Enhancing Patient Experience Using Machine Learning and Deep Learning Based Sentiment Analysis

في عالم الرعاية الصحية المعاصر، لم تعد جودة الرعاية تُقاس فقط بالنتائج الطبية أو سرعة التشخيص، بل أصبح تجربة المريض نفسه، بشكل متزايد، معياراً مركزياً للنجاح. فعندما يزور شخص ما مستشفى، فإنه يترك وراءه أثراً من الأفكار، والشكاوى، والثناء، والتي غالباً ما يتم مشاركتها في شكل نصوص غير منظمة على المواقع الإلكترونية، والمنتديات، ووسائل التواصل الاجتماعي. تحتوي هذه الآلاف من القصص الفردية على ثروة من المعلومات حول ما ينجح وما يفشل، لكنها ضخمة وفوضوية للغاية بحيث يصعب على طاقم العمل البشري قراءتها وتحليلها واحدة تلو الأخرى. ولتفسير هذا الضجيج الرقمي، يلجأ الباحثون إلى مجال في علوم الحاسوب يُعرف باسم "تحليل المشاعر". وهذه هي عملية تعليم الآلات قراءة النصوص وفهم العاطفة الكامنة وراء الكلمات، والتمييز بين الفرح، والغضب، واللامبالاة. ومن خلال أتمتة هذه المهمة، يمكن لمقدمي الرعاية الصحية الانتقال من مرحلة التخمين حول ما يشعر به المرضى إلى معرفة ما يشعرون به بدقة، مما يسمح لهم بإصلاح مشكلات محددة وتكييف خدماتهم لتلبية الاحتياجات البشرية الحقيقية.

لقد شرع فريق من الباحثين من عدة جامعات هندية في تطبيق هذه التكنولوجيا على الواقع المعقد لرعاية المرضى. حيث جمعوا مجموعة هائلة تضم ما يقرب من 10,000 مراجعة مكتوبة من 21 مستشفى مختلفاً عبر مدن متنوعة في الهند. كانت هذه المراجعات مزيجاً من التعليقات الإيجابية، والشكاوى السلبية، والملاحظات المحايدة. ولم يكن الهدف مجرد عدّ عدد الأشخاص السعداء أو غير السعداء، بل بناء نظام متطور يمكنه فهم المعنى العميق لهذه الكلمات والكشف عن المواضيع الخفية التي دفعت تلك المشاعر. وللقيام بذلك، اختبر الباحثون مجموعة واسعة من نماذج الحاسوب، بدءاً من الأساليب الإحصائية التقليدية وصولاً إلى أنظمة الذكاء الاصطناعي المتقدمة المصممة لمحاكاة الطريقة التي يعالج بها الدماغ البشري اللغة.

بدأت العملية بتنظيف البيانات الخام، وهي خطوة ضرورية لإعداد النص للتحليل. قام الباحثون بإزالة علامات الترقيم، وتحويل جميع الحروف إلى أحرف صغيرة، وإزالة الكلمات الشائعة مثل "الـ" أو "و" التي لا تحمل وزناً عاطفياً. كما قاموا بتوحيد اللغة، لضمان معاملة الاختلافات مثل "يجري" و"جرى" كنموذج واحد. وبمجرد تنظيم النص، قاموا بتغذيته في أنواع مختلفة من الخوارزميات. أولاً، استخدموا تقنيات تعلم الآلة الراسخة، بما في ذلك "الغابة العشوائية" (Random Forest)، و"أشجار القرار" (Decision Trees)، وأداة قوية تسمى "XGBoost". عملت هذه النماذج من خلال النظر في تكرار وأهمية كلمات معينة لتخمين شعور المراجعة. ومن بين هذه النماذج، أثبت نموذج "XGBoost" أنه الأكثر فعالية، حيث صنف المراجات بشكل صحيح بدقة تقترب من 90 بالمائة. وقد كان جيداً بشكل خاص في تحديد الفروق الدقيقة في التعليقات الإيجابية، رغم أنه واجه صعوبة أكبر قليلاً مع الفئات السلبية والمحايدة الأكثر تعقيداً.

