Hybrid lexical-semantic retrieval over SNOMED CT: combining two retrieval paradigms to facilitate clinical data entry

Nei registri digitali degli ospedali moderni, ogni sintomo, diagnosi e procedura viene tradotto in un codice universale. Questo sistema, noto come SNOMED CT, funge da enorme, meticolosamente organizzato dizionario medico, garantendo che un medico in un paese e un ricercatore in un altro parlino la stessa lingua quando discutono di una specifica malattia. Tuttavia, le persone che utilizzano questo sistema quotidianamente — medici, infermieri e altri clinici — non parlano con definizioni da dizionario perfette. Scrivono frammenti, abbreviazioni e abbreviazioni sintetiche, spesso mescolando lingue o descrivendo condizioni in modi che suonano naturali per loro ma che non somigliano affatto ai termini ufficiali. La sfida è stata a lungo come colmare questo divario: come permettere a un clinico di digitare una nota rapida e disordinata come "attacco cardiaco" o "inf myo" e far sì che il computer trovi istantaneamente il concetto medico preciso e formale, senza costringere l'utente a imparare il vocabolario esatto o costruire un elenco separato e personalizzato per ogni modo in cui un medico potrebbe descrivere una condizione.

Un team di ricercatori di SNOMED International ha proposto un nuovo modo per risolvere questo problema combinando due metodi di ricerca molto diversi in un'unica esperienza fluida. Invece di scegliere tra una ricerca rigida lettera per lettera o una ricerca flessibile basata sul significato, hanno costruito un sistema che utilizza entrambi contemporaneamente. Il loro lavoro dimostra che queste due tecnologie opposte possono lavorare insieme senza intralciarsi a vicenda. Nei loro test, il sistema ha abbinato con successo note mediche disordinate e reali ai codici ufficiali corretti circa il 60% delle volte al primo tentativo, e ha inserito la risposta corretta tra le prime dieci opzioni nell'80% dei casi. Fondamentalmente, hanno scoperto che l'aggiunta della ricerca flessibile basata sul significato non ha rovinato la precisione della ricerca rigorosa basata sulle lettere; al contrario, i due metodi hanno coperto le reciproche lacune, creando uno strumento più robusto per l'inserimento dei dati clinici.

Il cuore del problema risiede nel disallineamento tra il linguaggio umano e la logica informatica. Quando un medico inserisce una query, può digitare una frase completa, una parola parziale o un'abbreviazione criptica. Un motore di ricerca tradizionale che cerca corrispondenze esatte di lettere è veloce e preciso, ma fallisce completamente se la grafia dell'utente è leggermente errata o se utilizza una lingua diversa. D'altro canto, i nuovi strumenti di intelligenza artificiale possono comprendere il significato dietro le parole, riconoscendo che "acqua sul ginocchio" si riferisce a una specifica condizione medica anche se le parole non condividono alcuna lettera con il termine ufficiale. Tuttavia, questi strumenti basati sul significato spesso faticano con frammenti brevi o abbreviazioni, e possono talvolta confondersi davanti alla vasta varietà dell'espressione umana. Per anni, la soluzione a questo dilemma è stata quella di assumere esperti per creare manualmente lunghe liste di ogni possibile modo in cui un medico potrebbe descrivere una condizione, un processo lento, costoso e difficile da mantenere aggiornato con l'evoluzione della conoscenza medica.

I ricercatori si sono chiesti se fosse possibile saltare la creazione manuale di liste e lasciare invece che il computer capisca la connessione al volo, utilizzando un approccio ibrido. Hanno costruito un prototipo di sistema che esegue due ricerche simultaneamente. La prima ricerca è un motore deterministico rigoroso che cerca le lettere specifiche digitate dall'utente, indipendentemente dall'ordine. Se un medico digita "myo inf", questo motore sa cercare parole che iniziano con quelle lettere, come "myocardial infarction". Allo stesso tempo, un secondo motore appreso analizza il significato complessivo dell'input, utilizzando un vasto database di concetti medici per trovare corrispondenze basate sulla somiglianza piuttosto che solo sulla grafia. Il sistema poi unisce i risultati di entrambe le ricerche. Per garantire che la ricerca più debole per una specifica query non sovrasti quella più forte, un passaggio finale rivaluta l'elenco combinato, promuovendo la risposta più rilevante in cima e spingendo verso il basso le corrispondenze irrilevanti.

Per testare se questa idea funzionasse nel mondo reale, il team ha valutato il proprio sistema utilizzando due diversi set di dati. Il primo era una collezione di rapporti di casi medici in spagnolo, dove l'obiettivo era vedere se il sistema potesse prendere il nome di una malattia in spagnolo e trovare il corretto codice medico in inglese. Il secondo era un massiccio set di vere cartelle cliniche elettroniche provenienti dagli Stati Uniti, contenenti migliaia di riassunti di dimissioni scritti da medici in inglese. Questi record erano disordinati, pieni di abbreviazioni e scorciatoie comuni nella pratica quotidiana ma difficili da interpretare per i computer. I ricercatori hanno misurato quanto spesso il sistema riusciva a posizionare il codice medico corretto in cima alla lista, o almeno entro le prime dieci opzioni che un utente vedrebbe sul proprio schermo.

