Creating A Gold Standard Annotation Guideline for Electronic Health Records
यह शोध पत्र मिर्गी और सहवर्ती रोगों (comorbidity) के पता लगाने के लिए एनएलपी (NLP) प्रणालियों के विकास में सहायता हेतु 1,500 मिर्गी इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से प्राप्त एक गोल्ड-स्टैंडर्ड एनोटेटेड डेटासेट और साथ में दिशानिर्देश प्रस्तुत करता है, जिसने 0.769 का पर्याप्त इंटर-एनोटेटर समझौता (inter-annotator agreement) प्राप्त किया है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
अस्पताल की शांत गूँज के बीच, मॉनिटरों की बीपिंग और कागजी चार्टों की सरसराहट के बीच, मानवीय अनुभवों का एक विशाल पुस्तकालय लिखा जा रहा है। दशकों से, डॉक्टर अपने रोगियों की कहानियों को इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में दर्ज करते रहे हैं, डिजिटल फाइलों को लक्षणों, उपचारों और बीमारी के साथ जीते हुए जीवन के जटिल इतिहास के नोट्स से भरते रहे हैं। ये रिकॉर्ड सूचनाओं का एक खजाना हैं, फिर भी ये ऐसी भाषा में लिखे जाते हैं जो अक्सर अव्यवस्थित, असंरचित और गहराई से व्यक्तिगत होती है। जबकि कंप्यूटर संख्याओं की गणना करने में उत्कृष्ट हैं, वे ऐतिहासिक रूप से इन मुक्त-पाठ (free-text) नोट्स को उसी सूक्ष्मता के साथ पढ़ने में संघर्ष करते आए हैं जो एक मानव डॉक्टर के पास होती है। यहीं पर नेचुरल लैंग्वेज प्रोसेसिंग (NLP) नामक एक क्षेत्र कदम रखता है, जो मानवीय भाषा और मशीन की समझ के बीच एक सेतु के रूप में कार्य करता है। इसका लक्ष्य कंप्यूटर को चिकित्सा संबंधी नोट्स पढ़ना सिखाना, पैराग्राफ के भीतर छिपे महत्वपूर्ण तथ्यों को निकालना और उस ज्ञान का उपयोग लाखों लोगों की देखभाल में सुधार करने के लिए करना है। हालाँकि, एक कंप्यूटर को डॉक्टर के नोट पढ़ना सीखने के लिए, उसे पहले उन मनुष्यों द्वारा सिखाया जाना आवश्यक है जो उसे दिखा सकें कि वास्तव में क्या महत्वपूर्ण है।
किंग्स कॉलेज लंदन और स्वांज़ी यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एपिलेप्सी (मिर्गी) वाले लोगों के चिकित्सा रिकॉर्ड को पढ़ने के लिए कंप्यूटर को सिखाने हेतु एक नया, उच्च-गुणवत्ता वाला मार्गदर्शक तैयार करके इस प्रयास में एक महत्वपूर्ण कदम उठाया है। एपिलेप्सी एक सामान्य न्यूरोलॉजिकल स्थिति है जिसकी विशेषता बार-बार होने वाले दौरे हैं, और हालांकि कई लोग दवा के साथ इसे अच्छी तरह से प्रबंधित करते हैं, एक बड़ा हिस्सा ऐसा नहीं कर पाता है। कुछ रोगी उपचार के प्रति प्रतिक्रिया क्यों नहीं देते, यह समझने के लिए डॉक्टरों को बीमारी के पूर्ण, विस्तृत इतिहास को देखने की आवश्यकता होती है, जिसमें ली गई विशिष्ट दवाएं, दौरों की आवृत्ति और वे कई अन्य कारक शामिल हैं जो एक रोगी के जीवन को प्रभावित करते हैं। ये विवरण हजारों इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड में बिखरे हुए हैं, जो अक्सर मुक्त-पाठ विवरणों में दबे होते हैं। शोधकर्ताओं ने एक "गोल्ड स्टैंडर्ड" डेटासेट बनाने का लक्ष्य रखा—इन रिकॉर्डों का एक संग्रह जिसे विशेषज्ञों द्वारा सावधानीपूर्वक पढ़ा और लेबल किया गया है, और जो उन्हें लेबल करने के तरीके पर नियमों के एक सख्त सेट के साथ आता है। यह संसाधन कृत्रिम बुद्धिमत्ता (AI) प्रणालियों को इन महत्वपूर्ण विवरणों को स्वचालित रूप से खोजने के लिए प्रशिक्षित करने में मदद करने के लिए डिज़ाइन किया गया है, जिससे पाठ के एक पहाड़ को संरचित, उपयोगी डेटा में बदला जा सके।
इस संसाधन के निर्माण के लिए, टीम ने लंदन के गाइज़ एंड सेंट थॉमस ट्रस्ट की एपिलेप्सी क्लीनिकों से 1,500 इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड एकत्र किए। ये दस्तावेज़ यादृच्छिक रूप से नहीं चुने गए थे; उन्हें रोगियों के एक विस्तृत क्रॉस-सेक्शन का प्रतिनिधित्व करने के लिए सावधानीपूर्वक चुना गया था, जिससे उम्र, विभिन्न प्रकार की दवाओं और दौरों की अलग-अलग आवृत्तियों का मिश्रण सुनिश्चित हो सके। रिकॉर्ड स्वयं संरचित डेटा (जैसे रोगी की जन्म तिथि) और असंरचित पाठ का मिश्रण हैं, जहाँ डॉक्टर अपने अवलोकन, उपचार योजनाएं और रोगी कैसे सामंजस्य बिठा रहा है, इस पर नोट्स लिखते हैं। शोधकर्ताओं ने फिर इन दस्तावेजों को पढ़ने और लेबल करने के लिए आठ लोगों की एक टीम गठित की। यह टीम पांच क्लिनिशियन (जो चिकित्सा डॉक्टर हैं) और तीन डेटा वैज्ञानिकों का मिश्रण थी जो एपिलेप्सी में विशेषज्ञता रखते हैं। उन्होंने एक विशेष सॉफ्टवेयर टूल का उपयोग किया जिसने उन्हें पाठ में विशिष्ट जानकारी को हाइलाइट करने और उन्हें श्रेणियों में असाइन करने की अनुमति दी, जैसे कि रोगी को किस प्रकार की एपिलेप्सी है, वे कौन सी दवाएं ले रहे हैं, खुराक क्या है, और उनकी कोई अन्य स्वास्थ्य स्थितियां हो सकती हैं।
प्रक्रिया को यथासंभव स्पष्ट और सुसंगत बनाया गया था। टीम ने विस्तृत दिशा-निर्देश बनाए जो यह समझाते थे कि पाठ की व्याख्या कैसे की जाए। उदाहरण के लिए, यदि किसी डॉक्टर ने लिखा कि एक रोगी "संभवतः" दौरों का सामना कर रहा है, तो दिशा-निर्देशों ने एनोटेटर्स (annotators) को निश्चितता के उस स्तर को रेट करने के बारे में बताया। टीम को जटिल स्थितियों को संभालने के लिए भी निर्णय लेना था, जैसे कि एक रोगी दिन के अलग-अलग समय पर अलग-अलग खुराक वाली दवा ले रहा हो। यह परीक्षण करने के लिए कि ये दिशा-निर्देश कितने प्रभावी रहे, प्रत्येक दस्तावेज़ को दो अलग-अलग लोगों द्वारा पढ़ा और लेबल किया गया: एक क्लिनिशियन और एक डेटा वैज्ञानिक। इस दोहरी जाँच प्रक्रिया ने शोधकर्ताओं को यह मापने की अनुमति दी कि दोनों पाठक एक-दूसरे के साथ कितनी सहमति रखते हैं। यदि दिशा-निर्देश स्पष्ट थे और कार्य सीधा था, तो दोनों पाठक एक ही जानकारी को एक ही तरह से लेबल करेंगे। यदि वे असहमत थे, तो इससे संकेत मिला कि दिशा-निर्देश शायद अधिक स्पष्ट होने चाहिए या जानकारी बहुत अस्पष्ट थी।
