Automated Disease Prediction and Prescription System with Regional Kannada Synonym Integration

Resumo Técnico: Sistema Automatizado de Predição de Doenças e Prescrição com Integração Regional de Sinônimos em Kannada

Definição do Problema
A prestação eficaz de cuidados de saúde depende fortemente de uma comunicação clara entre profissionais e pacientes. Em regiões multilíngues, as barreiras linguísticas levam frequentemente a diagnósticos errados, erros de medicação e resultados subótimos para os pacientes. Embora a Tradução Automática Neural (NMT) tenha avançado significativamente, as soluções existentes, como o Google Translate e o Whisper, falham frequentemente em traduzir com precisão línguas de baixos recursos, particularmente quando lidam com dialetos regionais e sinônimos médicos. Em Karnataka, na Índia, os pacientes descrevem frequentemente a mesma doença utilizando diferentes termos regionais em Kannada (sinônimos) que as ferramentas de tradução padrão interpretam ou traduzem literalmente (por exemplo, traduzir um termo regional para "coceira" como "café da manhã" ou "irritação"). Além disso, a falta de conjuntos de dados médicos públicos e de grande escala para estes pares de línguas específicos limita o desenvolvimento de modelos de tradução robustos e adaptáveis ao domínio.

Metodologia
Os autores propõem um sistema automatizado que integra conversão de fala para texto, tradução automática consciente de sinônimos regionais e predição de doenças. O pipeline técnico central envolve:

1. Coleta e Pré-processamento de Dados: Foi criado um conjunto de dados personalizado de aproximadamente 900 pares de frases Kannada-Inglês, focando em sintomas de pacientes e descrições de doenças. Os dados passaram por limpeza (conversão para minúsculas, remoção de caracteres especiais), tokenização e criação de vocabulário.
2. Arquitetura do Modelo: O sistema utiliza uma arquitetura de Rede Neural Recorrente (RNN), utilizando especificamente unidades de Longa Memória de Curto Prazo (LSTM) para lidar com dados sequenciais e dependências de longo prazo.
   • Estrutura Encoder-Decoder: Um codificador (encoder) processa o texto de entrada em Kannada num vetor de dimensão fixa (estados ocultos e de célula), enquanto um decodificador (decoder) gera a tradução para o inglês.
   • Mecanismos de Atenção: O modelo integra mecanismos de atenção geral e global para permitir que o decodificador se foque dinamicamente em partes relevantes da frase de origem, mitigando o gargalo de informação dos modelos encoder-decoder padrão.
   • Estratégia de Treinamento: O algoritmo de Teacher Forcing é utilizado durante o treinamento para fornecer ao decodificador saídas de referência precisas, melhorando a convergência.
   • Decodificação: As abordagens de Decodificação Gananciosa (Greedy Decoding) e Busca por Feixe (Beam Search) foram avaliadas para otimizar a fluência e a precisão da tradução.
3. Integração de Sinônimos: Um componente fundamental da metodologia é a capacidade do sistema de reconhecer sinônimos regionais em Kannada para doenças. Ao contrário dos tradutores padrão que podem falhar em variações dialetais, este modelo é treinado para mapear estas variações regionais para a terminologia médica correta em inglês.
4. Predição de Prescrição: Uma vez que o texto é traduzido e a doença é identificada, o sistema consulta um conjunto de dados para prever a medicação correspondente.

Principais Contribuições

• Tratamento de Sinônimos Regionais: O desenvolvimento de um modelo de tradução especificamente concebido para lidar com pares Kannada-Inglês com foco em sinônimos médicos regionais, abordando uma lacuna onde ferramentas como o Google Translate falham frequentemente.
• Implementação Arquitetural: A integração de mecanismos de atenção e do algoritmo de teacher forcing dentro de uma estrutura RNN-LSTM para melhorar a qualidade da tradução para línguas de baixos recursos.
• Avaliação Comparativa: Uma comparação abrangente do modelo proposto contra o Google Translate e o tradutor Whisper, demonstrando um desempenho superior em contextos médicos específicos.
• Criação de Dataset: A criação de um conjunto de dados especializado de cerca de 900 frases de sintomas de pacientes para facilitar o treinamento e a avaliação neste domínio.

Resultados
O sistema proposto foi avaliado utilizando métricas padrão de NMT: BLEU, METEOR e Taxa de Edição de Tradução (TER).

• Precisão de Tradução: O modelo proposto alcançou uma faixa de pontuação BLEU de 41,5–31,8 e uma pontuação METEOR de 52,2%, superando o Google Translator (BLEU 35,8–28,4, METEOR 39,5%) e o Whisper Translator (BLEU 39,8–30,8, METEOR 41,5%).
• Redução de Erros: O modelo demonstrou uma Taxa de Edição de Tradução (TER) inferior de 53,1% em comparação com 69,2% do Google e 64,6% do Whisper.
• Reconhecimento de Sinônimos: Em testes qualitativos, o modelo proposto identificou corretamente termos regionais para doenças como "Coceira" (traduzindo corretamente vários termos regionais em Kannada), "Asma" e "Varizes", enquanto o Google e o Whisper produziram traduções literais ou incorretas (por exemplo, traduzindo um termo regional para coceira como "Café da Manhã").
• Predição de Prescrição: O sistema reportou uma precisão de 95% na predição de medicamentos baseada nas descrições de doenças traduzidas, embora isto seja avaliado contra erros de predição dentro do contexto do conjunto de dados específico.

Significância e Alegações
O artigo afirma que o sistema consegue colmatar a lacuna de comunicação nos cuidados de saúde para as populações que falam Kannada, traduzindo com precisão dialetos regionais e sinônimos que as ferramentas padrão ignoram. Ao permitir que robôs ou sistemas automatizados compreendam as entradas dos pacientes em linguagem natural e prevejam as medicações apropriadas, o sistema visa auxiliar os profissionais de saúde na gestão de volumes elevados de pacientes de forma mais eficiente. Os autores enfatizam que, embora o sistema apresente resultados promissores, foi concebido para apoiar, e não substituir, os profissionais médicos; todas as prescrições previstas destinam-se a ser verificadas por especialistas humanos para garantir a segurança, reconhecendo as limitações da IA em garantir uma precisão absoluta.