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

Nel mondo moderno della sanità, la qualità dell'assistenza non si misura più esclusivamente attraverso gli esiti medici o la velocità di una diagnosi. Sempre più spesso, l'esperienza stessa del paziente è diventata una metrica centrale per il successo. Quando una persona visita un ospedale, lascia dietro di sé una scia di pensieri, lamentele e lodi, spesso condivisi sotto forma di testo non strutturato su siti web, forum e social media. Questi migliaia di racconti individuali contengono una ricchezza di informazioni su ciò che funziona e ciò che fallisce, ma sono troppo vasti e disordinati perché il personale umano possa leggerli e analizzarli uno per uno. Per dare un senso a questo rumore digitale, i ricercatori si rivolgono a un campo dell'informatica noto come analisi del sentiment. Questo è il processo di insegnare alle macchine di leggere il testo e comprendere l'emozione dietro le parole, distinguendo tra gioia, rabbia e indifferenza. Automatizzando questo compito, i fornitori di servizi sanitari possono passare dal supporre cosa provano i pazienti al sapere esattamente cosa provano, permettendo loro di risolvere problemi specifici e personalizzare i propri servizi in base ai reali bisogni umani.

Un team di ricercatori provenienti da diverse università indiane si è posto l'obiettivo di applicare questa tecnologia alla complessa realtà dell'assistenza ai pazienti. Hanno raccolto una vasta collezione di circa 10.000 recensioni scritte provenienti da 21 diversi ospedali in varie città dell'India. Queste recensioni erano un mix di feedback positivi, lamentele negative e osservazioni neutrali. L'obiettivo non era solo contare quante persone fossero felici o infelici, ma costruire un sistema sofisticato capace di comprendere il significato profondo di queste parole e scoprire gli argomenti nascosti che guidavano tali sentimenti. Per farlo, i ricercatori hanno testato una vasta gamma di modelli informatici, che spaziavano dai metodi statistici tradizionali ad avanzati sistemi di intelligenza artificiale progettati per imitare il modo in cui il cervello umano elabora il linguaggio.

Il processo è iniziato con la pulizia dei dati grezzi, un passaggio necessario per preparare il testo all'analisi. I ricercatori hanno rimosso la punteggiatura, convertito tutte le lettere in minuscolo e rimosso parole comuni come "il" o "e" che non portano alcun peso emotivo. Hanno anche standardizzato il linguaggio, assicurandosi che variazioni come "correndo" e "corsi" fossero trattate come lo stesso concetto. Una volta organizzato il testo, lo hanno inserito in diversi tipi di algoritmi. In primo luogo, hanno utilizzato tecniche consolidate di apprendimento automatico (machine learning), tra cui Random Forest, Decision Trees e uno strumento potente chiamato XGBoost. Questi modelli lavoravano analizzando la frequenza e l'importanza di parole specifiche per indovinare il sentiment di una recensione. Tra questi, il modello XGBoost si è dimostrato il più efficace, categorizzando correttamente le recensioni con un'accuratezza di quasi il 90 percento. Era particolarmente bravo nell'identificare le sfumature del feedback positivo, sebbene abbia incontrato maggiori difficoltà con le categorie negative e neutrali, più complesse.

Per andare più a fondo, il team ha impiegato un secondo livello di tecnologia noto come deep learning. Questi modelli sono progettati per comprendere il contesto e la sequenza delle parole, proprio come una persona comprende che il significato di una frase cambia in base all'ordine delle sue parole. Hanno testato quattro diverse architetture: Simple RNN, LSTM, GRU e Bidirectional LSTM. Questi sistemi sono stati addestrati utilizzando due diversi metodi di rappresentazione delle parole come numeri, noti come Word2Vec e Glovie, che permettono al computer di capire che certe parole sono semanticamente correlate. I risultati hanno mostrato che i modelli di deep learning hanno superato significativamente quelli tradizionali. Il miglior performer è stato il modello Bidirectional LSTM, che ha raggiunto un'accuratezza superiore al 96 percento. Questo modello era unico perché leggeva il testo in entrambe le direzioni, dall'inizio alla fine e dalla fine all'inizio, permettendogli di catturare il contesto completo di una frase in modo più efficace rispetto ai modelli che leggono in una sola direzione.

Sebbene l'elevata accuratezza di questi modelli fosse impressionante, i ricercatori volevano sapere molto più di quanto una recensione fosse buona o cattiva. Volevano sapere di cosa parlassero realmente le recensioni. Per scoprire questi temi nascosti, hanno utilizzato una tecnica chiamata modellazione dei temi (topic modeling). Questo metodo raggruppa le parole che appaiono frequentemente insieme per rivelare i soggetti sottostanti della conversazione. Applicando questo metodo alle recensioni negative, positive e neutrali, il modello ha identificato specifici cluster di parole caratteristici di ciascuna categoria di sentiment. I ricercatori hanno selezionato le parole che più contribuivano a ogni tema per descrivere i concetti chiave presenti all'interno dei diversi sentimenti, permettendo loro di confrontare i soggetti che generavano sentimenti positivi con quelli che causavano insoddisfazione. Questa capacità di separare il tono emotivo dal soggetto specifico ha permesso ai ricercatori di vedere esattamente quali aspetti dell'assistenza ospedaliera stessero guidando la soddisfazione o l'insoddisfazione dei pazienti.

Lo studio ha esplorato anche l'uso di un modello molto avanzato chiamato BERT, basato su un sistema pre-addestrato che ha già appreso una vasta quantità di linguaggio da internet. I ricercatori hanno applicato esplicitamente questo modello Transformer per scopi di confronto rispetto agli altri algoritmi testati, dettagliando la sua architettura e la configurazione dell'addestramento per valutarne le prestazioni. Sebbene BERT sia noto per la sua capacità di comprendere contesti complessi, lo studio ha concentrato le sue metriche di prestazione riportate sui modelli di deep learning personalizzati e sui classificatori di machine learning tradizionali. I ricercatori hanno concluso che, combinando questi potenti strumenti di classificazione con la modellazione dei temi, gli ospedali possono ottenere una visione completa delle proprie prestazioni. Possono andare oltre i semplici punteggi di soddisfazione per comprendere le ragioni specifiche che li determinano, che si tratti del costo dell'assistenza, dell'atteggiamento di un receptionist o della qualità del trattamento medico.

Questo lavoro dimostra che le vaste voci non strutturate dei pazienti possono essere trasformate in intuizioni chiare e azionabili. Utilizzando una combinazione di machine learning per classificare le emozioni e la modellazione dei temi per identificare le cause, i fornitori di servizi sanitari possono individuare esattamente dove i loro servizi necessitano di miglioramento. Le scoperte suggeriscono che il futuro dell'esperienza del paziente risiede nell'ascoltare i dati non solo come un numero, ma come una collezione di storie che, se lette correttamente, rivelano la strada verso una migliore assistenza. I ricercatori hanno osservato che, sebbene il loro lavoro attuale si sia concentrato sulle recensioni online, gli stessi metodi potrebbero essere applicati ai feedback raccolti tramite sondaggi telefonici o social media, ampliando ulteriormente la portata di questa comprensione. In definitiva, lo studio fornisce un modello su come la tecnologia possa colmare il divario tra l'esperienza del paziente e la gestione ospedaliera, garantendo che le voci di coloro che ricevono cure siano ascoltate e comprese.