۶ کاربرد پردازش زبان طبیعی در پزشکی

کاربرد پردازش زبان طبیعی در پزشکی چیست؟ دانشمندان داده (Data Scientists) و متخصصان مراقبت‌های بهداشتی (Healthcare)  از ابزارهای پردازش زبان طبیعی (NLP) برای پردازش و تجزیه‌وتحلیل طیف گسترده‌ای از عوامل، ازجمله تجربه‌های بیمار، علائم، و موارد حیاتی و غیره، استفاده می‌کنند. NLP می‌تواند روش ارزان‌تری برای اسکن سریع اسناد پزشکی و ادغام اطلاعات به‌دست‌آمده در پایگاه داده ارائه کند؛ زیرا سیستم‌های NLP داده‌های قابل‌خواندن را از متون و تصاویر استخراج می‌کنند تا کلمه‌های کلیدی و اصطلاحات را شناسایی کنند. امکانات هیجان‌انگیز زیادی برای استفاده از NLP در مراقبت‌های بهداشتی وجود دارد. این برنامه‌ها عمدتاً برای بهبود تحقیقات پزشکی هستند. در این مطلب به برخی از کاربردهای NLP در حوزه مراقبت‌های بهداشتی اشاره می‌کند. البته که این فهرست جامع نیست، اما به موارد برجسته‌ای از برنامه‌های کاربردی NLP  اشاره می‌کند که می‌تواند دید بسیار خوبی را در این مورد به شما ارائه کند.

استفاده از NLP برای ایجاد یک سیستم پشتیبانی تصمیم بالینی (CDS)

شما می‌توانید از پردازش زبان طبیعی یا NLP برای ایجاد سیستمی برای بهبود پشتیبانی تصمیم‌گیری بالینی (CDS) با استفاده از سابقه تاریخی بیمار استفاده کنید. چنین سیستمی می‌تواند به پزشکان در تصمیم‌گیری بالینی بیماران براساس یک پایگاه داده کمک کند. این پایگاه داده می‌تواند شامل اطلاعات استخراج‌شده از یادداشت‌های پزشکان (دست‌نوشته یا تایپ‌شده)، آزمایشگاه‌ها یا صدای رونویسی‌شده باشد. این سیستم با استخراج اطلاعات بیمار از سابقه پزشکی و سپس مرتبط‌کردن حالت‌های احتمالی بیماری براساس اطلاعات موارد قبلی کار می‌کند.

برای آشنایی با پردازش زبان طبیعی این مطلب را مطالعه کنید:

پردازش زبان طبیعی (Natural Language Processing) چیست؟

استفاده از NLP برای بهبود قابلیت‌های فنوتیپ (Phenotype)

دیگر کاربرد پردازش زبان طبیعی در پزشکی استفاده از آن برا بهبود قابلیت‌های فنوتیپ است. فنوتیپ یک بیان قابل‌مشاهده از یک صفت خاص (فیزیکی یا بیوشیمیایی) در یک موجود زنده است. پزشکان از فنوتیپ برای طبقه‌بندی بیماران برای به‌دست‌آوردن بینش عمیق‌تر درمورد داده‌های آن‌ها و مقایسه با گروه‌ها استفاده می‌کند.

NLP ابزار ارزشمندی برای استخراج و تجزیه‌وتحلیل داده‌های بدون ساختار است که ۸۰ درصد از کل داده‌های بیمار را تشکیل می‌دهد. پردازش زبان طبیعی همچنین امکان فنوتیپ غنی‌تری را فراهم می‌کند؛ زیرا گزارش‌های پاتولوژی حاوی اطلاعات زیادی درمورد بیماران است. NLP به تحلیلگران قدرت می‌دهد تا این داده‌ها را استخراج کنند تا به سؤالات پیچیده و خاصی پاسخ دهند، مانند اینکه کدام جهش ژنتیکی با انواع بافت سرطانی مرتبط است.

پیش‌بینی شروع روان‌پریشی

محققان گزارشی درمورد کاربرد NLP با استفاده از تکنیکی به‌نام تحلیل معنایی پنهان (Latent Semantic Analysis) در پیش‌بینی شروع روان‌پریشی با استفاده از فایل‌های صوتی رونویسی‌شده جوانان بالینی پرخطر منتشر کرده‌اند. این مدل به دقت ۹۳ درصد در آموزش و ۹۰ درصد در مجموعه داده‌های آزمایشی دست یافته است. این مدل در پیش‌بینی اینکه آیا بیمار دچار روان‌پریشی می‌شود یا خیر، با وجود حجم نمونه کوچک ۴۰ شرکت‌کننده خوب عمل کرده است.

