Euroopa esmatasandi arstiabi on praktikas mitmekeelne. Brüsseli perearst võib dokumenteerida hollandi keeles, konsulteerides samal ajal patsiendiga, kes räägib Maroko darižat. Viini perearst võib minna ühe lause keskel üle standardsaksa keelest Viini dialektile. Manchesteri praksises võetakse vastu patsiente, kelle emakeel on urdu, poola või somaali keel. Kui tehisintellekti dokumentatsioonitööriistad sisenevad nendesse keskkondadesse, puutuvad nad kokku keelelise reaalsusega, mille jaoks enamik neist pole loodud. Sellest tulenevad jõudluslüngad pole pelgalt väikesed ebamugavused. Need on potentsiaalsed patsiendi ohutuse riskid.

Kuidas tehisintellekti dokumentatsioonitööriistad töötlevad kõnekeelt

Enamik esmatasandi arstiabis kasutatavaid tehisintellekti dokumentatsioonitööriistu ühendavad kaks erinevat komponenti: automaatne kõnetuvastus, mis teisendab kõneldud sõnad tekstiks, ja suur keelemudelil või loomuliku keele töötlemisel põhinev kiht, mis muudab selle transkribeeritud teksti struktureeritud kliiniliseks dokumentatsiooniks.

Vead võivad tekkida mõlemas kihis. Kui automaatse kõnetuvastuse kiht kuuleb valesti mõnda sõna, eriti kliinilist terminit, mis on hääldatud piirkondliku aktsendiga, saab loomuliku keele töötluse kiht juba rikutud sisendi. See võib genereerida usutavalt kõlava, kuid kliiniliselt vale märkme. Hääldokumentatsioonisüsteemide uuringud on näidanud, et isegi erialaspetsiifilised kõnetuvastusmootorid saavutavad diagnostiliste terminite täpsuses piiranguid ka ühe keele piires. See illustreerib, kuidas valdkonnaspetsiifiline sõnavara tekitab täpsuslünki, mis muutuvad palju märgatavamaks, kui keeleressursse napib.

Kliinilised spetsialistid, kes hindavad tehisintellekti dokumentatsioonitööriistu, peaksid küsima mitte ainult „kas see toetab seda keelt?“, vaid ka „kus töötlusahelas see ebaõnnestub ja kuidas?“

Miks mõnda Euroopa keelt toetatakse paremini kui teisi

Jõudluse erinevuste põhipõhjus Euroopa keelte vahel on treeningandmete tasakaalustamatus. Suured keelemudelid ja automaatsed kõnetuvastussüsteemid on peamiselt treenitud ingliskeelsetel andmekogudel. Kui mudel on näinud miljardeid ingliskeelseid kliinilisi dokumente, kuid ainult miljoneid või sadu tuhandeid samaväärset teksti hollandi, rumeenia või kreeka keeles, on selle jõudlus nendes keeltes struktuurselt nõrgem.

2025. aastal ajakirjas Scientific Reports avaldatud uurimus käsitles suurte keelemudelite põhilisi väljakutseid valdkonnaspetsiifilistes ülesannetes, nagu meditsiiniline kokkuvõte. Uurimus hõlmas morfoloogilise rikkuse, süntaktilise variatsiooni ja diglossia kaalutlusi, millel on eriti suur mõju alaesindatud keeltele.

Keeled, mida tavaliselt paremini toetatakse, on:

• Inglise keel – märkimisväärse vahega, tänu domineerivale esindatusele treeningkorpustes

• Hispaania, prantsuse, saksa keel – mõistlikult esindatud, kuigi kliinilises sõnavaras on lünki

• Hollandi, portugali, itaalia keel – mõõdukas tugi, märkimisväärsete lünkadega erialaterminoloogias

Keeled, mis on tavaliselt kliinilise tehisintellekti treeningandmetes alaesindatud, on poola, rumeenia, kreeka, tšehhi, ungari, soome, katalaani, kõmri ja malta keel. Nendes keeltes praktiseerivate arstide jaoks tuleks iga tehisintellekti dokumentatsioonitööriista põhitäpsust sõltumatult kontrollida, mitte eeldada.

