Creating A Gold Standard Annotation Guideline for Electronic Health Records
تقدم هذه الورقة مجموعة بيانات مشروحة وفق المعايير الذهبية وإرشادات مصاحبة مستمدة من 1,500 سجلاً إلكترونياً صحياً لمرضى الصرع، محققةً اتفاقاً جوهرياً بين المقيّمين قدره 0.769 لدعم تطوير أنظمة معالجة اللغات الطبيعية للكشف عن الصرع والأمراض المصاحبة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في هدوء المستشفى، وبين طنين أجهزة المراقبة وحفيف الملفات الورقية، تُكتب مكتبة شاسعة من الخبرات البشرية. فعلى مدى عقود، سجل الأطباء قصص مرضاهم في السجلات الصحية الإلكترونية، حيث ملؤوا الملفات الرقمية بملاحظات حول الأعراض، والعلاجات، والتاريخ المعقد لحياة عاشها المرض. هذه السجلات هي كنز من المعلومات، ومع ذلك فهي مكتوبة بلغة غالباً ما تكون فوضوية، وغير منظمة، وشخصية للغاية. وبينما تتفوق الحواسيب في معالجة الأرقام، فقد عانت تاريخياً في قراءة هذه الملاحظات النصية الحرة بنفس الدقة التي يمتلكها الطبيب البشري. وهنا يأتي دور مجال يُعرف بمعالجة اللغات الطبيعية، ليعمل كجسر بين النطق البشري والفهم الآلي. والهدف هو تعليم الحواسيب كيفية قراءة الملاحظات الطبية، واستخراج الحقائق الحيوية الكامنة داخل الفقرات، واستخدام تلك المعرفة لتحسين الرعاية لملايين البشر. ومع ذلك، لكي يتعلم الحاسوب كيفية قراءة ملاحظة طبية، يحتاج أولاً إلى أن يُعلَّم من قبل بشر يمكنهم إظهار ما يهم بالضبط.
لقد اتخذ فريق من الباحثين من كينجز كوليدج لندن وجامعة سوانزي خطوة كبيرة للأمام في هذا المسعى من خلال إنشاء دليل عالي الجودة لتعليم الحواسيب كيفية قراءة السجلات الطبية لمرضى الصرع. الصرع هو حالة عصبية شائعة تتميز بنوبات متكررة، وبينما يدير الكثير من الناس حالتهم بشكل جيد باستخدام الأدوية، فإن نسبة كبيرة منهم لا يستطيعون ذلك. ولفهم سبب عدم استجابة بعض المرضى للعلاج، يحتاج الأطباء إلى النظر في التاريخ الكامل والمفصل للمرض، بما في ذلك الأدوية المحددة التي تم تناولها، وتكرار النوبات، والعديد من العوامل الأخرى التي تؤثر على حياة المريض. هذه التفاصيل مبعثرة عبر آلاف السجلات الصحية الإلكترونية، وغالباً ما تكون مدفونة في أوصاف نصية حرة. وقد سعى الباحثون إلى إنشاء مجموعة بيانات "المعيار الذهبي" — وهي مجموعة من هذه السجلات التي تمت قراءتها وتصنيفها بعناية من قبل الخبراء، مصحوبة بمجموعة صارمة من القواعد حول كيفية تصنيفها. صُمم هذا المورد للمساعدة في تدريب أنظمة الذكاء الاصطناعي على إيجاد هذه التفاصيل الحرجة تلقائياً، وتحويل جبل من النصوص إلى بيانات مهيكلة وقابلة للاستخدام.
لبناء هذا المورد، جمع الفريق 1500 سجل صحي إلكتروني من عيادات الصرع في مؤسسة جايز و سانت توماس في لندن. لم يتم اختيار هذه الوثائق عشوائياً؛ بل تم اختيارها بعناية لتمثل شريحة واسعة ومتنوعة من المرضى، مما يضمن مزيجاً من الأعمار، وأنواع مختلفة من الأدوية، وتكرارات متفاوتة للنوبات. السجلات نفسها هي مزيج من البيانات المهيكلة، مثل تاريخ ميلاد المريض، والنصوص غير المهيكلة، حيث يكتب الأطباء ملاحظاتهم، وخطط علاجهم، وملاحظاتهم حول كيفية تعايش المريض مع حالته. ثم جمع الباحثون فريقاً من ثمانية أشים لقراءة وتصنيف هذه الوثائق. كان هذا الفريق مزيجاً من خمسة من الأطباء السريريين، وهم أطباء بشريون، وثلاثة من علماء البيانات المتخصصين في الصرع. استخدموا أداة برمجية متخصصة سمحت لهم بتحديد قطع معينة من المعلومات في النص وتصنيفها إلى فئات، مثل نوع الصرع الذي يعاني منه المريض، والأدوية التي يتناولها، والجرعة، وأي حالات صحية أخرى قد يعاني منها.