برای مطالعه مدل انجام‌شده درمورد پیش‌بینی شروع روان‌پریشی می‌توانید این مطلب را مطالعه کنید:

A machine learning approach to predicting psychosis using semantic density and latent content analysis

شناسایی و طبقه‌بندی ریسک بیماران سیروز (Cirrhosis)

دیگر کاربرد پردازش زبان طبیعی در پزشکی برای شناسایی و طبقه‌بندی ریسک سیروز در بیماران مبتلا به این بیماری است. یکی دیگر از کاربردهای NLP در حوزه مراقبت‌های بهداشتی، شناسایی بیماران سیروز است. مطالعه دیگری از NLP برای شناسایی بیماران سیروز و طبقه‌بندی ریسک بیماران استفاده کرده است. این مطالعه قادر به شناسایی صحیح بیماران سیروز از روی پرونده الکترونیکی سلامت، ترکیب کد ICD-9 و اسکن رادیولوژیکی با دقت ۹۵.۷۱ درصد بوده است. این موضوع نشان می‌دهد چنین سیستمی می‌تواند بیماران سیروز را براساس داده‌های پزشکی موجود در اکثر بیمارستان‌ها به‌درستی شناسایی کند.

برای مشاهده مطالعه انجام‌شده در این زمینه این مطلب را مطالعه کنید:

Defining a Patient Population With Cirrhosis

شناسایی موارد سرطان قابل‌گزارش

مطالعه دیگری از NLP برای شناسایی موارد سرطان قابل‌گزارش برای ثبت ملی سرطان استفاده کرده است. هدف خودکارکردن گزارش بیماران سرطانی به برنامه ملی ثبت سرطان در ایالات‌متحده بود. این مطالعه از پردازش زبان طبیعی یا NLP برای تجزیه‌وتحلیل گزارش‌ها و تشخیص‌های آسیب‌شناسی و شناسایی بیماران سرطانی با استفاده از یادگیری ماشین باناظر (Supervised Machine Learning)  با دقت ۸۷.۲ درصد استفاده کرده است.

برای مشاهده مطالعه انجام‌شده در زمینه گزارش سرطان با استفاده از NLP این مطلب را مطالعه کنید:

Efficient identification of nationally mandated reportable cancer cases using natural language processing and machine learning 

برای آشنایی با یادگیری ماشین باناظر این مطلب را مطالعه کنید:

یادگیری با ناظر (Supervised Learning) چیست؟

استفاده از NLP برای تجزیه و تحلیل پیش‌بینی کننده (Predictive Analysis)

یکی از مزیت‌های هیجان‌انگیز NLP توانایی آن در ایجاد امکان توسعه تجزیه‌وتحلیل پیش‌بینی‌کننده برای بهبود نتیجه‌های سلامت در یک جمعیت است. یک نمونه از این کار، تجزیه‌وتحلیل پست‌های رسانه‌های اجتماعی برای شناسایی موارد احتمالی خودکشی و مداخله است. خودکشی یکی از علل اصلی مرگ‌ومیر در بسیاری از کشورهای دنیاست. در یک نظرسنجی اخیر، موسسه ملی سلامت روان (NIMH) نشان داد که حدود ۱۲ میلیون بزرگسال در آمریکا افکار جدی خودکشی داشته‌اند. حدود ۱۰ درصد از این گروه برنامه‌ریزی کردند و اقدام به خودکشی ‌کردند.

متخصصان مراقبت‌های بهداشتی می‌خواهند افراد یا گروه‌هایی را که در معرض خطر هستند شناسایی کنند تا بتوانند مداخله کنند. مطالعات متعددی وجود دارد که اقدام به خودکشی را با استفاده از پست‌های رسانه‌های اجتماعی پیش‌بینی می‌کند. یک مطالعه از داده‌های فیس‌بوک برای توسعه مدلی با سطح دقت بالا (حدود ۷۰ درصد) استفاده کرده است. یافته‌های کلیدی این تحقیق، شامل این بود که کاربران در معرض خطر قریب‌الوقوع خودکشی، ایموجی‌های کمتری را در متن ارسال می‌کردند و بیشتر از ایموجی‌های آبی یا نمادهای قلب شکسته استفاده می‌کردند. آنان همچنین قبل از اقدام به خودکشی توئیت‌های غمگین یا عصبانی ارسال کردند.