Germaani, romaani ja slaavi keelte spetsiifilised väljakutsed kliinilises dokumentatsioonis

Keelte perekondlik struktuur loob ennustatavad tõrkemustrid tehisintellekti kliinilises dokumentatsioonis. Nende mõistmine aitab arstidel ette näha, kus vead kõige tõenäolisemalt esinevad.

Germaani keeled (saksa, hollandi keel)

Saksa ja hollandi keeles kasutatakse laialdaselt liitsõnu – üksikuid sõnu, mis on loodud mitme mõiste ühendamisel. Saksa kliiniline termin nagu Herzinsuffizienz (südamepuudulikkus) või Bluthochdruck (hüpertensioon) tuleb ära tunda ühe kliinilise üksusena, mitte analüüsida lahti ühendamata silpidena. Tehisintellekti tööriistad, mis pole treenitud piisaval hulgal saksakeelsel kliinilisel tekstil, segmenteerivad või tunnevad sageli need liitsõnad valesti ära. Tulemuseks on märkmed, mis jätavad diagnoosi välja või moonutavad seda.

Romaani keeled (prantsuse, hispaania, portugali, itaalia keel)

Nendes keeltes on meditsiinilisel terminoloogial grammatiline sugu ning kliiniline tähendus võib kokkuleppevigade tõttu muutuda. Lisaks grammatikale on piirkondlik variatsioon kliinilises sõnavaras märkimisväärne: sama seisundit võidakse kirjeldada erinevate eelistatud terminitega Prantsusmaal võrreldes Belgiaga või Hispaanias võrreldes Ladina-Ameerikaga. Kastilia hispaania keele kliinilistel andmetel treenitud tehisintellekti tööriist ei pruugi katalaanikeelsetes piirkondades hästi toimida. Uurimus kahekeelsete hispaania ja katalaani keele esmatasandi arstiabi märkmete kohta leidis, et diagnooside äratundmine ja ICD-10 linkimine mittestandardsetes kahekeelsetes märkmetes on eraldiseisev ja keeruline probleem, mis nõuab keelespetsiifilist peenhäälestust.

Slaavi keeled (poola, tšehhi, slovaki keel)

Poola ja tšehhi keel on morfoloogiliselt keerulised, ulatuslike käändesüsteemidega, mis muudavad sõnade lõppe grammatilise käände, soo ja arvu põhjal. Seisundi kliiniline termin võib ühe konsultatsiooni jooksul esineda kuues või enamas vormis. Tehisintellekti mudel, millel puudub piisav kokkupuude selle käändelise variatsiooniga, ei suuda järjepidevalt sama kliinilist mõistet selle vormide vahel ära tunda. Suurte keelemudelite mitmekeelsed usaldusväärsuse hindamised tervishoius on tuvastanud selle kui kriitilise takistuse reaalsetes slaavi keele kliinilistes keskkondades kasutuselevõtuks.

Dialektid, piirkondlik variatsioon ja aktsendiga kõne: kiht, mida enamik tööriistu ignoreerib

Isegi ühe ametlikult toetatud keele piires võivad dialektiline variatsioon ja aktsendiga kõne automaatse kõnetuvastuse täpsust oluliselt halvendada. Standardhollandi keele jaoks (nagu seda räägitakse Madalmaades) valideeritud tööriist ei pruugi Genti flaami perearsti praktikas hästi toimida. Šveitsi saksa keel erineb standardsaksast piisavalt, et paljud Hochdeutschil treenitud automaatsed kõnetuvastussüsteemid ei suuda seda usaldusväärselt transkribeerida. Katalaani keelt, mida räägivad miljonid inimesed Hispaanias ja Prantsusmaal, käsitlevad tehisintellekti müüjad, kelle peamine turg on kastilia hispaania keel, sageli erandjuhuna.

Dublin City Ülikooli ADAPT keskuse narratiivne ülevaade toob selle välja kui ühe keskse lahendamata väljakutse tehisintellekti keeletehnoloogias tervishoius: sujuv väljund standardses keelevarieteedis ei taga vastuvõetavat jõudlust kogu selle keele dialektilises ulatuses. Ülevaade märgib, et tehisintellekti keeletööriistade efektiivsuse kasv võib varjata vigu, vähendada jälgitavust ja nihutada vastutust arstide ja tervishoiusüsteemide vahel. Need riskid võimenduvad, kui dialektilist variatsiooni valideerimisel ei arvestata.

