A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives

Ziekenhuizen zijn gevuld met verhalen die in de marges van de patiëntenzorg zijn geschreven. Chirurgen leggen hun werk vast in gedetailleerde aantekeningen, waarin ze beschrijven hoe ze omgingen met de unieke complicaties van een specifieke patiënt, van een geperforeerd orgaan tot een onverwachte infectie. Decennialang is deze kennis gevangen gebleven in individuele dossiers, bruikbaar voor slechts de persoon die het schreef of het team dat voor die specifieke patiënt zorgde. Het is nooit verzameld in één enkel, helder beeld van hoe deze procedures in werkelijkheid werken over duizenden gevallen heen. Wetenschappers wilden al lang deze rommelige, handgeschreven verhalen omzetten in een formele set regels—een logische kaart die precies laat zien wat er moet gebeuren voordat een chirurg de volgende stap kan zetten, en wat het resultaat daarvan zou kunnen zijn. Dit soort kaart is essentieel voor het bouwen van kunstmatige intelligentie die artsen kan helpen bij het trainen, chirurgische aantekeningen automatisch kan beoordelen, of zelfs toekomstige robotische systemen kan aansturen. De uitdaging is dat menselijke taal vol staat met afkortingen en aannames. Een chirurg kan schrijven dat hij "een poort heeft geplaatst" zonder te vermelden dat hij daarvoor eerst een incisie moest maken, omdat die stap voor hem zo vanzelfsprekend is dat het niet gezegd hoeft te worden. Computers kunnen echter niet raden wat voor de hand liggend is; ze hebben elke stap expliciet vermeld nodig om de logica van de operatie te begrijpen.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, door duizenden ongestructureerde chirurgische aantekeningen om te zetten in een precies, logisch model van een veelvoorkomende pediatrische chirurgie genaamd een laparoscopische appendectomie. Deze procedure, waarbij een ontstoken blindedarm wordt verwijderd via kleine incisies, wordt veelvuldig uitgevoerd in kinderahospitalen, wat een rijke dataset oplevert van meer dan 2.600 echte aantekeningen geschreven door negen verschillende chirurgen. De onderzoekers creëerden een systeem dat fungeert als een brug tussen de vloeiende aard van menselijke taal en de rigide vereisten van computerlogica. Ze noemen dit systeem NSPIN. Het werkt door eerst een krachtig taalmodel, een type kunstmatige intelligentie dat getraind is op enorme hoeveelheden tekst, te gebruiken om de ruwe aantekeningen te lezen en de specifieke acties en observaties die worden genoemd eruit te halen. Omdat de aantekeningen vaak incompleet zijn, gebruikt het systeem hetzelfde taalmodel om de ontbrekende gaten op te vullen, waarbij het de verborgen stappen afleidt die een chirurg zou hebben uitgevoerd maar niet heeft opgeschreven. Ten slotte gebruikt het een ander soort wiskundige logica om deze stappen te organiseren in een samenhangend plan, waarbij het werk controleert tegen de data om te verzekeren dat de regels kloppen.

Het proces begint met het lezen van de ruwe tekst van een chirurgische aantekening door het systeem. Het identificeert de belangrijkste gebeurtenissen, zoals het maken van een incisie of het plaatsen van een chirurgisch instrument, en rangschikt ze in de volgorde waarin ze plaatsvonden. De onderzoekers ontdekten echter dat het simpelweg lezen van de tekst niet genoeg was. Chirurgen slaan vaak universele protocollen of overduidelijke tussenstappen over in hun verslaglegging, waardoor de computer achterblijft met een gebroken keten van gebeurtenissen. Om dit te oplossen, vraagt het systeem het taalmodel om als klinisch expert op te treden, waarbij het de ontbrekende stappen suggereert die de geregistreerde gebeurtenissen logischerwijs verbinden. Als een aantekening bijvoorbeeld vermeldt dat een blindedarm is verwijderd, leidt het systeem af dat de basis van de appendix eerst moet zijn afgeklemd, zelfs als de chirurg dat niet expliciet heeft opgeschreven. Deze stap is cruciaal omdat het de stille kennis herstelt die experts in hun hoofd dragen maar zelden op papier zetten. Het systeem genereert meerdere mogelijke versies van deze ontbrekende stappen en combineert ze vervolgens, waarbij alleen de versies behouden blijven waar de meerderheid van de gegenereerde versies het over eens is, om te garanderen dat de uiteindelijke sequentie robuust en betrouwbaar is.