برای مشاهده مطالعه انجام‌شده روی داده‌های فیس‌بوک درمورد خودکشی این مطلب را مطالعه کنید:

Deep neural networks detect suicide risk from textual facebook posts

همچنین مطالعه‌ی دیگری موارد خودکشی را با استفاده از NLP با دقت بیش از ۷۰ درصد پیش‌بینی کرده است که می‌توانید در شکل نمودار ROC آن را ببینید:

برای مطالعه این گزارش این مطلب را ببینید:

Natural Language Processing of Social Media as Screening for Suicide Risk

جمع‌بندی مطالب درباره کاربرد پردازش زبان طبیعی در پزشکی

با وجود تمامی مواردی که در این مطلب به آن‌ها اشاره شد، این نکته مهم است که سازمان‌های مراقبت‌های بهداشتی در حال حاضر از پردازش زبان طبیعی یا NLP فقط برای چیدن میوه‌های پایینی و در دسترس درخت عظیم علم داده استفاده می‌کنند؛ به‌عبارت دیگر، این حوزه قابلیت‌های به‌مراتب فراتری دارد که هنوز ما به آن نقطه نرسیده‌ایم که از تمامی ظرفیت آن استفاده کنیم.

در حال حال حاضر شرکت‌های بزرگ فناوری به‌طور فزاینده‌ای در حال ساخت ابزارهای NLP برای مراقبت‌های بهداشتی هستند؛ برای مثال، آمازون یک ابزار NLP بالینی دارد که به پزشکان کمک می‌کند تا بینش‌هایی را از داده‌های بدون ساختار استخراج کنند. آن‌ها به‌راحتی می‌توانند بیماران را برای یک مطالعه آزمایشی استخدام کنند، تشخیص مناسب را برای بیماران بیابند و سیستم‌های هشداردهنده برای تشخیص زودهنگام شرایطی مانند اسکلروز (Sclerosis) بسازند.

تحقیقات در این زمینه همچنان ادامه دارد و باید دید در آینده چه نوآوری‌های هیجان‌انگیز و البته به‌معنای واقعی نجات‌دهنده‌ای در انتظار دنیای مراقبت‌های بهداشتی خواهد بود.

برای آشنایی بیشتر با کاربردهای NLP این مطلب را مطالعه کنید:

۱۱ کاربرد پردازش زبان طبیعی را بشناسید!

یادگیری دیتاساینس با کلاس‌های آنلاین علم داده کافه‌تدریس

اگر شما هم جزو کسانی هستید که دوست دارند به حوزه علم داده وارد شوند و پرتقاضاترین حرفه قرن را بیاموزند، پیشنهاد ما شرکت در کلاس‌های آنلاین علم داده کافه‌تدریس است.

کلاس‌های آنلاین علم داده کافه‌تدریس در دو دوره علم داده ۱ و علم داده ۲ برگزار می‌شود و به شما کمک می‌کند از هر نقطه جغرافیایی به به‌روزترین آموزش علم داده دسترسی داشته باشید و آن را بیاموزید.

برای آشنایی با کلاس‌های آنلاین علم داده کافه‌تدریس روی این لینک کلیک کنید:

کلاس‌های آنلاین علم داده کافه‌تدریس

هفت‌خوان: مطالعه کن، نظر بده، جایزه بگیر!

هفت‌خوان مسابقه‌ی وبلاگی کافه‌تدریس است. شما با پاسخ به چند پرسش درباره‌ی مطلبی که همین حالا مطالعه کرده‌اید، فرصت شرکت در قرعه‌کشی جایزه نقدی و کلاس رایگان کافه‌تدریس را پیدا خواهید کرد.

جوایز هفت‌خوان

• ۱,۵۰۰,۰۰۰ تومان جایزه نقدی
• ۳ کلاس رایگان ۵۰۰,۰۰۰ تومانی

پرسش‌های مسابقه

برای شرکت در هفت‌خوان کافه‌تدریس در کامنت همین مطلب به این پرسش‌ها پاسخ دهید:

• استفاده از NLP برای ایجاد یک سیستم پشتیبانی تصمیم بالینی (CDS) را توضیح دهید.
• مدل پیش‌بینی شروع روان‌پریشی به چه دقتی دست یافت؟
• سه کاربرد پردازش زبان طبیعی در پزشکی را نام ببرید.