Mitteemaskeelsete kõnelejate aktsendiga kõne esitab seotud, kuid erineva väljakutse. Rumeenia päritolu perearst, kes praktiseerib Iirimaal ja dokumenteerib inglise keeles rumeenia aktsendiga, võib leida, et automaatse kõnetuvastuse täpsus on märgatavalt madalam kui sama tööriista kasutaval emakeelsel inglise keele kõnelejal. Sellel on otsesed tagajärjed rahvusvaheliselt koolitatud arstidega praktikate jaoks, mis moodustavad märkimisväärse osa esmatasandi arstiabi tööjõust üle ELi ja Ühendkuningriigi.

Koodivahetus: mis juhtub, kui arstid ja patsiendid segavad keeli konsultatsiooni keskel

Koodivahetus, kahe või enama keele vahel liikumine ühe vestluse jooksul, on mitmekeelsetes kliinilistes keskkondades tavaline, kuid see jääb üheks kõige halvemini käsitletud stsenaariumiks tehisintellekti dokumentatsioonitööriistades. Arst Luksemburgis võib dokumenteerida prantsuse keeles, kasutades samal ajal ladina anatoomilisi termineid, ingliskeelseid ravimite nimetusi ja juhuslikke saksa fraase. Perearst kõmrikeelses praktikas võib ühe lause piires vaheldumisi kasutada kõmri ja inglise keelt.

Araabiamaade arstid vestlevad sageli peamiselt araabia keeles, kuid kirjutavad kliinilised märkmed inglise keeles, mis lisab kognitiivset koormust. Seda kahekeelset töövoogu toetavad olemasolevad tehisintellekti tööriistad halvasti, kuna araabiakeelsed treeningkorpused on napid. Sama struktuurne probleem kehtib mis tahes keelepaari puhul, kus üks komponent on treeningandmetes alaesindatud.

Enamiku praeguste tehisintellekti dokumentatsioonitööriistade puhul kipub koodivahetus hästi varustatud ja vähese ressursiga keele vahel tootma ühte kahest tõrkemustrist: tööriist läheb täielikult üle domineerivale keelele ja jätab vähemuskeeles kõneldud sisu välja või püüab transkribeerida mõlemat keelt, kuid teeb süstemaatilisi vigu üleminekukohtades. Kumbki tulemus ei ole vastuvõetav kliinilise dokumentatsiooni kontekstis, kus puuduv või moonutatud teave võib mõjutada patsiendi ohutust.

Kliiniline terminoloogia erinevates keeltes: rohkem kui tõlkeprobleem

Sageli arvatakse, et mitmekeelne kliiniline dokumentatsioon on peamiselt tõlkeprobleem – et tehisintellekti tööriist peab lihtsalt vastendama kõneldud terminid ühes keeles nende ingliskeelsetele ekvivalentidele enne standardse kliinilise kodeerimise rakendamist. See eeldus on vale ja selle järgi tegutsemine viib süstemaatiliste vigadeni struktureeritud märkmetes.

Meditsiiniline sõnavara ei ole Euroopa keeltes ühtlaselt standardiseeritud. SNOMED CT, kõige laialdasemalt kasutatav kliinilise terminoloogia süsteem, on mitmes Euroopa keeles ametlikult tõlgitud, kuid katvus on ebaühtlane. Praktikas kasutavad arstid sageli mitteametlikke, lühendatud või kohalikult eelistatud termineid, mis ei vasta otse ühelegi standardiseeritud koodile. Ingliskeelsetel kliinilistel korpustel treenitud tehisintellekti tööriist võib õigesti ära tunda kõneldud ingliskeelse termini „heart failure“ ja vastendada selle sobiva SNOMED CT koodiga, kuid ebaõnnestuda sama vastendamise tegemisel, kui terminit kasutatakse poola, kreeka või soome keeles, isegi kui tööriist nominaalselt „toetab“ neid keeli.