इस प्रयास के परिणामों ने दिखाया कि टीम ने काफी हद तक एक विश्वसनीय प्रणाली बनाने में सफलता प्राप्त की है। जब शोधकर्ताओं ने प्रत्येक दस्तावेज़ के लिए दो पाठकों के कार्य की तुलना की, तो उन्होंने समग्र रूप से उच्च स्तर की सहमति पाई। सबसे सुसंगत लेबल सबसे सीधे तथ्यों के लिए थे, जैसे कि रोगी द्वारा ली जा रही एंटी-सीज़र दवाओं के नाम और क्या वे वर्तमान में दौरों से मुक्त हैं। ये विवरण अक्सर नोट्स के स्पष्ट, सूची जैसे अनुभागों में दिखाई देते हैं, जिससे डॉक्टरों और डेटा वैज्ञानिकों दोनों के लिए उन्हें पहचानना और सहमत होना आसान हो जाता है। हालाँकि, शोधकर्ताओं ने पाया कि जब नोट्स अधिक व्यक्तिपरक या जटिल हो जाते हैं, तो सहमति कम हो जाती है। उदाहरण के लिए, जब पाठ किसी निदान की निश्चितता या घटनाओं के सटीक समय के बारे में चर्चा करता था, तो दोनों पाठक कभी-कभी असहमत होते थे। दस्तावेजों के कुछ ब्लॉकों में, सहमति कम थी, जिससे पता चला कि नोट्स के कुछ हिस्से व्याख्या करने में कठिन थे। शोधकर्ताओं ने नोट किया कि यह इसलिए नहीं था क्योंकि दस्तावेज़ अलग थे, बल्कि संभवतः इसलिए था क्योंकि मानव पाठकों को हर मामले में, विशेष रूप से अस्पष्ट भाषा या दवा की कई खुराकों के साथ काम करते समय, नियमों को पूरी तरह से लागू करने में कठिनाई हुई।
इन चुनौतियों के बावजूद, सहमति का समग्र स्तर कंप्यूटर सिस्टम को प्रशिक्षित करने के लिए पर्याप्त रूप से मजबूत था। टीम ने निष्कर्ष निकाला कि उनके दिशा-निर्देश आम तौर पर पुनरुत्पादनीय (reproducible) थे और परिणामी डेटासेट भविष्य के लिए एक मूल्यवान संसाधन है। उन्होंने पाया कि किसी जानकारी पर सहमति बनाने की कठिनाई इस बात पर निर्भर नहीं थी कि वह जानकारी कितनी दुर्लभ है; सामान्य तथ्य भी कठिन हो सकते हैं यदि वे अस्पष्ट रूप से लिखे गए हों। अध्ययन बताता है कि कृत्रिम बुद्धिमत्ता के लिए चिकित्सा नोट्स पढ़ने की कला में वास्तव में महारत हासिल करने के लिए, भविष्य के दिशा-निर्देशों को अनिश्चितता को संभालने और मशीनों को समय और संभावना के बारे में तर्क करने के बारे में सिखाने पर और भी अधिक जोर देना चाहिए। जैसे-जैसे टीम अधिक रिकॉर्ड को एनोटेट करना और अपने नियमों को परिष्कृत करना जारी रखती है, लेबल किए गए डेटा का यह बढ़ता हुआ पुस्तकालय स्मार्ट उपकरण बनाने के लिए एक आधार के रूप में कार्य करेगा। ये उपकरण अंततः डॉक्टरों को सेकंडों में हजारों रोगी इतिहास का विश्लेषण करने में मदद कर सकते हैं, जिससे ऐसे पैटर्न सामने आ सकते हैं जो दवा-प्रतिरोधी एपिलेप्सी से जूझ रहे लोगों के लिए बेहतर उपचार की ओर ले जा सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।