تم تصميم العملية لتكون واضحة ومتسقة قدر الإمكان. وضع الفريق مجموعة مفصلة من الإرشادات التي تشرح كيفية تفسير النص بدقة. على سبيل المثال، إذا كتب طبيب أن مريضاً يعاني "ربما" من نوبات، فقد أخبرت الإرشادات المصنفين بكيفية تقييم مستوى اليقين هذا. كما كان على الفريق أيضاً أن يقرر كيفية التعامل مع الحالات المعقدة، مثل مريض يتناول دواءً بجرعات مختلفة في أوقات مختلفة من اليوم. ولاختبار مدى فعالية هذه الإرشادات، تمت قراءة وتصنيف كل وثيقة من قبل شخصين مختلفين: طبيب سريري وعالم بيانات. سمحت عملية التدقيق المزدوج هذه للباحثين بقياس مدى اتفاق القارئين مع بعضهما البعض. فإذا كانت الإرشادات واضحة وكانت المهمة مباشرة، فسيقوم القارئان بتصنيف نفس المعلومات بنفس الطريقة. وإذا اختلفا، فهذا يشير إلى أن الإرشادات قد تحتاج إلى أن تكون أكثر وضوحاً أو أن المعلومات في النص كانت غامضة للغاية.
أظهرت نتائج هذا الجهد أن الفريق قد نجح إلى حد كبير في إنشاء نظام موثوق. فعندما قارن الباحثون عمل القارئين لكل وثيقة، وجدوا مستوى عالياً من الاتفاق بشكل عام. كانت التصنيفات الأكثر اتساقاً هي للحقائق الأكثر وضوحاً، مثل أسماء أدوية مضادات الصرع التي يتناولها المريض وما إذا كان خالياً من النوبات حالياً. هذه التفاصيل تظهر غالباً في أقسام واضحة تشبه القوائم في الملاحظات، مما يجعل من السهل على كل من الأطباء وعلماء البيانات رصدها والاتفاق عليها. ومع ذلك، وجد الباحثون أيضاً أن الاتفاق ينخفض عندما تصبح الملاحظات ذات طابع شخصي أو معقدة. فعلى سبيل المثال، عندما يناقش النص درجة اليقين بشأن تشخيص ما أو التوقيت الدقيق للأحداث، كان القارئان يختلفان أحياناً. وفي بعض كتل الوثائق، كان الاتفاق أقل، مما يشير إلى أن أجزاء معينة من الملاحظات كانت أصعب في التفسير من غيرها. وأشار الباحثون إلى أن هذا لم يكن بسبب اختلاف الوثائق نفسها، بل لأنه من المرجح أن القراء البشر وجدوا صعوبة في تطبيق القواعد بشكل مثالي في كل حالة، خاصة عند التعامل مع لغة غامضة أو جرعات متعددة من الدواء.
على الرغم من هذه التحديات، كان المستوى العام للاتفاق قوياً بما يكفي ليكون مفيداً لتدريب أنظمة الكمبيوتر. وخلص الفريق إلى أن إرشاداتهم كانت قابلة للتكرار بشكل عام وأن مجموعة البيانات الناتجة هي مورد قيم للمستقبل. ووجدوا أن صعوبة الاتفاق على معلومة ما لم تكن تعتمد على مدى ندرة تلك المعلومة؛ فحتى الحقائق الشائعة يمكن أن يصعب الاتفاق عليها إذا كُتبت بشكل غامض. وتشير الدراسة إلى أنه لكي يتقن الذكاء الاصطناعي حقاً فن قراءة الملاحظات الطبية، يجب أن تركز الإرشادات المستقبلية بشكل أكبر على التعامل مع عدم اليقين وتعليم الآلات كيفية التفكير في الزمان والاحتمالية. ومع استمرار الفريق في تصنيف المزيد من السجلات وتدقيق قواعدهم، ستعمل مكتبة البيانات المصنفة المتنامية هذه كقاعدة لبناء أدوات أكثر ذكاءً. ويمكن لهذه الأدوات أن تساعد الأطباء في النهاية على تحليل آلاف السجلات المرضية في ثوانٍ، وكشف الأنماط التي قد تؤدي إلى علاجات أفضل لأولئك الذين يعانون من الصرع المقاوم للأدوية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.