Zodra het systeem een volledige, geordende sequentie van gebeurtenissen voor elke chirurgie heeft, bouwt het een formeel model dat de regels van de operatie beschrijft. Dit model definieert welke voorwaarden waar moeten zijn voordat een specifieke actie kan worden ondernomen en wat de waarschijnlijke uitkomsten van die actie zijn. Het leert bijvoorbeeld dat een chirurg niet kan wachten met het plaatsen van een chirurgische poort totdat er een incisie is gemaakt, en dat het plaatsen van de poort kan leiden tot de ontdekking van adhesies, of littekenweefsel, wat vervolgens een specifieke procedure vereist om te verwijderen. De onderzoekers testten deze aanpak door deze te vergelijken met methoden die uitsluitend vertrouwden op het taalmodel zonder de stap van de logische controle. Ze ontdekten dat de gecombineerde aanpak veel superieur was. Het systeem dat de logische regels gebruikte om de suggesties van het taalmodel te verfijnen, produceerde een model dat veel beter was in het voorspellen van wat er als volgende zou gebeuren tijdens een operatie en in het identificeren van welke acties op elk gegeven moment daadwerkelijk mogelijk waren.

De resultaten toonden aan dat het systeem kon leren van de aantekeningen van negen verschillende chirurgen en een algemene set regels kon creëren die voor hen allemaal werkten, zelfs wanneer het werd getest op aantekeningen van een chirurg die het nog nooit eerder had gezien. Wanneer de onderzoekers medische experts vroegen de stappen te beoordelen die het systeem had afgeleid, bevestigden de experts dat de ontbrekende stappen klinisch correct en noodzakelijk waren. In één geval herstelde het systeem correct de informatie dat een chirurg de buikwand had gesloten met een specifief type hechting, zelfs nadat de informatie-extractor aanvankelijk faalde om dit uit een aantekening te halen die expliciet stelde: "De umbilicale fascia werd gesloten met 0 Vicryl hechting." In een ander geval concludeerde het systeem dat het afklemen van de basis van de appendix een vereiste was voor het doorsnijden ervan, een logische noodzaak die niet expliciet in de tekst stond. Deze bevindingen demonstreren dat het systeem erin slaagt de impliciete, ongeschreven kennis van menselijke experts te vertalen naar een formeel, bruikbaar formaat.

De studie onthulde ook dat het vertrouwen op alleen het taalmodel, zonder de logische verfijning, tot fouten leidde. Het taalmodel alleen had de neiging om regels te creëren die te losjes of te restrictief waren, waarbij het vaak de ware oorzaak-gevolgrelaties miste die een chirurgische procedure beheersen. Door het vermogen van het taalmodel om tekst te begrijpen te combineren met het vermogen van een symbolisch systeem om logische consistentie af te dwingen, creëerden de onderzoekers een model dat zowel flexibel genoeg was om de variatie in menselijk schrijven aan te kunnen als strikt genoeg om door machines te worden vertrouwd. Deze aanpak suggereert een weg voorwaarts voor het bouwen van kunstmatige intelligentie in hoogwaardige velden zoals de geneeskunde, waar het begrijpen van het "waarom" achter een actie net zo belangrijk is als het weten van het "wat". Het werk beweert niet alle problemen van chirurgische automatisering te hebben opgelost, maar biedt een bewezen methode om de enorme, ongestructureerde geschiedenis van de patiëntenzorg om te zetten in een gestructureerde fundering voor toekomstige hulpmiddelen die de patiëntveiligheid en chirurgische training kunnen verbeteren.