Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

Resumen Técnico: Sistema Automatizado de Predicción de Enfermedades y Prescripción con Integración de Sinónimos Regionales en Kannada

Planteamiento del Problema
La prestación de servicios de salud eficaces depende en gran medida de una comunicación clara entre proveedores y pacientes. En regiones multilingües, las barreras lingüísticas conducen frecuentemente a diagnósticos erróneos, errores de medicación y resultados subóptimos para el paciente. Si bien la Traducción Automática Neuronal (NMT) ha avanzado significativamente, las soluciones existentes como Google Translate y Whisper a menudo fallan al traducir con precisión lenguas de bajos recursos, particularmente cuando se trata de dialectos regionales y sinónimos médicos. En Karnataka, India, los pacientes suelen describir la misma enfermedad utilizando diferentes términos regionales en kannada (sinónimos) que las herramientas de traducción estándar malinterpretan o traducen literalmente (por ejemplo, traduciendo un término regional para "picazón" como "desayuno" o "irritación"). Además, la falta de conjuntos de datos médicos públicos y a gran escala para estos pares de lenguas específicos limita el desarrollo de modelos de traducción robustos y adaptables al dominio.

Metodología
Los autores proponen un sistema automatizado que integra la conversión de voz a texto, la traducción automática consciente de los sinónimos regionales y la predicción de enfermedades. El núcleo del flujo técnico consiste en:

1. Recopilación y Preprocesamiento de Datos: Se creó un conjunto de datos personalizado de aproximadamente 900 pares de frases en kannada-inglés, centrándose en síntomas de pacientes y descripciones de enfermedades. Los datos fueron sometidos a limpieza (conversión a minúsculas, eliminación de caracteres especiales), tokenización y creación de vocabulario.
2. Arquitectura del Modelo: El sistema emplea una arquitectura de Redes Neuronales Recurrentes (RNN), utilizando específicamente unidades de Memoria a Largo Corto Plazo (LSTM) para manejar datos secuenciales y dependencias de largo plazo.
   • Marco Codificador-Decodificador: Un codificador procesa el texto de entrada en kanna a un vector de dimensión fija (estados ocultos y de celda), mientras que un decodificador genera la traducción al inglés.
   • Mecanismos de Atención: El modelo integra mecanismos de atención general y global para permitir que el decodificador se enfoque dinámicamente en las partes relevantes de la oración de origen, mitigando el cuello de botella de información de los modelos estándar de codificador-decodificador.
   • Estrategia de Entrenamiento: Se utiliza el algoritmo de Forzado del Maestro (Teacher Forcing) durante el entrenamiento para proporcionar al decodificador salidas de referencia precisas, mejorando la convergencia.
   • Decodificación: Se evaluaron tanto los enfoques de Decodificación Codiciosa (Greedy Decoding) como de Búsqueda de Haz (Beam Search) para optimizar la fluidez y exactitud de la traducción.
3. Integración de Sinónimos: Un componente clave de la metodología es la capacidad del sistema para reconocer sinónimos regionales en kannada para enfermedades. A diferencia de los traductores estándar que pueden fallar ante variaciones dialectales, este modelo está entrenado para mapear estas variaciones regionales a la terminología médica correcta en inglés.
4. Predicción de Prescripción: Una vez que el texto es traducido y la enfermedad es identificada, el sistema consulta un conjunto de datos para predecir la medicación correspondiente.

Contribuciones Clave

• Manejo de Sinónimos Regionales: El desarrollo de un modelo de traducción diseñado específicamente para manejar pares de kannada-inglés con un enfoque en sinónimos médicos regionales, abordando una brecha donde las herramientas como Google Translate fallan frecuentemente.
• Implementación Arquitectónica: La integración de mecanismos de atención y el algoritmo de forzado del maestro dentro de un marco RNN-LSTM para mejorar la calidad de la traducción para lenguas de bajos recursos.
• Evaluación Comparativa: Una comparación exhaustiva de su modelo propuesto frente a Google Translate y el traductor Whisper, demostrando un rendimiento superior en contextos médicos específicos.
• Creación de Conjunto de Datos: La creación de un conjunto de datos especializado de aproximadamente 900 frases de síntomas de pacientes para facilitar el entrenamiento y la evaluación en este dominio.

Resultados
El sistema propuesto fue evaluado utilizando métricas estándar de NMT: BLEU, METEOR y Tasa de Edición de Traducción (TER).

• Precisión de Traducción: El modelo propuesto logró un rango de puntuación BLEU de 41.5–31.8 y una puntuación METEOR de 52.2%, superando a Google Translator (BLEU 35.8–28.4, METEOR 39.5%) y al Traductor Whisper (BLEU 39.8–30.8, METEOR 41.5%).
• Reducción de Errores: El modelo demostró una Tasa de Edición de Traducción (TER) inferior de 53.1% en comparación con el 69.2% de Google y el 64.6% de Whisper.
• Reconocimiento de Sinónimos: En pruebas cualitativas, el modelo propuesto identificó correctamente términos regionales para enfermedades como "Picazón" (traduciendo correctamente varios términos regionales en kanna), "Asma" y "Venas Varicosas", mientras que Google y Whisper produjeron traducciones literales o incorrectas (por ejemplo, traduciendo un término regional para picazón como "Desayuno").
• Predicción de Prescripción: El sistema reportó una precisión del 95% en la predicción de medicamentos basados en las descripciones de enfermedades traducidas, aunque esto se evalúa frente a los errores de predicción dentro del contexto del conjunto de datos específico.

Significancia y Reivindicaciones
El artículo afirma que el sistema logra cerrar la brecha de comunicación en la atención médica para las poblaciones que hablan kanna mediante la traducción precisa de dialectos regionales y sinónimos que las herramientas estándar omiten. Al permitir que robots o sistemas automatizados comprendan las entradas de los pacientes en lenguaje natural y pronostiquen las medicaciones apropiadas, el sistema tiene como objetivo asistir a los profesionales de la salud en la gestión de altos volúmenes de pacientes de manera más eficiente. Los autores enfatizan que, si bien el sistema muestra resultados prometedores, está diseñado para apoyar, no para reemplazar, a los profesionales médicos; todas las prescripciones predichas están destinadas a ser verificadas por especialistas humanos para garantizar la seguridad, reconociendo las limitaciones de la IA para garantizar una exactitud total.