I risultati hanno mostrato che l'approccio ibrido è stato altamente efficace. Nel set di dati spagnolo, il sistema ha trovato il codice esatto come risultato principale per il 60% dei riferimenti alle malattie. Guardando ai primi dieci risultati, il codice corretto era presente l'80% delle volte. Questa prestazione è stata raggiunta senza alcun addestramento manuale sui termini spagnoli specifici; il sistema ha semplicemente utilizzato la sua comprensione dei concetti medici per colmare il divario linguistico. I ricercatori hanno anche scoperto che i due metodi di ricerca erano effettivamente complementari. Il motore rigoroso di corrispondenza delle lettere eccelleva nel gestire input brevi e parziali come le abbreviazioni, mentre il motore basato sul significato era migliore nel gestire frasi complete e lingue diverse. Combinati, il sistema era più forte di ciascun metodo preso singolarmente, e la presenza del secondo metodo non degradava le prestazioni del primo.

Una scoperta chiave è stata che il sistema non aveva bisogno di sapere in anticipo quale tipo di ricerca sarebbe stato più efficace per una specifica query. In passato, gli sviluppatori avrebbero potuto tentare di indovinare se un utente stesse digitando una frase completa o poche lettere e indirizzare la ricerca di conseguenza. Questo nuovo sistema esegue semplicemente entrambi i percorsi e lascia che il passaggio finale di ri-classificazione decida quale sia la risposta migliore. Questo design rende il sistema robusto contro la natura imprevedibile della digitazione umana. Tuttavia, i ricercatori hanno anche notato che il sistema non è perfetto. Ha avuto difficoltà con abbreviazioni estremamente dense e ambigue che dipendono fortemente dal contesto, come una sequenza di lettere che potrebbe significare diverse cose a seconda del testo circostante. In questi casi difficili, il sistema ha talvolta avuto bisogno di un secondo sguardo, utilizzando il testo circostante della nota medica per chiarire il significato, il che ha migliorato significamente il tasso di successo per quelle specifiche query complesse.

Lo studio ha anche evidenziato un cambiamento nel modo in cui i sistemi di terminologia medica potrebbero essere mantenuti in futuro. Attualmente, gli ospedali spesso investono risorse significative per creare e aggiornare le proprie liste personalizzate di termini per aiutare i medici a trovare i codici corretti. I ricercatori suggeriscono che questo metodo di ricerca ibrido potrebbe ridurre la necessità di tali estese liste manuali. Affidandosi al dizionario medico ufficiale e lasciando che il computer gestisca le variazioni di lingua e grafia, gli ospedali potrebbero concentrare i propri sforzi sulla governance del sistema e sulla validazione dei risultati piuttosto che nella stesura manuale di migliaia di sinonimi. Ciò non elimina la necessità di manutenzione, ma cambia la natura del lavoro, passando dalla scrittura di nuovi termini alla gestione degli strumenti che li trovano.

I ricercatori sono stati attenti a sottolineare che le loro scoperte si basano su una specifica configurazione di software e modelli, e che il sistema non è ancora pronto per l'uso in un ambiente ospedaliero reale senza ulteriori test. Hanno enfatizzato che, sebbene il sistema abbia performato bene sui dati di test, l'uso clinico nel mondo reale comporta rischi più elevati e scenari più complessi. Lo studio serve come prova di concetto, dimostrando che è tecnicamente fattibile combinare queste due tecnologie di ricerca opposte in un unico flusso di lavoro sicuro ed efficace. Offre una strada percorribile in cui la precisione della gestione rigorosa dei dati e la flessibilità del linguaggio umano possono coesistere, rendendo potenzialmente più facile per i clinici registrare le informazioni dei pazienti in modo accurato senza essere rallentati dalle rigide richieste di un sistema informatico.

In definitiva, il lavoro suggerisce che il futuro dell'inserimento dei dati clinici potrebbe non richiedere ai medici di cambiare il modo in cui parlano o scrivono, né richiede agli ospedali di costruire enormi dizionari personalizzati. Al contrario, punta verso un sistema che comprende sia le lettere esatte digitate sia l'intento dietro di esse, fondendo queste due prospettive per trovare la risposta corretta. Provando che questi due diversi modi di cercare possono lavorare insieme senza annullarsi a vicenda, i ricercatori hanno aperto la porta a modi più intuitivi ed efficienti per connettere la conoscenza medica umana con i dati strutturati che alimentano l'assistenza sanitaria moderna.