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

Nos registros digitais dos hospitais modernos, cada sintoma, diagnóstico e procedimento é traduzido em um código universal. Este sistema, conhecido como SNOMED CT, atua como um dicionário médico massivo e meticulosamente organizado, garantindo que um médico em um país e um pesquisador em outro estejam falando a mesma língua ao discutirem uma doença específica. No entanto, as pessoas que utilizam este sistema diariamente — médicos, enfermeiros e outros clínicos — não falam em definições perfeitas de dicionário. Eles digitam fragmentos, abreviações e formas curtas, muitas vezes misturando idiomas ou descrevendo condições de maneiras que soam naturais para eles, mas que não se parecem em nada com os termos oficiais. O desafio tem sido, há muito tempo, como preencher essa lacuna: como permitir que um clínico digite uma nota rápida e desordenada como "ataque cardíaco" ou "inf myo" e o computador encontre instantaneamente o conceito médico preciso e formal, sem forçar o usuário a aprender o vocabulário exato ou construir uma lista separada e personalizada de todas as formas possíveis pelas quais um médico poderia descrever uma condição.

Uma equipe de pesquisadores da SNOMED International propôs uma nova maneira de resolver este problema combinando dois métodos de busca muito diferentes em uma única experiência fluida. Em vez de escolher entre uma busca rígida, letra por letra, ou uma busca flexível, baseada no significado, eles construíram um sistema que utiliza ambos ao mesmo tempo. O trabalho deles demonstra que essas duas tecnologias opostas podem trabalhar juntas sem atrapalhar uma à outra. Em seus testes, o sistema conseguiu corresponder notas médicas reais e desordenadas aos códigos oficiais corretos cerca de 60% das vezes logo na primeira tentativa, e colocou a resposta correta entre as dez melhores opções em 80% dos casos. Crucialmente, eles descobriram que adicionar a busca flexível, baseada no significado, não prejudicou a precisão da busca estrita, baseada em letras; em vez disso, os dois métodos cobriram as lacunas um do outro, criando uma ferramenta mais robusta para a entrada de dados clínicos.

O cerne do problema reside no descompasso entre a fala humana e a lógica do computador. Quando um médico digita uma consulta, ele pode inserir uma frase completa, uma palavra parcial ou uma abreviação críptica. Um mecanismo de busca tradicional que procura correspondências exatas de letras é rápido e preciso, mas falha completamente se a ortografia do usuário estiver ligeiramente errada ou se ele usar um idioma diferente. Por outro lado, novas ferramentas de inteligência artificial podem entender o significado por trás das palavras, reconhecendo que "água no joelho" refere-se a uma condição médica específica, mesmo que as palavras não compartilhem nenhuma letra com o termo oficial. No entanto, essas ferramentas baseadas em significado frequentemente têm dificuldade com fragmentos curtos ou abreviações, e podem às vezes se confundir com a vasta variedade da expressão humana. Durante anos, a solução para este dilema foi contratar especialistas para criar manualmente longas listas de todas as formas possíveis pelas quais um médico poderia descrever uma condição, um processo lento, caro e difícil de manter atualizado conforme o conhecimento médico evolui.

Os pesquisadores questionaram se seria possível pular a criação de listas manuais e, em vez disso, deixar o computador descobrir a conexão sobre a hora, usando uma abordagem híbrida. Eles construíram um protótipo de sistema que executa duas buscas simultaneamente. A primeira busca é um motor determinístico estrito que procura pelas letras específicas que o usuário digitou, independentemente da ordem. Se um médico digita "myo inf", este motor sabe que deve procurar palavras que comecem com essas letras, como "infarto do miocárdio". Ao mesmo tempo, um segundo motor aprendido observa o significado geral da entrada, utilizando um vasto banco de dados de conceitos médicos para encontrar correspondências baseadas em similaridade, em vez de apenas ortografia. O sistema então mescla os resultados de ambas as buscas. Para garantir que a busca mais fraca para uma consulta específica não abafe a mais forte, uma etapa final reavalia a lista combinada, promovendo a resposta mais relevante para o topo e empurrando as correspondências irrelevantes para baixo.

Para testar se essa ideia funcionava no mundo real, a equipe avaliou seu sistema usando dois conjuntos diferentes de dados. O primeiro foi uma coleção de relatórios de casos médicos em espanhol, onde o objetivo era ver se o sistema conseguia pegar um nome de doença em espanhol e encontrar o código médico correto em inglês. O segundo foi um conjunto massivo de registros eletrônicos de saúde reais dos Estados Unidos, contendo milhares de sumários de alta escritos por médicos em inglês. Esses registros eram desordenados, repletos de abreviações e formas curtas que são comuns na prática diária, mas difíceis de serem interpretadas por computadores. Os pesquisadores mediram a frequência com que o sistema conseguia colocar o código médico correto no topo da lista, ou pelo menos dentro das dez primeiras opções que um usuário veria em sua tela.

