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

In de digitale registers van moderne ziekenhuizen wordt elke symptoom, diagnose en procedure vertaald naar een universele code. Dit systeem, bekend als SNOMED CT, fungeert als een enorme, nauwgezet georganiseerde woordenlijst voor de geneeskunde, wat ervoor zorgt dat een arts in het ene land en een onderzoeker in het andere land dezelfde taal spreken wanneer zij een specifieke ziekte bespreken. Echter, de mensen die dit systeem dagelijks gebruiken — artsen, verpleegkundigen en andere clinici — spreken niet in perfecte woordenboekdefinities. Ze typen fragmenten, afkortingen en verkorte vormen, waarbij ze vaak talen mengen of condities beschrijven op een manier die natuurlijk klinkt voor hen, maar totaal niet lijkt op de officiële termen. De uitdaging is lang geweest hoe deze kloof te overbruggen: hoe je een clinicus de mogelijkheid geeft om snel, slordige aantekeningen zoals "hartaanval" of "inf myo" te typen en de computer onmiddellijk de exacte, formele medische concept vindt, zonder de gebruiker te dwingen de exacte vocabulaire te leren of een aparte, aangepaste lijst te bouwen van elke mogelijke manier waarop een arts een conditie kan beschrijven.

Een team van onderzoekers van SNOMED International heeft een nieuwe manier voorgesteld om dit probleem op te lossen door twee zeer verschillende zoekmethoden te combineren in één enkele, vloeiende ervaring. In plaats van te kiezen tussen een rigide, letter-voor-letter zoekopdracht of een flexibele, op betekenis gebaseerde zoekopdracht, hebben zij een systeem gebouwd dat beide tegelijkertijd gebruikt. Hun werk demonstreert dat deze twee tegenovergestelde technologieën samen kunnen werken zonder elkaar in de weg te zitten. In hun tests slaagde het systeem erin om slordige, real-world medische aantekeningen ongeveer 60% van de tijd direct te koppelen aan het juiste, formele medische concept, en plaatste het de juiste oplossing binnen de top tien opties in 80% van de gevallen. Cruciaal was dat zij ontdekten dat het toevoegen van de flexibele, op betekenis gebaseerde zoekopdracht de precisie van de strikte, op letters gebaseerde zoekopdracht niet ruïneerde; in plaats daarvan dekten de twee methoden elkaars blinde vlekken af, wat resulteerde in een robuustere tool voor klinische gegevensinvoer.

De kern van het probleem ligt in de mismatch tussen menselijke spraak en computerlogica. Wanneer een arts een zoekopdracht invoert, kan hij een volledige frase, een gedeeltelijk woord of een cryptische afkorting invoeren. Een traditionele zoekmachine die zoekt naar exacte letterovereenkomsten is snel en precies, maar faalt volledig als de spelling van de gebruiker iets afwijkt of als de gebruiker een andere taal gebruikt. Aan de andere kant kunnen nieuwere kunstmatige intelligentie-tools de betekenis achter woorden begrijpen, waardoor ze herkennen dat "water op de knie" verwijst naar een specifieke medische conditie, zelfs als de woorden geen enkele letter delen met de officiële term. Deze op betekenis gebaseerde tools worstelen echter vaak met korte fragmenten of afkortingen, en ze kunnen soms in de war raken door de enorme variëteit aan menselijke expressie. Jarenlang was de oplossing voor dit dilemma het inhuren van experts om handmatig lange lijsten te maken van elke mogelijke manier waarop een arts een conditie zou kunnen beschrijven, een proces dat traag, duur en moeilijk bij te houden is naarmals de medische kennis evolueert.

De onderzoekers vroegen zich af of het mogelijk was om de handmatige lijstvorming over te slaan en in plaats daarvan de computer de verbinding ter plekke te laten ontdekken, met behulp van een hybride aanpak. Ze bouwden een prototype systeem dat twee zoekopdrachten gelijktijdig uitvoert. De eerste zoekopdracht is een strikte, deterministische engine die zoekt naar de specifieke letters die de gebruiker heeft getypt, ongeacht de volgorde. Als een arts "myo inf" typt, weet deze engine om te zoeken naar woorden die met die letters beginnen, zoals "myocardial infarction". Tegelijkertijd kijkt een tweede, geleerde engine naar de algemene betekenis van de invoer, gebruikmakend van een enorme database van medische concepten om overeenkomsten te vinden op basis van gelijkenis in plaats van alleen spelling. Het systeem voegt vervolgens de resultaten van beide zoekopdrachten samen. Om te garanderen dat de zwakkere zoekopdracht voor een specifieke query de sterkere zoekopdracht niet overstemt, evalueert een laatste stap de gecombineerde lijst, waarbij het meest relevante antwoord naar de top wordt gepromoveerd en irrelevante matches naar beneden worden gedrukt.

