De volgende stap in AI: herkenning van medische taal

MyTomorrow medische taal

Waar de meeste klinische AI-oplossingen nu nog puur gericht zijn op het analyseren van meetwaarden en medische beelden, komt de volgende stap eraan: het verwerken van teksten in vrije tekstvelden en verslagen. Hoe werkt dit precies en waarom is het zo complex?

Het Amsterdamse bedrijf MyTomorrows is expert in het analyseren van medische taal en het herkennen van de essentie van teksten in verslagen of vrije tekstvelden. Hun expertise is het vinden van een mogelijke behandeling die nog in ontwikkeling is voor patiënten die in Nederland uitbehandeld zijn. Daartoe combineren ze een keur aan patiëntdata – EPD data (Elektronisch Patiënten Dossier) en omschrijvingen van een ziekte in lekentaal – met een grote database van wereldwijde behandelopties, waaronder klinische studies. Op deze manier proberen ze een geschikt medicijn te vinden. Als dat lukt, helpen ze om toegang te krijgen tot een klinische studie en regelen ze vervolgens alle juridische en logistieke zaken om het medicijn naar de patiënt te krijgen.

Iedere behandeloptie vinden

Er is wereldwijd ontzettend veel informatie beschikbaar over medicijnontwikkeling. Het is voor artsen niet te doen om al die kennis bij te houden. Daartoe zouden ze eigenlijk al hun tijd moeten besteden aan het lezen van literatuur. Zeker op terreinen waar ontwikkelingen snel gaan, zoals bijvoorbeeld immunotherapie, is het ondoenlijk om alles te lezen wat er in de journals verschijnt. Bovendien zijn behandelingen vaak weliswaar ontwikkeld voor een specifieke ziekte, bijvoorbeeld melanoom. Alleen zijn er nog twaalf andere aandoeningen die worden veroorzaakt door dezelfde genmutatie. Dat betekent dat deze medicijnen ook voor het bestrijden van deze ziektes kunnen worden ingezet. Dit vergroot de kans dat er voor een kankerpatiënt met uitzaaiingen een therapie bestaat waarvan zijn oncoloog geen weet heeft.
Dit gat dicht MyTomorrows door alle wereldwijde bronnen over medicijnontwikkeling, in verschillende talen, bij elkaar te brengen in één kennisbank. Door gebruik te maken van het taalherkenningsalgoritme Natural Language Programming (NLP) vindt de zoekmachine ook documenten die in een andere taal dan het Engels zijn geschreven. NLP wordt ook gebruikt om patiëntinformatie om te zetten naar relevante data voor de zoekmachine. Artsen kunnen zelf zoeken in de kennisbank. Patiënten worden op verzoek gebeld voor een intakegesprek waarbij een medisch expert zich een beeld vormt van de situatie.

Maatwerk taalherkenningsalgoritme

De kennisbank is niet een platte database met een zoekfunctie, maar is voorzien van verschillende algoritmen. Deze gaan niet alleen af op de diagnostische informatie in het EPD, maar houden ook rekening met omschrijvingen van symptomen, de medische geschiedenis, leeftijd, land en andere belangrijke zaken. Met NLP worden alle beschikbare teksten omgezet naar relevante informatie. Zo wordt bijvoorbeeld de beschrijving van een aandoening in lekentaal volautomatisch omgezet naar medische taal om het zoeken in de databases te vergemakkelijken. Bijzonder is ook dat de database informatie in een veelheid aan talen bevat en alle relevante documenten vindt, ook als een andere zoektaal wordt gebruikt. Het bedrijf heeft hiervoor een eigen taalherkenningsalgoritme ontwikkeld op basis van NLP, maar met specifieke toevoegingen voor het medische vakgebied.

CTO Robert-Jan Sips vertelt: “Het begrijpen van medische taal door machines is een stuk moeilijker dan het begrijpen van gewone taal. Allereerst is het voor NLP heel moeilijk om te herkennen in welke taal iets is geschreven, want er worden veel woorden gebruikt die uit een andere taal komen, zoals Latijnse begrippen. We hebben daarom een linguïstisch algoritme ontwikkeld die we aan een standaard taalherkenningsalgoritme hebben toegevoegd. Daarnaast komen in medische taal veel woorden voor die in alledaagse taal niet bestaan en is medische informatie vaak dubbelzinnig. Een afkorting of term kan in het ene medische specialisme iets anders betekenen dan in het andere. Dat betekent dat het algoritme naar de context moet kijken om te weten wat er wordt bedoeld.”
Dankzij gebruik van AWS (Amazon Web Services) kan een klein bedrijf als myTomorrows dit soort geavanceerde algoritmen wereldwijd beschikbaar maken.

Mens en machine

Omdat machines niet feilloos zijn, is er altijd een arts die de gevonden zoekresultaten beoordeelt. Sips: “Machines zijn niet slimmer of dommer dan mensen, ze kijken anders. Een computer ziet alleen de informatie in het EPD, hij heeft de patiënt niet zelf gesproken of gezien. Algoritmen nemen wél alle opties in ogenschouw, ook zeldzame opties waar de mens niet aan denkt omdat het zo weinig voorkomt. Een machine vergeet bijvoorbeeld niet dat iemand twintig jaar geleden een medicijn heeft gehad dat op lange termijn bijwerkingen kan hebben. Daarom is de combinatie van mens en machine zo sterk: ze vullen elkaar aan en compenseren elkaars zwakke kanten.”

Gerelateerde berichten...

X