Bağımlılık bakımında klinik notlardaki damgalayıcı dili büyük dil modelleriyle tespit etmek

Sağlık Kayıtlarınızdaki Kelimelerin Neden Önemli Olduğu

Daha fazla hasta çevrimiçi olarak tıbbi kayıtlarına erişim kazandıkça, kliniklerin kullandığı dil hastane bilgisayarlarında saklı kalmıyor—tanımladığı kişilerin gözleri önünde oluyor. Bağımlılıkla yaşayan hastalar için “uyuşturucu bağımlısı” gibi tek bir ifade utancı pekiştirebilir, güveni zedeleyebilir ve hatta verilen bakımı etkileyebilir. Bu çalışma zamanlı bir soruyu gündeme getiriyor: modern yapay zeka, hastalara zarar gelmeden önce hastanelerin klinik notlarda damgalayıcı dili tespit edip azaltmasına yardımcı olabilir mi?

Günlük Notlarda Gizlenen Zararlı Etiketler

Sağlık hizmetindeki damgalama sadece göz teması veya ses tonuyla ortaya çıkmaz; yazılı kayıtlara da yerleşir. Elektronik sağlık kayıtları, hastaları kliniklerde ve hastanelerde takip eden milyonlarca not içerir. “Alkol kötüye kullanımı” veya “ilaç arama davranışı” gibi terimler, acil ziyaret veya hastanede yatış sonrası bile gelecekteki klinisyenlerin bir kişiye nasıl bakacağını şekillendirebilir. Araştırmacılar, riskin yüksek ve belgelemenin yoğun olduğu yoğun bakım ünitesi notlarına odaklandı; bağımlılık sorunu olan hastalara ilişkin notlar üzerinde çalıştılar. Saygılı, kişi-öncelikli dili teşvik eden ulusal kılavuzlardan—örneğin “bağımlılık yaşayan kişi” yerine “bağımlı” kullanılmaması gibi—başlayıp, bu fikirleri damgalayıcı veya değil olarak etiketlenmiş büyük bir not veri seti oluşturmak için kullandılar.

Bir Yapay Zekâyı Satır Aralarını Okumaya Öğretmek

Takım basitçe kötü kelimeleri tarayan bir yöntem yerine bağlamı anlayabilen bir yapay zeka sistemi istedi. Örneğin bir not, hastanın kendisini “sarhoş” olarak tanımladığını aktarıyor olabilir; bu, bir klinisyenin bu etiketi kişiye yapıştırmasından farklıdır. Yazarlar, tümü metni işleyip üreten büyük dil modeli temelli birkaç yaklaşımı karşılaştırdı. Temel bir yöntem yalnızca kılavuzlardan alınan belirli anahtar sözcüklere bakıyordu. Daha gelişmiş yöntemler ise yapay zekâdan her notu doğrudan değerlendirmesini istedi; ya hiçbir ek örnek olmadan, iletişim kılavuzlarından ek rehberlikle ya da binlerce etiketli yoğun bakım notunda özel olarak eğitildikten—yani “ince ayarlandıktan” sonra.

Gerçek Dünyada En İyi Ne İşe Yarıdı

İnce ayarlanmış model açık ara üstün çıktı. 11.000’den fazla nottan oluşan ayrılmış test setinde damgalayıcı dili yaklaşık yüzde 97 doğrulukla tespit etti; bu, basit anahtar kelime aramasından çok daha iyiydi. Ayrıca, potansiyel olarak yüklü terimler içeren ama her zaman zararlı şekilde kullanılmayan zorlu bir alt kümede de daha dayanıklıydı. Model, gerçekten yargılayıcı ifadelerle nötr ya da alıntılanmış kullanımlar arasındaki farkı ayırt edebiliyordu; kaba bir arama bunun farkına varamazdı. Ekip sistemi farklı bir sağlık sisteminden—başka bir eyalette yazılmış neredeyse 300.000 yoğun bakım notu—alinan notlarda test ettiğinde bile, damgalayıcı dil o gerçek dünya örnekleminde nadir olmasına rağmen anahtar kelime yaklaşımından daha iyi performans gösterdi.

Klinisyenlerin Kaçırdığı Yeni Sorunlu İfadeleri Bulmak

Araştırmacılar bir adım daha ileri gidip yapay zekâdan belirli notları neden işaretlediğini açıklamasını istedi. Bir bağımlılık uzmanı daha sonra bu açıklamaları gözden geçirdi. Onlarca vakada modeller, insan etiketleyicilerin ilk başta gözden kaçırdığı gerçekten damgalayıcı dili vurguladı; bunların bazıları mevcut kılavuzlarda listelenmeyen ifadelerdi. Örnekler arasında “ilaç arama davranışı” tanımlamaları veya kişiyi hastalık yerine örtük olarak suçlayan “alkolik siroz” gibi günlük ifadeler yer aldı. Bu, iyi tasarlanmış yapay zekâ araçlarının yalnızca mevcut en iyi uygulamaları uygulamakla kalmayıp, klinik yazım geliştikçe zararlı dilin nasıl göründüğüne dair anlayışımızı da genişletebileceğini gösteriyor.

Araştırma Aracından Yatak Başı Yardımcıya

Çalışma ayrıca pratik sorunları da tarttı. Anahtar kelime arama yıldırım hızında ama yüzeysel. En doğru yapay zekâ modeli güçlü grafik işlemcilere birkaç saatlik eğitim gerektirdi, ancak bir kez eğitildiğinde her bir notu birkaç saniyede tarayabiliyordu—bir arama motoru için yavaş olabilir, ama bir hastane sisteminde arka plan asistanı için kabul edilebilirdi. Yalnızca dikkatle hazırlanmış istemlere dayanan, daha az özelleştirilmiş başka bir yaklaşım ise ek eğitim olmadan makul derecede iyi performans gösterdi; bu da daha az teknik kaynağa sahip klinikler için daha hafif seçeneklerin mümkün olduğunu işaret ediyor. Birlikte ele alındığında, bu bulgular gerçek zamanlı olarak riskli ifadeleri işaretleyebilen ve klinisyenler yazarken daha saygılı alternatifler önerebilen sistemlere işaret ediyor.

Daha Saygılı Bakıma Doğru Bir Adım

Bir yetişkin okuyucu için temel çıkarım basit: kartınızdaki kelimeler sadece teknik jargon değildir; nasıl muamele göreceğinizi şekillendirir. Bu çalışma, büyük dil modellerinin yoğun bakım notlarında bağımlılıkla ilgili birçok damgalayıcı dili, sorun ince olduğunda bile, güvenilir şekilde tespit edebileceğini gösteriyor. Hiçbir sistem kusursuz olmasa da, bu tür araçlar her zaman açık editörler olarak hizmet edebilir ve klinisyenleri kişileri teşhislerinden daha fazlası olarak tanıyan bir dile doğru yönlendirebilir. Uzun vadede, bu değişim—suçlamadan saygıya—herhangi bir ilaç veya cihaz kadar iyileşme için önemli olabilir.

Atıf: Sethi, R., Caskey, J., Gao, Y. et al. Detecting stigmatizing language in clinical notes with large language models for addiction care. npj Health Syst. 3, 15 (2026). https://doi.org/10.1038/s44401-026-00069-0

Anahtar kelimeler: bağımlılık damgası, klinik notlar, büyük dil modelleri, elektronik sağlık kayıtları, Kişi-öncelikli dil