Uurimus ICD-10 kodeerimise kohta kahekeelsetes hispaania ja katalaani keele esmatasandi arstiabi märkmetes leidis, et mittestandardsed märkmete vormingud ja kahekeelne segamine loovad spetsiifilisi väljakutseid automatiseeritud kodeerimisele, mida ei saa lahendada standardsetel ühekeelsetel korpustel treenitud mudelite rakendamisega. Autorid leidsid, et parameetrite tõhus peenhäälestus keelespetsiifilistel kliinilistel andmetel oli vajalik vastuvõetava jõudluse saavutamiseks. Sellel leidul on otsesed tagajärjed praktikatele, kes hindavad tehisintellekti dokumentatsioonitööriistu mis tahes mitteingliskeelses Euroopa keeles.

Kuidas hinnata tehisintellekti dokumentatsioonitööriistu keelelist jõudlust enne praktikasse juurutamist

Arstid ja praktikajuhid, kes hindavad tehisintellekti dokumentatsioonitööriistu mitmekeelsete keskkondade jaoks, peaksid minema kaugemale müüjate turundusväidetest ja esitama konkreetseid, kontrollitavaid küsimusi. Järgmine raamistik kajastab praegust parimat praktikat kliinilise tehisintellekti hindamisel.

Küsige keelespetsiifilisi valideerimisandmeid

• Millistes keeltes tööriist valideeriti ja millisel andmekogumil?

• Kas valideerimine viidi läbi reaalsete kliiniliste kõnede või puhaste stuudiosalvestiste põhjal?

• Milline oli sõnavigade määr automaatse kõnetuvastuse jaoks sihtkeeles ja kuidas see võrdleb sama tööriista ingliskeelse jõudlusega?

Uurige dialekti ja aktsendi katvust

• Kas tööriista on testitud teie praktikas kasutatava keele konkreetsel piirkondlikul variandil (nt flaami hollandi keel, Šveitsi saksa keel, katalaani keel)?

• Milline on dokumenteeritud jõudluse erinevus standardsete ja piirkondlike variantide vahel?

Testige koodivahetuse võimekust

• Kas tööriist suudab käsitleda konsultatsioone, kus arst ja patsient kasutavad erinevaid keeli?

• Kuidas see käitub, kui meditsiinilisi termineid kasutatakse ladina või inglise keeles mitteingliskeelse konsultatsiooni jooksul?

Vaadake kliinilise kodeerimise täpsust eraldi transkriptsiooni täpsusest

• Tööriist võib saavutada vastuvõetava transkriptsiooni täpsuse, kuid siiski ebaõnnestuda õigete SNOMED CT või ICD koodide genereerimisel sihtkeeles.

• Küsige müüjatelt kodeerimise täpsuse andmeid, mis on spetsiifilised teie keelele ja kliinilisele kontekstile.

2025. aasta kommentaar tehisintellekti kirjutajate kohta tervishoius märgib, et enamik olemasolevaid hindamisi pärineb väikesemahulistest, lühiajalistest pilootuuringutest, kus osalejad on tehnoloogia suhtes positiivselt meelestatud. See piirang kehtib eriti mitteingliskeelsete hindamiste puhul, kus tõendusbaas on veelgi õhem.

Andmete residentsus ja regulatiivsed kaalutlused mitmekeelsete tehisintellekti tööriistade jaoks ELis

Üldine andmekaitsemäärus kehtib kõigi ELis töödeldavate isikuandmete suhtes, olenemata keelest, milles neid kõneldi või salvestati. Kliiniliste konsultatsioonide helisalvestised, sealhulgas need, mis on läbi viidud poola, rumeenia, araabia või mis tahes muus keeles, kujutavad endast tundlikke terviseandmeid üldise andmekaitsemääruse artikli 9 alusel ja nende suhtes kehtivad kõik andmekaitse kohustused.

BMJ poliitikadokument tehisintellekti tõlke kohta tervishoius toob välja kiiresti kiireneva tehisintellekti juurutamise ja regulatiivsete raamistike vahelise lünga kui märkimisväärse murekoha. Dokument märgib, et see lünk on eriti väljendunud mitmekeelsetes tervishoiukeskkondades, kus andmevood liiguvad üle keele- ja jurisdiktsioonipiiride.