Os resultados mostraram que a abordagem híbrida foi altamente eficaz. No conjunto de testes em espanhol, o sistema encontrou o código exato como o primeiro resultado para 60% das menções de doenças. Ao observar os dez principais resultados, o código correto estava presente 8% das vezes. Esse desempenho foi alcançado sem qualquer treinamento manual para os termos específicos em espanhol; o sistema simplesmente usou sua compreensão de conceitos médicos para preencher a lacuna linguística. Os pesquisadores também descobriram que os dois métodos de busca eram, de fato, complementares. O mecanismo de correspondência de letras estrito destacou-se no tratamento de entradas curtas e parciais, como abreviações, enquanto o mecanismo baseado em significado foi melhor no tratamento de frases completas e diferentes idiomas. Quando combinados, o sistema tornou-se mais forte do que qualquer um dos métodos isoladamente, e a presença do segundo método não degradou o desempenho do primeiro.

Uma descoberta fundamental foi que o sistema não precisava saber antecipadamente qual tipo de busca funcionaria melhor para uma consulta específica. No passado, os desenvolvedores poderiam ter tentado adivinhar se um usuário estava digitando uma frase completa ou algumas letras e rotear a busca de acordo. Este novo sistema simplesmente executa ambos os camais e deixa a etapa final de reclassificação decidir qual resposta é a melhor. Este design torna o sistema robusto contra a natureza imprevisível da digitação humana. No entanto, os pesquisadores também observaram que o sistema não é perfeito. Ele teve dificuldades com abreviações extremamente densas e ambíguas que dependem fortemente do contexto, como uma sequência de letras que pode significar várias coisas diferentes dependendo do texto circundante. Nesses casos difíceis, o sistema às vezes precisou de um segundo olhar, utilizando o texto ao redor da nota médica para esclarecer o significado, o que aumentou significamente sua taxa de sucesso para essas consultas específicas de difícil resolução.

O estudo também destacou uma mudança na forma como os sistemas de terminologia médica podem ser mantidos no futuro. Atualmente, os hospitais frequentemente gastam recursos significativos criando e atualizando suas próprias listas personalizadas de termos para ajudar os médicos a encontrar os códigos corretos. Os pesquisadores sugerem que este método de busca híbrida poderia reduzir a necessidade de tais listas manuais extensas. Ao confiar no dicionário médico oficial e deixar o computador lidar com as variações de linguagem e ortografia, os hospitais poderiam focar seus esforços na governança do sistema e na validação dos resultados, em vez de redigir manualmente milhares de sinônimos. Isso não elimina a necessidade de manutenção, mas altera a natureza do trabalho, passando de escrever novos termos para gerenciar as ferramentas que os encontram.

Os pesquisadores foram cuidadosos ao notar que suas descobertas se baseiam em uma configuração específica de software e modelos, e que o sistema ainda não está pronto para uso em um ambiente hospitalar real sem testes adicionais. Eles enfatizaram que, embora o sistema tenha tido um bom desempenho nos dados de teste, o uso clínico no mundo real envolve riscos mais altos e cenários mais complexos. O estudo serve como uma prova de conceito, demonstrando que é tecnicamente viável combinar essas duas tecnologias de busca opostas em um fluxo de trabalho único, seguro e eficaz. Ele oferece um caminho a seguir onde a precisão da entrada de dados estrita e a flexibilidade da linguagem humana podem coexistir, potencialmente tornando mais fácil para os clínicos registrarem informações de pacientes com precisão, sem serem sobrecarregados pelas exigências rígidas de um sistema de computador.

Em última análise, o trabalho sugere que o futuro da entrada de dados clínicos pode não exigir que os médicos mudem a forma como falam ou escrevem, nem exige que os hospitais construam dicionários personalizados massivos. Em vez disso, aponta para um sistema que entende tanto as letras exatas digitadas quanto a intenção por trás delas, fundindo essas duas perspectivas para encontrar a resposta certa. Ao provar que essas duas formas diferentes de busca podem trabalhar juntas sem se cancelarem, os pesquisadores abriram as portas para maneiras mais intuitivas e eficientes de conectar o conhecimento médico humano com os dados estruturados que sustentam a medicina moderna.