في عالم الرعاية الصحية الحديث، يشكل تكرار النصوص في الملاحظات السريرية تحدياً كبيراً يؤثر سلبًا على جودة البيانات ودقتها. لذا، تم تطوير تقنية TRACE التي تهدف إلى تقليل هذا التكرار، وبالتالي تحسين كفاءة استخدام نماذج اللغات الضخمة (LLMs).

تظهر الأبحاث أن الملاحظات السريرية تحتوي على نصوص مكررة بشكل كبير، نتيجة للاستخدام المكثف للقوالب، والنسخ واللصق، والحقول المعبأة تلقائيًّا. هذا الأمر لا يؤدي فقط إلى إضعاف الإشارة السريرية، بل يزيد أيضًا من التكاليف المرتبطة بنماذج اللغات الضخمة.

تعتمد تقنية TRACE على استخدام بيانات تعريف الملاحظات من السجلات الصحية الإلكترونية (EHR) لتحديد المحتوى المكرر والمستند إلى القوالب، مع اعتماد أسلوب إزالة التكرار بناءً على التكرار عندما تكون بيانات التعريف غير متاحة. تم تقييم هذه التقنية من خلال مراجعة طبية مزدوجة العمى، حيث تمت مقارنة ملاحظات عادية مع ملاحظات معالجة عبر TRACE، مما أظهر نتائج واعدة في تحسين كفاءة المعلومات المستخرجة.

بالإضافة إلى ذلك، أظهرت النتائج أن 86% من الحروف الموصوفة بأنها تنتمي للقوالب قد تم التقاطها بفضل TRACE. كما انخفضت النقاط النصية في السجلات السريرية بشكل ملحوظ، حيث أظهرت بيانات 1,000 مريض من Stanford Health Care تقليصًا بنسبة 47.3% في نصوص السجلات. مما يعني خفض التكاليف بنحو 1.00M إلى 13.58M دولار أمريكي على مدى ثلاثة أعوام.

إن هذه التقنية لا تساهم فقط في تقليل الفوضى الموجودة في الملاحظات السريرية، بل تساعد أيضًا في الحفاظ على دقة المعلومات المستخرجة. وفي النهاية، يمكن للجميع الاستفادة منها في تطوير الذكاء الاصطناعي السريري القابل للتوسع.