Praktikad peaksid kontrollima:

• Kus helisalvestisi töödeldakse: Mõned tehisintellekti dokumentatsioonitööriistad suunavad heli transkriptsiooniks pilvtaristusse väljaspool ELi, mis võib olla vastuolus üldise andmekaitsemääruse andmete residentsuse nõuetega.

• Kus andmeid säilitatakse: ELi andmete residentsuse nõuded kehtivad nii salvestatud andmete kui ka töötlemise kohta.

• Kas müüja privaatsusdokumentatsioon hõlmab kõiki toetatud keeli: Tööriistad, mis töötlevad mitteingliskeelset heli läbi erineva taristu kui ingliskeelset heli, võivad omada ebajärjekindlaid andmete residentsuse positsioone.

• Meditsiiniseadmete määruse staatus: Tehisintellekti dokumentatsioonitööriistad, mis genereerivad kliinilisi väljundeid, võivad kvalifitseeruda meditsiiniseadmeteks ELi meditsiiniseadmete määruse alusel, millel on tagajärjed selle kohta, millised keeled ja kliinilised kontekstid on formaalselt valideeritud.

Milline näeb välja hea mitmekeelne jõudlus tegelikult: võrdlusalused ja punased lipud

Ei ole üldiselt kokku lepitud täpsuse lävendeid tehisintellekti kliinilise dokumentatsiooni jaoks Euroopa keeltes, kuid järgmised võrdlusalused kajastavad praeguseid tõendeid ja kliinilise riski kaalutlusi.

Mõistlikud miinimumläved kliiniliseks kasutamiseks

• Automaatse kõnetuvastuse sõnavigade määr alla 10–15% konkreetse kasutatava keele ja dialekti jaoks (madalamad läved kehtivad kõrge panusega kliinilistes kontekstides).

• Kliinilise terminoloogia äratundmise täpsus üle 80% kõige tavalisemate diagnostiliste terminite puhul sihtkeeles.

• ICD/SNOMED kodeerimise täpsus, mis on võrreldav sama tööriista poolt inglise keeles saavutatuga.

Punased lipud, mis viitavad ebapiisavale mitmekeelsele valideerimisele

• Müüja viitab ainult ingliskeelsetele valideerimisuuringutele ja kirjeldab muude keelte tuge kui „tulekul“ või „beetas“.

• Täpsuse arvud esitatakse ühe numbrina kõigi toetatud keelte kohta, ilma keelespetsiifilise jaotuseta.

• Valideerimine viidi läbi puhaste salvestiste, mitte reaalsete kliiniliste kõnede põhjal.

• Tööriistal puuduvad dokumenteeritud jõudlusandmed piirkondlike dialektide või aktsendiga kõne jaoks.

• Koodivahetuse võimekust kirjeldatakse kvalitatiivselt, mitte täpsuse andmetega toetatult.

EuropeMedQA võrdlusstandard on kasulik võrdluspunkt: see on põhjalik mitmekeelne meditsiinieksami andmekogum, mis on pärit ametlikest regulatiivsetest eksamitest üle Euroopa riikide. See pakub struktureeritud raamistikku suurte keelemudelite jõudluse võrdlemiseks Euroopa kliinilistes keeltes. Arstid peaksid siiski olema teadlikud, et jõudlus standardiseeritud eksamiküsimustel ei ennusta tingimata jõudlust reaalsetes kliinilistes kõnedes. Need kaks ülesannet hõlmavad erinevaid keelelisi registreid ja vigade tüüpe.

Mis peab muutuma tehisintellekti kliinilises dokumentatsioonis mitmekeelse Euroopa jaoks

Mitmekeelne jõudluslünk tehisintellekti kliinilises dokumentatsioonis ei ole lahendamatu probleem, kuid uurimiskogukond ja kaubanduslikud müüjad teenindavad seda praegu ebapiisavalt. Mitu muudatust on vajalikud enne, kui tehisintellekti dokumentatsioonitööriistu saab pidada usaldusväärselt ohutuks juurutamiseks üle Euroopa esmatasandi arstiabi täieliku keelelise mitmekesisuse.

