أصبحت السجلات الصحية الإلكترونية (Electronic Health Records - EHR) جزءًا أساسيًا من نظام الرعاية الصحية الحديث. لكن ماذا لو كانت هذه السجلات تحمل طياتها معلومات طبية كثيفة ومليئة بالمصطلحات المعقدة؟ دراسة جديدة تسلط الضوء على مشاكل فهم هذه السجلات وتقدم حلًا مبتكرًا.

تستند هذه الدراسة إلى إنشاء مصطلحات جديدة لتخصص القلب (Cardiology Interface Terminology - CIT) تهدف إلى تسليط الضوء على التفاصيل الهامة في ملاحظات السجلات الصحية الإلكترونية الخاصة بمرضى القلب. يعتمد هذا التصميم على تقنيات التعلم الآلي (Machine Learning - ML) التي تعمل على تعزيز فعالية تسليط الضوء على المعلومات الأساسية.

تشمل عملية تصميم CIT ثلاث مراحل رئيسية. في المرحلتين الأولى والثانية، يتم استخراج بيانات تدريب تفصيلية في سياق القلب لتغذية المرحلة الثالثة حيث يتم تدريب نموذج الذكاء الاصطناعي. يتضمن التصميم الأولي لمصطلح القلب مكونات متعددة، بما في ذلك مفاهيم من نظام SNOMED وأجزاء أخرى مهمة مثل الاختصارات الطبية والأدوية.

عبر استخدام عملية تكرارية، يتم استخراج عبارات دقيقة تحتوي على مفاهيم أولية من مجموعة مبنية، مع مراجعة شبه تلقائية للمفاهيم قبل إضافتها إلى CIT. يساهم ذلك في الحصول على بيئة تدريب فعالة قدر الإمكان. في المرحلة الثالثة، يتم تدريب نموذج التعلم الآلي باستخدام هذه بيئة التدريب المحددة.

تم تقييم فعالية النموذج عبر قياسات متعددة مثل التغطية (Coverage) والعمق (Breadth) والاكتمال (Completeness) والوضوح (Conciseness)، مما أظهر نتائج مشجعة. حيث حقق مجموعة الاختبار تغطية تصل إلى 74.21% وعمقًا بلغ 1.68، بينما كانت نسبة الاكتمال والوضوح في المعدل 98.2% و84.2% على التوالي.

بتطوير مثل هذه التقنيات، لا نحسن فقط تسليط الضوء على المعلومات الحيوية، بل نفتح الأبواب أيضًا لفهم أفضل للسجلات الصحية الإلكترونية، مما يساعد المرضى ومقدمي الرعاية في اتخاذ قرارات أفضل.