Rutin tıbbi kayıtları kullanarak küçük dil modelleri ve İnsan Fenotip Ontolojisi (HPO) ile oftalmolojik hastalıkların otomatik fenotiplendirilmesi

Göz hekimlerinin notlarını daha akıllıca okumanın önemi

Her göz doktoru ziyareti, hastanın gözleriyle ilgili çok sayıda gözlemi içeren bir mektup veya rapor üretir. Bu notlar bakım için hayati önemdedir, ancak serbest metin halinde yazılır, genellikle farklı dillerde olur ve her doktor kendi ifadelerini kullanır. Bu durum, klinikler arasında bilgiyi birleştirmeyi, büyük araştırma kayıtları oluşturmayı veya benzer sorunları olan hastaları hızlıca bulmayı zorlaştırır. Bu çalışma, özenle tasarlanmış bir yapay zeka (YZ) sisteminin bu dağınık anlatımları hassas, standartlaştırılmış göz bulguları listesine otomatik olarak dönüştürebileceğini gösteriyor — üstelik hassas hasta verilerini buluta göndermeden.

Günlük notları yapılandırılmış verilere dönüştürmek

Araştırmacılar, gözle ilgili özellikler de dahil olmak üzere kesin tanımlı tıbbi özelliklerin dünya çapında bir kataloğu olan İnsan Fenotip Ontolojisi adlı araca odaklandı. Doktorların bu kodları elle arayıp atamasına—zaman alan ve tutarsız bir süreç—dayanmak yerine, rutin oftalmoloji mektuplarını okuyup eşleşen standart terimleri çıkartan bir YZ boru hattı kurdular. Amaç, gerçek klinik notlardaki zengin ayrıntıyı yakalarken sonuçları araştırma, kalite kontrol ve çok merkezli kayıtlar için kullanılabilir hale getirmekti.

Metinden göz bulgularına adım adım yolculuk

Boru hattı dört ana aşamada çalışır. İlk olarak, anonimleştirilmiş ve Almanca yazılmış göz klinik notları, örnek istemlerle ayarlanmış küçük bir dil modeli tarafından İngilizceye çevrilir. İkinci olarak, sistem daha uzun tanımları ön veya arka segmentin tek bir özelliğini açıklayan kısa parçalara böler. Üçüncü olarak, normal bulguları filtreler ve bir hastalığın açıkça dışlandığını tanır, böylece yalnızca gerçek sorunlar saklanır. Son olarak, kalan her bir parça matematiksel bir “gömme”ye dönüştürülür ve genişletilmiş, çokdilli İnsan Fenotip Ontolojisi girişleriyle eşleştirilerek spesifik, standartlaştırılmış bir göz fenotipi terimi elde edilir.

Sisteme göz bakımının dilini öğretmek

Birçok özelleşmiş göz durumu veya ifade biçimi standart katalogda eksik olduğu için ekip, kliniklerine özgü yerel bir eşanlamlılar listesi oluşturdu. Sistem bir metin parçası için yanlış terimi seçtiğinde, uzmanlar bunu düzeltti ve ifadeyi doğru kod için yeni bir eşanlamlı olarak ekledi. Bu “uzman-dahil” süreç yaklaşık 10.000 tıbbi rapor üzerinde tekrarlandı. Küresel ontolojide henüz yer almayan yeni göz fenotipleri ise uluslararası İnsan Fenotip Ontolojisi konsorsiyumuna önerildi ve ortak standardın gelecekteki kullanıcılar için gelişmesine katkıda bulunuldu.

YZ’nin insan uzmanlarla ne kadar uyuştuğu

Performansı test etmek için araştırmacılar rastgele 175 gerçek hasta kaydını seçti ve deneyimli bir oftalmoloğun bunları elle ontoloji terimleriyle not etmesini sağladı. Ortalama olarak, insanlar her mektupta 2,53 ilgili göz bulgusu buldu, YZ ise 2,52 üretti—neredeyse aynı. İnsanlar tarafından tanımlanan 342 terimin 341’ini sistem geri getirdi. Temel doğruluk ölçümleri güçlüydü: YZ ile insan terim kümeleri arasındaki örtüşme (Jaccard benzerliği) yaklaşık üçte iki ve doğruluk ile tamamlayıcılığın dengesi (F1 skoru) yaklaşık 0,80 idi; bu, diğer tıbbi alanlardaki en iyi araçlarla karşılaştırılabilir düzeydeydi. Kalan hataların çoğu, gereken göz teriminin ontolojide henüz bulunmaması durumunda ortaya çıktı.

Verileri gizli tutup bağlantıları kurmak

Bu yaklaşımın dikkat çekici bir özelliği, tümünün yerel hastane donanımı üzerinde çalışmasıdır; bu sayede klinikler katı veri koruma kurallarına uyarken kayıtlarının değerini ortaya çıkarabilir. Serbest metin notları isimler veya doğrudan tanımlayıcılar içermeyen standart kodlara dönüştürülerek kayıtlar ve araştırma için daha güvenli veri paylaşımını destekler. Modüler tasarımı, diğer hastanelerin istemleri ayarlayarak ve eşanlamlı listelerini genişleterek kendi ifade tarzlarına ve kısaltmalarına uyarlamalarına olanak verir; bunun için büyük YZ modellerini baştan eğitmeye gerek yoktur.

Bu hastalar ve göz araştırmaları için ne anlama gelebilir

Hastalar için bu tür otomatik fenotiplendirme, nadir hastalık desenlerinin daha erken tanınması ve tedavilerin merkezler arası daha iyi eşleştirilip incelenebilmesi anlamına gelebilir. Doktorlar ve araştırmacılar içinse daha hızlı hasta dosyası incelemeleri, daha eksiksiz kayıtlar ve elle kodlama için harcanan saatlerin azalması vaat ediliyor. Yazarlar, güvenilir bir tıbbi ontoloji etrafında kurulmuş, yerel bir kliniğin diline göre ayarlanmış ve geri getirme tabanlı dikkatli bir YZ boru hattının günlük oftalmoloji notlarını yapılandırılmış, araştırmaya hazır verilere doğru şekilde çevirebileceği ve YZ’nin rutin göz bakımında daha geniş kullanımı için yolu açabileceği sonucuna varıyorlar.

Atıf: Thai, B.D., Arens, S., Reinhard, T. et al. Automated phenotyping of ophthalmologic diseases from routine medical records using small language models and the human phenotype ontology (HPO). Sci Rep 16, 14682 (2026). https://doi.org/10.1038/s41598-026-51512-z

Anahtar kelimeler: oftalmoloji, klinik metin madenciliği, fenotiplendirme, tıbbi ontolojiler, sağlık veri birlikte çalışabilirliği