Mitmekesisemad treeningandmekogumid

Ingliskeelsete andmete domineerimine tehisintellekti treeningkorpustes kajastab ajaloolisi uurimis- ja kaubanduslikke prioriteete, mitte tegelikku kliinilise tegevuse jaotust Euroopas. Kliiniliselt valideeritud andmekogumite loomine poola, rumeenia, kreeka, hollandi ja teistes alaesindatud keeltes nõuab investeeringuid tervishoiusüsteemidelt, uurimisrahastajatelt ja tehisintellekti müüjatelt. ADAPT keskuse 2026. aasta ülevaade väidab, et see nõuab mitte ainult paremaid mudeleid, vaid vastutustundlikku sotsiotehnilist disaini ja tugevamat koostööd loomuliku keele töötlemise, kliinilise praktika ja poliitika vahel.

Dialektiteadlik mudeli arendamine

Standardsed keelevarieteedid ei ole piisavad kliinilise tehisintellekti valideerimise alusena. Mudeleid tuleb testida ja vajadusel peenhäälestada piirkondlike variatsioonide jaoks, mida tegelikult kliinilises praktikas kasutatakse, sealhulgas flaami hollandi keel, Šveitsi saksa keel, katalaani keel, piirkondlikud prantsuse aktsendid ja paljud teised varieteedid, mis moodustavad Euroopa esmatasandi arstiabi tegeliku keelelise maastiku.

Kliiniline valideerimine kui regulatiivne nõue

BMJ poliitikadokument nõuab tõenduspõhiseid poliitilisi raamistikke, mis kohustavad tehisintellekti keeletööriistu tervishoius demonstreerima kliinilist ohutust keeltes ja kontekstides, kus neid kasutatakse. Ilma regulatiivse surveta on müüjatel piiratud kaubanduslik stiimul investeerida valideerimisse väiksemate keeleturgude jaoks.

Praeguste piirangute aus esitamine

Tõendid mitmekeelsete suurte keelemudelite usaldusväärsuse uuringutest on selged: praegused mudelid ei ole ühtlaselt usaldusväärsed Euroopa keeltes kliinilistes keskkondades. Arstid väärivad täpset teavet selle kohta, kus need tööriistad toimivad hästi ja kus mitte, et nad saaksid rakendada asjakohast inimlikku järelevalvet ning vältida liigset sõltuvust tehisintellekti genereeritud dokumentatsioonist keeltes, kus valideerimine puudub või on ebapiisav.

Tänapäeva mitmekeelsetes Euroopa keskkondades praktiseerivate arstide jaoks on praktiline järeldus lihtne: müüja veebisaidil loetletud keeletugi ei ole sama mis valideeritud kliiniline jõudlus. Küsimused, mida küsida, võrdlusalused, mida taotleda, ja punased lipud, mida jälgida, on hästi määratletud. Nende range rakendamine enne juurutamist on kõige usaldusväärsem kaitse kogunevate vigade vastu, mida mitmekeelsed tehisintellekti dokumentatsioonitööriistad võivad kliinilistesse andmetesse tuua.

Korduma kippuvad küsimused

▶ Miks tehisintellekti dokumentatsioonitööriistad toimivad Euroopa keeltes erinevalt?

Põhipõhjus on treeningandmete tasakaalustamatus. Suured keelemudelid ja automaatsed kõnetuvastussüsteemid on peamiselt treenitud ingliskeelsetel andmekogudel. Mudel, mis on treenitud miljarditel ingliskeelsetel kliinilistel dokumentidel, kuid ainult sadadel tuhandetel samaväärsetel tekstidel rumeenia või kreeka keeles, on neis keeltes struktuurselt nõrgem. See mõjutab nii transkriptsiooni kihti kui ka kihti, mis teisendab transkribeeritud teksti struktureeritud kliinilisteks märkmeteks.

▶ Milliseid Euroopa keeli toetavad kliinilise tehisintellekti dokumentatsioonitööriistad kõige paremini ja kõige vähem?

