تفسیر دستورالعمل های پزشکی کامپیوتری قابل استفاده از هوش مصنوعی

درک دقیق و خودکار دستورالعمل های بالینی، به دلیل پیچیدگی زبان پزشکی، ساختار نامنظم متون و احتمال بروز خطای انسانی، همواره چالشی اساسی در حوزه سلامت بوده است. هدف این پژوهش بررسی مدل های زبان مبتنی بر هوش مصنوعی، به ویژه BioBERT، برای تفسیر این متون و ارائه راهکارهای کارآمد برای هوشمندسازی فرآیند تحلیل مفاهیم پزشکی است. روش تحقیق بر پایه مرور نظام مند متون (Structured Literature Review) در بازه زمانی ۲۰۱۹ تا ۲۰۲۳ انجام شده است. سه محور اصلی شامل دقت استخراج مفاهیم کلیدی، نگاشت مفاهیم به استانداردهای بین المللی ) مانند SNOMED-CT و( UMLS و ارزیابی ابزارهای نگاشت مانند MetaMap، BioPortal و CrossMap مورد تحلیل قرار گرفته اند. یافته ها نشان می دهند مدل BioBERT با دقت ۹۱٪ عملکرد بهتری در استخراج مفاهیم دارد، هرچند نیازمند منابع محاسباتی بالا است. ابزارهای نگاشت نیز مزایا و محدودیت های خاص خود را دارند، به ویژه در متون فارسی. چالش هایی مانند کمبود داده های برچسب خورده فارسی، مسائل اخلاقی و لزوم شفاف سازی خروجی مدل ها از موانع اصلی هستند. در نهایت، توسعه نسخه بومی BioBERT فارسی و طراحی رابط کاربرپسند برای سامانه های پشتیبان تصمیم گیری بالینی پیشنهاد می شود.

کلیدواژه ها:

تفسیر بالینی ، BioBERT ، هوش مصنوعی ، MetaMap ، UMLS ، SNOMED-CT ، مدل های زبان طبیعی ، سیستم های پشتیبان تصمیم یار