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

在现代医院的数字化记录中，每一个症状、诊断和操作都会被转化为一个通用的代码。这个被称为 SNOMED CT 的系统，就像一本极其庞大且组织严密的医学词典，确保了不同国家的医生和研究人员在讨论特定疾病时，使用的是同一种语言。然而，日常使用该系统的用户——医生、护士和其他临床人员——说话并不完全符合完美的词典定义。他们会输入片段、缩写和简写，经常混合使用多种语言，或者以对他们来说很自然但看起来与官方术语完全不同的方式来描述病情。长期以来的挑战在于如何弥合这一差距：如何让临床医生输入像“heart attack”（心脏病）或“inf myo”（心肌梗死）这样快速、凌乱的笔记，并让计算机立即找到精确、正式的医学概念，而无需强迫用户学习准确的词汇，也不必为每种可能的描述方式构建一套单独的自定义列表。

来自 SNOMID International 的一个研究小组提出了一种结合两种截然不同的搜索方法于一体的新方案，从而提供一种流畅的体验。他们并没有在僵化的逐字搜索和灵活的基于意义的搜索之间做选择，而是构建了一个同时使用这两种方法的系统。他们的工作证明了这两项相反的技术可以协同工作，而不会互相干扰。在测试中，该系统成功地将凌乱的现实世界医学笔记与正确的官方代码匹配，首次尝试的准确率约为 60%，并且在 80% 的案例中将正确答案排在了前十个选项之内。至关重要的是，他们发现添加灵活的、基于意义的搜索并不会破坏严格的、基于字母的搜索的精确度；相反，这两种方法覆盖了彼此的盲点，创造了一个更稳健的临床数据录入工具。

问题的核心在于人类语言与计算机逻辑之间的不匹配。当医生输入查询时，他们可能会输入完整的短语、部分单词或晦涩的缩写。传统的搜索引擎通过寻找精确的字母匹配来运行，速度快且精确，但如果用户的拼写稍有偏差或使用了不同的语言，它就会完全失效。另一方面，较新的人工智能工具可以理解词语背后的含义，即使单词之间没有共同的字母，也能识别出“water on the knee”（膝盖积水）是指代一种特定的医学状况。然而，这些基于意义的工具在处理短片段或缩写时往往表现不佳，并且有时会被人类表达的多样性所困扰。多年来，解决这一困境的方法是聘请专家手动创建长列表，列出医生可能描述每种状况的所有方式，这个过程既缓慢又昂贵，且随着医学知识的演进，很难保持同步更新。

研究人员询问是否可以跳过手动制作列表的过程，转而让计算机在运行过程中自动发现这种联系，即采用一种混合方法。他们构建了一个原型系统，该系统同时运行两次搜索。第一次搜索是一个严格的、确定性的引擎，它寻找用户输入的特定字母，而不考虑其顺序。如果医生输入“myo inf”，这个引擎知道要寻找以这些字母开头的单词，例如“myocardial infarction”（心肌梗死）。与此同时，第二个学习型引擎会观察输入的整体含义，利用庞大的医学概念数据库，基于相似性而非仅仅是拼写来寻找匹配项。系统随后合并这两次搜索的结果。为了确保较弱的特定查询搜索不会淹没较强的搜索，最后一步会对合并后的列表进行重新评估，将最相关的答案提升到顶部，并将无关的匹配项降至下方。

为了测试这个想法是否可行，团队使用两组不同的数据对系统进行了评估。第一组是西班牙语医学病例报告集，目标是观察系统能否将西班牙语的疾病名称找到对应的英语医学代码。第二组是来自美国的庞大电子健康记录集，其中包含数千份由医生用英语编写的出院小结。这些记录非常凌乱，充满了日常实践中常见但难以被计算机解读的缩写和简写。研究人员衡量了系统将正确的医学代码置于列表顶端，或者至少置于用户屏幕上看到的前十个选项之内的频率。

结果显示，这种混合方法非常有效。在西班牙语测试集中，系统在 60% 的疾病提及中将准确的代码作为首选结果。在查看前十个结果时，正确代码出现的概率为 80%。这一性能的实现无需针对特定的西班牙语术语进行任何手动训练；系统仅通过其对医学概念的理解就跨越了语言障碍。研究人员还发现，这两种搜索方法确实具有互补性。严格的字母匹配引擎擅长处理像缩写这样的短促、部分的输入，而基于意义的引擎则更擅长处理完整的短语和不同的语言。当结合在一起时，系统比任何单一方法都更强大，且第二种方法的存在并未降低第一种方法的性能。

一个关键发现是，系统不需要预先知道哪种类型的搜索最适合特定的查询。在过去，开发人员可能会试图猜测用户是在输入完整的句子还是几个字母，并据此路由搜索。这个新系统只是简单地运行两条路径，并让最后的重排序步骤决定哪个答案最好。这种设计使得系统能够应对人类打字时的不可预测性。然而，研究人员也指出，该系统并非完美无缺。它在处理极度密集、依赖上下文的歧义缩写时表现挣扎，例如那些根据周围文本可能代表几种不同含义的字母串。在这些困难的情况下，系统有时需要第二次观察，利用医学笔记的上下文来澄清含义，这显著提高了其处理这些特定难题的成功率。

研究还强调了未来医疗术语系统维护方式的转变。目前，医院通常投入大量资源创建和更新自己的自定义术词表，以帮助医生找到正确的代码。研究人员建议，这种混合搜索方法可以减少对这类广泛手动列表的需求。通过依赖官方医学词典并让计算机处理语言和拼写的变化，医院可以将精力集中在管理系统和验证结果上，而不是手动编写成千上万个同义词。这并不是说不再需要维护，而是改变了工作的性质——从编写新术语转变为管理寻找这些术语的工具。

研究人员谨慎地指出，他们的发现是基于特定的软件配置和模型，该系统尚未准备好在未经进一步测试的情况下直接用于真实的医院环境。他们强调，虽然该系统在测试数据上表现良好，但现实世界的临床应用涉及更高的风险和更复杂的场景。这项研究是一项概念验证，证明了将这两种相反的搜索技术结合成一个单一、安全且有效的流程在技术上是可行的。它提供了一条前进的路径，让精确的数据录入与人类语言的灵活性可以共存，从而有可能使临床医生更容易地记录患者信息，而不必受困于计算机系统的僵化要求。

最终，这项工作表明，临床数据录入的未来可能不需要医生改变他们的说话或写作方式，也不需要医院构建庞大的自定义词典。相反，它指向了一个既能理解输入的精确字母，又能理解其背后意图的系统，通过融合这两个视角来找到正确的答案。通过证明这两种不同的搜索方式可以在不相互抵消的情况下协同工作，研究人员为将人类医学知识与驱动现代医疗服务的结构化数据进行更直观、更高效的连接开启了大门。