Inglise keel on kõige paremini toetatud keel märkimisväärse vahega. Hispaania, prantsuse ja saksa keelel on mõistlik esindatus, kuigi kliinilises sõnavaras on lünki. Hollandi, portugali ja itaalia keelel on mõõdukas tugi. Keeled, mis on tavaliselt alaesindatud, on poola, rumeenia, kreeka, tšehhi, ungari, soome, katalaani, kõmri ja malta keel. Nendes keeltes praktiseerivad arstid peaksid sõltumatult kontrollima põhitäpsust, mitte seda eeldama.

▶ Milliseid konkreetseid dokumenteerimisvigasid peaksid arstid germaani ja slaavi keeltega ootama?

Saksa ja hollandi keeles tunnevad tehisintellekti tööriistad sageli valesti ära liitsõnad nagu Herzinsuffizienz (südamepuudulikkus), kas segmenteerides või jättes need täielikult välja. Poola ja tšehhi keeles tähendavad ulatuslikud käändesüsteemid, et sama kliiniline termin võib ühe konsultatsiooni jooksul esineda kuues või enamas vormis. Tööriistad, millel puudub piisav kokkupuude selle variatsiooniga, ei suuda järjepidevalt sama kliinilist mõistet selle erinevate vormide vahel ära tunda. Suurte keelemudelite mitmekeelsed usaldusväärsuse hindamised tervishoius on tuvastanud selle kui kriitilise takistuse reaalseks kasutuselevõtuks.

▶ Kas dialekt ja aktsendiga kõne mõjutavad tehisintellekti dokumentatsiooni täpsust?

Jah, märkimisväärselt. Standardhollandi keele jaoks valideeritud tööriist ei pruugi flaami praktikas hästi toimida. Šveitsi saksa keel erineb standardsaksast piisavalt, et paljud Hochdeutschil treenitud kõnetuvastussüsteemid ei suuda seda usaldusväärselt transkribeerida. Mitteemaskeelsete kõnelejate aktsendiga kõne esitab seotud väljakutse: rumeenia päritolu perearst, kes dokumenteerib inglise keeles, võib leida, et transkriptsiooni täpsus on märgatavalt madalam kui sama tööriista kasutaval emakeelsel inglise keele kõnelejal. Dublin City Ülikooli ADAPT keskuse uuringud toovad dialektilise variatsiooni välja kui ühe keskse lahendamata väljakutse tehisintellekti keeletehnoloogias tervishoius.

▶ Kuidas tehisintellekti dokumentatsioonitööriistad käsitlevad koodivahetust, kus arstid segavad keeli konsultatsiooni keskel?

Enamik praeguseid tööriistu käsitleb koodivahetust halvasti. Kui arst liigub hästi varustatud ja vähese ressursiga keele vahel, lähevad tööriistad tavaliselt kas täielikult üle domineerivale keelele ja jätavad vähemuskeeles kõneldud sisu välja või püüavad transkribeerida mõlemat, kuid teevad süstemaatilisi vigu üleminekukohtades. Kumbki tulemus ei ole vastuvõetav kliinilises dokumentatsioonis, kus puuduv või moonutatud teave võib mõjutada patsiendi ohutust.

▶ Kas mitmekeelne kliiniline dokumentatsioon on lihtsalt tõlkeprobleem?

Ei. Meditsiiniline sõnavara ei ole Euroopa keeltes ühtlaselt standardiseeritud. SNOMED CT, kõige laialdasemalt kasutatav kliinilise terminoloogia süsteem, on mitmes Euroopa keeles ametlikult tõlgitud, kuid katvus on ebaühtlane. Arstid kasutavad sageli mitteametlikke või kohalikult eelistatud termineid, mis ei vasta otse ühelegi standardiseeritud koodile. Uurimus ICD-10 kodeerimise kohta kahekeelsetes hispaania ja katalaani keele esmatasandi arstiabi märkmetes leidis, et mittestandardsed märkmete vormingud ja kahekeelne segamine loovad spetsiifilisi väljakutseid, mida ei saa lahendada standardsetel ühekeelsetel korpustel treenitud mudelite rakendamisega.

