Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

Sintesi Tecnica: Sistema Automatizzato di Predizione delle Malattie e Prescrizione con Integrazione di Sinonimi Regionali in Kannada

Problematica
L'efficacia della fornitura di assistenza sanitaria dipende fortemente da una comunicazione chiara tra fornitori e pazienti. Nelle regioni multilingue, le barriere linguistiche portano frequentemente a diagnosi errate, errori nella medicazione e risultati subottimali per il paziente. Sebbene la Traduzione Automatica Neurale (NMT) abbia progredito significativamente, le soluzioni esistenti come Google Translate e Whisper spesso non riescono a tradurre accuratamente le lingue a basse risorse, in particolare quando si tratta di dialetti regionali e sinonimi medici. In Karnataka, in India, i pazienti spesso descrivono la stessa malattia utilizzando diversi termini regionali in Kannada (sinonimi) che gli strumenti di traduzione standard interpretano erroneamente o traducono letteralmente (ad esempio, traducendo un termine regionale per "prurito" come "colazione" o "irritazione"). Inoltre, la mancanza di dataset medici pubblici e su larga scala per queste specifiche coppie linguistiche limita lo sviluppo di modelli di traduzione robusti e adattabili al dominio.

Metodologia
Gli autori propongono un sistema automatizzato che integra la conversione da parlato a testo, la traduzione automatica consapevole dei sinonimi regionali e la predizione delle malattie. Il nucleo tecnico della pipeline prevede:

1. Raccolta e Pre-elaborazione dei Dati: È stato creato un dataset personalizzato di circa 900 coppie di frasi Kannada-Inglese, focalizzato sui sintomi dei pazienti e sulle descrizioni delle malattie. I dati sono stati sottoposti a pulizia (conversione in minuscolo, rimozione di caratteri speciali), tokenizzazione e creazione del vocabolario.
2. Architettura del Modello: Il sistema impiega un'architettura a Reti Neurali Ricorrenti (RNN), utilizzando specificamente unità a Memoria a Lungo Breve Termine (LSTM) per gestire i dati sequenziali e le dipendenze a lungo termine.
   • Framework Encoder-Decoder: Un encoder elabora il testo Kannada in entrata in un vettore a dimensione fissa (stati nascosti e di cella), mentre un decoder genera la traduzione in inglese.
   • Meccanismi di Attenzione: Il modello integra meccanismi di attenzione generale e globale per consentire al decoder di concentrarsi dinamicamente sulle parti rilevanti della frase sorgente, mitigando il collo di bottiglia informativo dei modelli encoder-decoder standard.
   • Strategia di Addestramento: L'algoritmo di Teacher Forcing viene utilizzato durante l'addestramento per fornire al decoder output di riferimento precisi, migliorando la convergenza.
   • Decodifica: Sono stati valutati sia l'approccio di Greedy Decoding che quello di Beam Search per ottimizzare la fluidità e l'accuratezza della traduzione.
3. Integrazione dei Sinonimi: Una componente chiave della metodologia è la capacità del sistema di riconoscere i sinonimi regionali in Kannada per le malattie. A differenza dei traduttori standard che possono fallire sulle variazioni dialettali, questo modello è addestrato per mappare queste variazioni regionali nella corretta terminologia medica in inglese.
4. Predizione della Prescrizione: Una volta tradotto il testo e identificata la malattia, il sistema interroga un dataset per predire la relativa medicazione.

Contributi Chiave

• Gestione dei Sinonimi Regionali: Lo sviluppo di un modello di traduzione specificamente progettato per gestire coppie Kannada-Inglese con un focus sui sinonimi medici regionali, affrontando una lacuna in cui gli strumenti come Google Translate spesso falliscono.
• Implementazione Architetturale: L'integrazione di meccanismi di attenzione e dell'algoritmo di teacher forcing all'interno di un framework RNN-LSTM per migliorare la qualità della traduzione per le lingue a basse risorse.
• Valutazione Comparativa: Un confronto completo del modello proposto rispetto a Google Translate e al traduttore Whisper, dimostrando prestazioni superiori in specifici contesti medici.
• Creazione del Dataset: La creazione di un dataset specializzato di circa 900 frasi di sintomi dei pazienti per facilitare l'addestramento e la valutazione in questo dominio.

Risultati
Il sistema proposto è stato valutato utilizzando metriche NMT standard: BLEU, METEOR e Translation Edit Rate (TER).

• Accuratezza della Traduzione: Il modello proposto ha raggiunto un intervallo di punteggio BLEU di 41.5–31.8 e un punteggio METEOR del 52.2%, superando Google Translator (BLEU 35.8–28.4, METEOR 39.5%) e il traduttore Whisper (BLEU 39.8–30.8, METEOR 41.5%).
• Riduzione degli Errori: Il modello ha dimostrato un Translation Edit Rate (TER) inferiore del 53.1% rispetto al 69.2% di Google e al 64.6% di Whisper.
• Riconoscimento dei Sinonimi: Nei test qualitativi, il modello proposto ha identificato correttamente i termini regionali per malattie come "Prurito" (traducendo correttamente vari termini regionali in Kannada), "Asma" e "Vene Varicose", mentre Google e Whisper hanno prodotto traduzioni letterali o errate (ad esempio, traducendo un termine regionale per prurito come "Colazione").
• Predizione della Prescrizione: Il sistema ha riportato un'accuratezza del 95% nella predizione dei farmaci basata sulle descrizioni delle malattie tradotte, sebbene ciò sia valutato rispetto agli errori di predizione all'interno del contesto del dataset specifico.

Significatività e Rivendicazioni
Il documento afferma che il sistema riesce a colmare il divario comunicativo nell'assistenza sanitaria per le popolazioni di lingua Kannada, traducendo accuratamente i dialetti regionali e i sinonimi che gli strumenti standard perdono. Consentendo a robot o sistemi automatizzati di comprendere gli input dei pazienti in linguaggio naturale e prevedere le medicazioni appropriate, il sistema mira ad assistere i professionisti sanitari nella gestione efficiente di alti volumi di pazienti. Gli autori sottolineano che, sebbene il sistema mostri risultati promettenti, è progettato per supportare, non sostituire, i professionisti medici; tutte le prescrizioni predette sono destinate a essere verificate da specialisti umani per garantire la sicurezza, riconoscendo i limiti dell'IA nel garantire una precisione assoluta.