تشهد أنظمة الذكاء الاصطناعي تحولات مستمرة في المجال الطبي، ومن بين هذه التطورات تأتي جهود تحسين توصيات المفاهيم باستخدام SNOMED CT. تعتبر SNOMED CT معيارًا أساسيًا يدعم التفاعل بين أنظمة المعلومات الصحية، ويساهم في تعزيز التحليلات والظواهر القابلة لإعادة الاستخدام. ولكن تتجلى التحديات عندما يتعلق الأمر بتوصية المفاهيم ذات الصلة، خصوصًا في الحالات التي تكون فيها هذه المفاهيم نادرة أو غائبة عن بيانات التدريب.

قدمت دراسة جديدة مرجعية لتوصية المفاهيم باستخدام بيانات مستمدة من تحدي ربط الكيانات بـ SNOMED CT، حيث يشمل هذا البحث 75,491 توصيفًا موزعة على 272 ملخص خروج من المستشفى. تم استخدام 204 ملاحظة للتدريب و68 لاختبار تاريخي. ولتقديم تحليل دقيق، يتم تعتيم الإشارة المستهدفة من سياق سريري محلي، ويتم تصنيف مفاهيم SNOMED CT التي لوحظت خلال التدريب.

تشير النتائج إلى أن نموذج TF-IDF المتناثر قد حقق أداءً متميزًا، حيث سجل Recall@1 نسبة بلغت 14.81%، وRecall@10 بنسبة 33.43%. ومع ذلك، فإن تحسين نموذج الاسترجاع لم يضف قيمة كبيرة لأداء النموذج، مما يعكس أهمية تكرار المفاهيم في البيانات.

تتطلب توجيهات الجودة في توصية المفاهيم في سياقات الموارد المنخفضة التركيز على السياق اللفظي المحلي وتغطية المصطلحات، مما يبرز ضرورة تحسين تدريب نماذج الذكاء الاصطناعي لمواجهة التحديات المستقبلية.