▶ Milliseid küsimusi peaksid arstid müüjatelt küsima, kui nad hindavad tehisintellekti dokumentatsioonitööriista mitmekeelse praktika jaoks?

Arstid peaksid küsima keelespetsiifilisi valideerimisandmeid, sealhulgas automaatse kõnetuvastuse sõnavigade määra sihtkeeles võrreldes inglise keelega. Nad peaksid uurima, kas tööriista on testitud nende praktikas kasutataval konkreetsel piirkondlikul variandil, nagu flaami hollandi keel või Šveitsi saksa keel. Samuti tuleks uurida, kuidas tööriist käsitleb koodivahetust, ja taotleda kliinilise kodeerimise täpsuse andmeid, mis on spetsiifilised nende keelele ja kontekstile. Tööriist võib saavutada vastuvõetava transkriptsiooni täpsuse, kuid siiski ebaõnnestuda õigete SNOMED CT või ICD koodide genereerimisel sihtkeeles.

▶ Millised on üldise andmekaitsemääruse tagajärjed tehisintellekti dokumentatsioonitööriistade kasutamisel, mis töötlevad mitteingliskeelset heli?

Kliiniliste konsultatsioonide helisalvestised mis tahes keeles kujutavad endast tundlikke terviseandmeid üldise andmekaitsemääruse artikli 9 alusel ja alluvad kõigile andmekaitse kohustustele. Praktikad peaksid kontrollima, kus helisalvestisi töödeldakse ja säilitatakse, kuna mõned tööriistad suunavad heli transkriptsiooniks pilvtaristusse väljaspool ELi. Tööriistad, mis töötlevad mitteingliskeelset heli läbi erineva taristu kui ingliskeelset heli, võivad omada ebajärjekindlaid andmete residentsuse positsioone. Meditsiiniseadmete määruse staatus on samuti oluline, kuna tehisintellekti dokumentatsioonitööriistad, mis genereerivad kliinilisi väljundeid, võivad kvalifitseeruda meditsiiniseadmeteks, millel on tagajärjed selle kohta, millised keeled ja kliinilised kontekstid on formaalselt valideeritud.

▶ Millised täpsuse võrdlusalused näitavad, et tehisintellekti dokumentatsioonitööriist sobib kliiniliseks kasutamiseks mitteingliskeeles?

Artikkel toob välja järgmised miinimumläved, mis põhinevad praegustel tõenditel: automaatse kõnetuvastuse sõnavigade määr alla 10–15 protsendi konkreetse kasutatava keele ja dialekti jaoks, kliinilise terminoloogia äratundmise täpsus üle 80 protsendi kõige tavalisemate diagnostiliste terminite puhul sihtkeeles ning ICD või SNOMED kodeerimise täpsus, mis on võrreldav sama tööriista poolt inglise keeles saavutatuga. Punased lipud hõlmavad müüjaid, kes viitavad ainult ingliskeelsetele valideerimisuuringutele, esitavad täpsust ühe numbrina kõigi toetatud keelte kohta ning kirjeldavad dialekti või koodivahetuse jõudlust kvalitatiivselt, mitte täpsuse andmetega.

▶ Millised muudatused on vajalikud enne, kui tehisintellekti dokumentatsioonitööriistu saab pidada usaldusväärselt ohutuks mitmekeelse Euroopa esmatasandi arstiabi jaoks?

Artikkel toob välja kolm peamist nõuet. Esiteks, mitmekesisemad treeningandmekogumid alaesindatud keeltes nagu poola, rumeenia ja kreeka keel. Teiseks, dialektiteadlik mudeli arendamine, mis läheb kaugemale standardsetest keelevarieteedidest, et katta piirkondlikud varieteedid, mida tegelikult kliinilises praktikas kasutatakse. Kolmandaks, kliiniline valideerimine kui regulatiivne nõue, nii et müüjad peavad demonstreerima ohutust keeltes ja kontekstides, kus nende tööriistu kasutatakse. Ilma regulatiivse surveta on müüjatel piiratud kaubanduslik stiimul investeerida valideerimisse väiksemate keeleturgude jaoks.