحقیقات آینده و توسعه ابزارهای کاربردی در حوزه سلامت فراهم می‌آورد.

در نهایت، هدف غایی این تحقیق، ارتقاء سطح سواد سلامت و بهبود ارتباط بین ارائه‌دهندگان خدمات بهداشتی و بیماران است. MedJEx با برداشتن گامی اساسی در جهت قابل فهم‌تر کردن زبان پزشکی، پتانسیل نهفته‌ای برای ایجاد تغییرات مثبت و پایدار در سیستم مراقبت‌های بهداشتی دارد.