وللتعمق أكثر، استخدم الفريق طبقة ثانية من التكنولوجيا تُعرف باسم "التعلم العميق". صُممت هذه النماذج لفهم سياق وتسلسل الكلمات، تماماً كما يفهم الإنسان أن معنى الجملة يتغير بناءً على ترتيب كلماتها. اختبروا أربعة هياكل مختلفة: "الشبكة العصبية المتكررة البسيطة" (Simple RNN)، و"الذاكرة الطويلة قصيرة المدى" (LSTM)، و"الوحدة المتكررة ذات البوابة" (GRU)، و"الذاكرة الطويلة قصيرة المدى ثنائية الاتجاه" (Bidirectional LSTM). تم تدريب هذه الأنظمة باستخدام طريقتين مختلفتين لتمثيل الكلمات كأرقام، تُعرف باسم "Word2Vec" و"GloVe"، والتي تسمح للحاسوب بفهم أن بعض الكلمات مرتبطة دلالياً ببعضها البعض. وأظهرت النتائج أن نماذج التعلم العميق تفوقت بشكل كبير على النماذح التقليدية. وكان الأفضل أداءً هو نموذج "Bidirectional LSTM"، الذي حقق دقة تزيد عن 96 بالمائة. تميز هذا النموذج بقدرته على قراءة النص في كلا الاتجاهين، من البداية إلى النهاية ومن النهاية إلى البداية، مما سمح له بالتقاط السياق الكامل للجملة بشكل أكثر فعالية من النماذج التي تقرأ في اتجاه واحد فقط.

وبينما كانت الدقة العالية لهذه النماذج مثيرة للإعجاب، أراد الباحثون معرفة ما هو أكثر من مجرد كون المراجعة جيدة أم سيئة؛ فقد أرادوا معرفة موضوع هذه المراجعات بالفعل. وللكشف عن هذه المواضيع الخفية، استخدموا تقنية تسمى "نمذجة المواضيع" (Topic Modeling). تعمل هذه الطريقة على تجميع الكلمات التي تظهر معاً بشكل متكرر للكشف عن الموضوعات الأساسية للمحادثة. وعند تطبيق ذلك على المراجعات السلبية والإيجابية والمحايدة، حدد النموذج مجموعات محددة من الكلمات المميزة لكل فئة من فئات المشاعر. اختار الباحثون الكلمات الأكثر مساهمة في كل موضوع لوصف المواضيع الرئيسية التي تحدث ضمن الفئات الشعورية المختلفة، مما سمح لهم بمقارنة الموضوعات التي دفعت المشاعر الإيجابية مقابل تلك التي تسببت في عدم الرضا. هذه القدرة على فصل النبرة العاطفية عن الموضوع المحدد سمحت للباحثين برؤية الجوانب المحددة من رعاية المستشفيات التي كانت تدفع رضا المرضى أو عدم رضاهم.

كما استكشفت الدراسة استخدام نموذج متقدم جداً يسمى "BERT"، وهو يعتمد على نظام مُدرب مسبقاً تعلم قدراً هائلاً من اللغة من الإنترنت. طبق الباحثون هذا النموذج التحويلي (Transformer) صراحةً لأغراض المقارنة مع الخوارزميات الأخرى المختبرة، مع تفصيل بنيته وطريقة تدريبه لتقييم أدائه. وبينما يُعرف "BERT" بقدرته على فهم السياق المعقد، ركزت الدراسة في مقاييس الأداء المُبلغ عنها على نماذج التعلم العميق المخصصة ومصنفات تعلم الآلة التقليدية. وخلص الباحثون إلى أنه من خلال الجمع بين أدوات التصنيف القوية هذه ونمذجة المواضيع، يمكن للمستشفيات الحصول على رؤية شاملة لأدائها. إذ يمكنهم تجاوز درجات الرضا البسيطة لفهم الأسباب المحددة وراءها، سواء كانت تكلفة الرعاية، أو سلوك موظف الاستقبال، أو جودة العلاج الطبي.

يُظهر هذا العمل أن الأصوات غير المنظمة للمرضى يمكن تحويلها إلى رؤى واضحة وقابلة للتنفيذ. فمن خلال استخدام مزيج من تعلم الآلة لفرز العواطف ونمذجة المواضيع لتحديد الأسباب، يمكن لمقدمي الرعاية الصحية تحديد المواضع التي تحتاج فيها خدماتهم إلى تحسين بدقة. وتشير النتائج إلى أن مستقبل تجربة المريض يكمن في الاستماع إلى البيانات ليس فقط كأرقام، بل كمجموعة من القصص التي، عندما تُقرأ بشكل صحيح، تكشف الطريق نحو رعاية أفضل. وأشار الباحثون إلى أنه بينما ركز عملهم الحالي على المراجعات عبر الإنترنت، يمكن تطبيق نفس الأساليب على الملاحظات التي يتم جمعها من خلال الاستطلاعات الهاتفية أو وسائل التواصل الاجتماعي، مما يوسع نطاق هذا الفهم. وفي نهاية المطاف، توفر الدراسة مخططاً لكيفية قيام التكنولوجيا بجسر الفجوة بين تجربة المريض وإدارة المستشفيات، مما يضمن سماع أصوات أولئك الذين يتلقون الرعاية وفهمها.