Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

Technische Samenvatting: Geautomatiseerd Systeem voor Ziektevoorspelling en Voorschriften met Integratie van Regionale Kannada Synoniemen

Probleemstelling
Effectieve gezondheidszorg is sterk afhankelijk van duidelijke communicatie tussen zorgverleners en patiënten. In meertalige regio's leiden taalbarrières frequent tot misdiagnoses, medicatiefouten en suboptimale patiëntuitkomsten. Hoewel Neural Machine Translation (NMT) aanzienlijk is geavanceerd, schieten bestaande oplossingen zoals Google Translate en Whisper er vaak naast wanneer het gaat om het accuraat vertalen van talen met beperkte middelen (low-resource languages), met name bij het omgaan met regionale dialecten en medische synoniemen. In Karnataka, India, beschrijven patiënten vaak dezelfde ziekte met verschillende regionale Kannada-termen (synoniemen) die standaard vertaaltools verkeerd interpreteren of letterlijk vertalen (bijv. een regionale term voor "jeuk" vertalen als "ontbijt" of "irritatie"). Bov�eldertijd beperkt het gebrek aan publieke, grootschalige medische datasets voor deze specifieke taalparen de ontwikkeling van robuuste, domein-aanpasbare vertaalmodellen.

Methodologie
De auteurs stellen een geautomatiseerd systeem voor dat spraak-naar-tekst conversie, regionale synoniem-bewuste machinevertaling en ziektevoorspelling integreert. De kern van de technische pijplijn omvat:

1. Dataverzameling en Pre-processing: Een aangepaste dataset van ongeveer 900 Kannada-Engelse zinnenparen werd gecreëerd, met de focus op symptomen van patiënten en ziektebeschrijvingen. De gegevens ondergingen opschoning (lowercase maken, verwijderen van speciale tekens), tokenisatie en vocabulairecreatie.
2. Modelarchitectuur: Het systeem maakt gebruik van een Recurrent Neural Network (RNN) architectuur, specifiek gebruikmakend van Long Short-Term Memory (LSTM) eenheden om sequentiële gegevens en langetermijnafhankelijkheden te verwerken.
   • Encoder-Decoder Framework: Een encoder verwerkt de inkomende Kannada-tekst naar een vector met een vaste dimensie (verborgen en celtoestanden), terwijl een decoder de Engelse vertaling genereert.
   • Attention Mechanismen: Het model integreert zowel algemene als globale attention mechanismen om de decoder in staat te stellen zich dynamisch te concentreren op relevante delen van de bronzin, wat de informatie-bottleneck van standaard encoder-decoder modellen verzacht.
   • Trainingsstrategie: Het Teacher Forcing algoritme wordt gebruikt tijdens de training om de decoder te voorzien van precieze referentie-outputs, wat de convergentie verbetert.
   • Decoding: Zowel Greedy Decoding als Beam Search benaderingen werden geëvalueerd om de vloeiendheid en nauwkeurigheid van de vertaling te optimaliseren.
3. Synoniemintegratie: Een cruciaal onderdeel van de methodologie is het vermogen van het systeem om regionale Kannada-synoniemen voor ziekten te herkennen. In tegen tegenovergaan tot standaard vertalers die kunnen falen op dialectale variaties, is dit model getraind om deze regionale variaties te mappen naar de correcte medische terminologie in het Engels.
4. Voorschriftvoorspelling: Zodra de tekst is vertaald en de ziekte is geïdentificeerd, raadpleegt het systeem een dataset om de bijbehorende medicatie te voorspellen.

Belangrijkste Bijdragen

• Afhandeling van Regionale Synoniemen: De ontwikkeling van een vertaalmodel dat specifiek is ontworpen voor het afhandelen van Kannada-Engelse paren met een focus op regionale medische synoniemen, waarmee een gat wordt gedicht waar tools zoals Google Translate vaak falen.
• Architecturale Implementatie: De integratie van attention mechanismen en het teacher forcing algoritme binnen een RNN-LSTM framework om de vertaalkwaliteit voor talen met beperkte middelen te verbeteren.
• Vergelijkende Evaluatie: Een uitgebreide vergelijking van het voorgestelde model met Google Translate en de Whisper translator, waarbij een superieure prestatie wordt aangetoond in specifieke medische contexten.
• Datasetcreatie: De creatie van een gespecialiseerde dataset van ~900 symptoomzinnen van patiënten om training en evaluatie in dit domein te faciliteren.

Resultaten
Het voorgestelde systeem werd geëvalueerd met standaard NMT-metrieken: BLEU, METEOR en Translation Edit Rate (TER).

• Vertaalnauwkeurigheid: Het voorgestelde model behaalde een BLEU-score bereik van 41.5–31.8 en een METEOR-score van 52.2%, waarmee het Google Translator (BLEU 35.8–28.4, METEOR 39.5%) en Whisper Translator (BLEU 39.8–30.8, METEOR 41.5%) overtreft.
• Foutreductie: Het model vertoonde een lagere Translation Edit Rate (TER) van 53.1% vergeleken met 69.2% voor Google en 64.6% voor Whisper.
• Synoniemherkenning: In kwalitatieve tests identificeerde het voorgestelde model correct regionale termen voor ziekten zoals "Jeuk" (door diverse regionale Kannada-termen correct te vertalen), "Astma" en "Varicose Veins", terwijl Google en Whisper letterlijke of incorrecte vertalingen produceerden (bijv. een regionale term voor jeuk vertalen als "Ontbijt").
• Voorschriftvoorspelling: Het systeem rapporteerde een nauwkeurigheid van 95% bij het voorspellen van medicatie op basis van de vertaalde ziektebeschrijvingen, hoewel dit wordt beoordeeld tegenover voorspellingsfouten binnen de specifieke datasetcontext.

Betekenis en Claims
Het artikel claimt dat het systeem erin slaagt de communicatiekloof in de gezondheidszorg voor de Kannada-sprekende populatie te overbruggen door regionale dialecten en synoniemen accuraat te vertalen die standaardtools missen. Door robots of geautomatiseerde systemen in staat te stellen om patiëntinput in natuurlijke taal te begrijpen en passende medicatie te voorspellen, beoogt het systeem de gezondheidszorgprofessionals te ondersteunen bij het efficiënter beheren van hoge patiëntvolumes. De auteurs benadrukken dat, hoewel het systeem veelbelovende resultaten laat zien, het is ontworpen om medische professionals te ondersteunen, niet te vervangen; alle voorspelde voorschriften zijn bedoeld om te worden geverifieerd door menselijke specialisten om de veiligheid te garanderen, waarbij de beperkingen van AI in het garanderen van naadloze nauwkeurigheid worden erkend.