Om te testen of dit idee in de echte wereld werkte, evalueerde het team hun systeem met behulp van twee verschillende datasets. De eerste was een collectie Spaanse medische casusrapporten, waarbij het doel was om te zien of het systeem een ziekte naam in het Spaans kon nemen en de juiste Engelse medische code kon vinden. De tweede was een enorme set echte elektronische patiëntendossiers uit de Verenigde Staten, die duizenden ontslagverslagen bevatten geschreven door artsen in het Engels. Deze dossiers waren slordig, vol met afkortingen en verkorte vormen die gebruikelijk zijn in de dagelijkse praktijk maar moeilijk te interpreteren zijn voor computers. De onderzoekers maten hoe vaak het systeem erin slaagde de juiste medische code helemaal bovenaan de lijst te plaatsen, of tenminste binnen de eerste tien opties die een gebruiker op zijn scherm zou zien.

De resultaten toonden aan dat de hybride aanpak zeer effectief was. Op de Spaanse testset vond het systeem de exacte juiste code als het bovenste resultaat voor 60% van de ziektevermeldingen. Bij het bekijken van de top tien resultaten was de juiste code in 80% van de gevallen aanwezig. Deze prestatie werd behaald zonder enige handmatige training op de specifieke Spaanse termen; het systeem gebruikte simpelweg zijn begrip van medische concepten om de taalbarrière te overbruggen. De onderzoekers ontdekten ook dat de twee zoekmethoden inderdaad complementair waren. De strikte letter-matching engine blonk uit in het afhandelen van korte, gedeeltelijke invoer zoals afkortingen, terwijl de op betekenis gebaseerde engine beter was in het afhandelen van volledige frases en verschillende talen. Wanneer gecombineerd, was het systeem sterker dan de methoden afzonderlijk, en de aanwezigheid van de tweede methode verslechterde de prestaties van de eerste niet.

Een belangrijke bevinding was dat het systeem niet vooraf hoefde te weten welk type zoekopdracht het beste zou werken voor een specifieke query. In het verleden zouden ontwikkelaars misschien geprobeerd hebben te raden of een gebruiker een volledige zin of een paar letters typt en de zoekopdracht dienovereenkomstig te routeren. Dit nieuwe systeem voert simpelweg beide paden uit en laat de uiteindelijke re-ranking stap beslissen welk antwoord het beste is. Dit ontwerp maakt het systeem robuust tegen de onvoorspelbare aard van menselijk typen. De onderzoekers merkten echter ook op dat het systeem niet perfect is. Het had moeite met extreem dichte, ambigue afkortingen die zwaar leunen op context, zoals een reeks letters die verschillende dingen kunnen betekenen afhankelijk van de omliggende tekst. In deze moeilijke gevallen had het systeem soms een tweede blik nodig, waarbij de omliggende tekst van de medische aantekening werd gebruikt om de betekenis te verduidelijken, wat de succesratio voor die specifieke lastige queries aanzienlijk verbeterde.

De studie benadrukte ook een verschuiving in de manier waarop medische terminologiesystemen in de toekomst onderhouden kunnen worden. Momenteel besteden ziekenhuizen vaak aanzienlijke middelen aan het creëren en bijwerken van hun eigen aangepaste lijsten met termen om artsen te helpen de juiste codes te vinden. De onderzoekers suggereren dat deze hybride zoekmethode de noodzaak voor dergelijke uitgebreide handmatige lijsten kan verminderen. Door te vertrouwen op de officiële medische woordenlijst en de computer het werk te laten doen met de variaties in taal en spelling, kunnen ziekenhuizen hun inspanningen richten op het besturen van het systeem en het valideren van de resultaten, in plaats van handmatig duizenden synoniemen te schrijven. Dit elimineert de noodzaak voor onderhoud niet, maar verandert de aard van het werk van het schrijven van nieuwe termen naar het beheren van de tools die ze vinden.

De onderzoekers waren zorgvuldig om te vermelden dat hun bevindingen gebaseerd zijn op een specifieke configuratie van software en modellen, en dat het systeem nog niet klaar is voor gebruik in een live ziekenhuisomgeving zonder verdere tests. Zij benadrukten dat hoewel het systeem goed presteerde op de testdata, klinisch gebruik in de echte wereld hogere belangen en complexere scenario's met zich meebrengt. De studie dient als een proof of concept, die aantoont dat het technisch haalbaar is om deze twee tegenovergestelde zoektechnologieën te combineren in een enkele, veilige en effectieve workflow. Het biedt een pad vooruit waarbij de precisie van strikte gegevensinvoer en de flexibiliteit van menselijke taal naast elkaar kunnen bestaan, wat potentieel makkelijker maakt voor clinici om patiëntinformatie accuraat vast te leggen zonder te worden gehinderd door de rigide eisen van een computersysteem.

Uiteindelijk suggereert het werk dat de toekomst van klinische gegevensinvoer mogelijk niet vereist dat artsen veranderen hoe ze spreken of schrijven, noch dat ziekenhuizen enorme, aangepaste woordenboeken bouwen. In plaats daarvan wijst het naar een systeem dat zowel de exact getypte letters als de intentie erachter begrijpt, en deze twee perspectieven samenvoegt om het juiste antwoord te vinden. Door te bewijzen dat deze twee verschillende manieren van zoeken samen kunnen werken zonder elkaar te neutraliseren, hebben de onderzoekers de deur geopend naar meer intuïtieve en efficiënte manieren om menselijke medische kennis te verbinden met de gestructureerde data die de moderne gezondheidszorg aandrijft.