Dictare medicală vs. recunoaștere vocală generală: care este diferența?

Recunoașterea vocală poate transforma ceea ce spune medicul în text. Dar documentația medicală presupune mai mult decât transcrierea corectă a unor cuvinte.

În ultimii ani, recunoașterea vocală a devenit o tehnologie obișnuită. Putem dicta un mesaj telefonului, putem căuta vocal o adresă sau putem transforma o înregistrare într-un transcript cu o acuratețe care, în condiții bune, ar fi fost greu de imaginat cu numai câțiva ani în urmă.

Este firesc să apară întrebarea: de ce ar avea medicul nevoie de un sistem dedicat de dictare medicală dacă există deja tehnologii generale de speech-to-text?

Răspunsul începe prin separarea a două probleme care par similare, dar nu sunt identice:

recunoașterea a ceea ce spune medicul și obținerea documentului medical de care acesta are nevoie.

Ce este recunoașterea vocală?

Automatic Speech Recognition (ASR), numită uzual speech-to-text sau recunoaștere vocală, transformă un semnal audio într-o reprezentare textuală.

În forma sa cea mai simplă:

Pentru utilizarea generală, acesta poate fi chiar rezultatul dorit. Un mesaj dictat, o notiță sau transcrierea unei conversații trebuie, înainte de toate, să reproducă fidel ceea ce a fost spus.

În medicină, însă, aceeași propoziție poate conține denumiri anatomice, patologii, medicamente, abrevieri, valori numerice și unități de măsură. O eroare aparent minoră poate modifica sensul informației documentate.

De aceea, recunoașterea limbajului medical continuă să fie tratată în cercetarea actuală ca o problemă specializată. Sistemele medicale trebuie să gestioneze terminologia de domeniu, ambiguitatea contextuală, abrevierile, măsurătorile și particularitățile limbajului clinic.^[1]

Atunci ce este dictarea medicală?

Dictarea medicală folosește recunoașterea vocală, dar obiectivul ei nu este pur și simplu obținerea unui transcript.

Obiectivul este documentația medicală.

Diferența pare subtilă până când privim un exemplu.

Un sistem poate recunoaște corect:

„Ficat cu dimensiuni normale ecostructură omogenă fără leziuni focale vizibile ecografic colecist cu pereți supli fără calculi.”

Din perspectiva speech-to-text, rezultatul poate fi foarte bun: cuvintele au fost recunoscute.

Medicul are însă nevoie de ceva mai apropiat de:

Ficat cu dimensiuni normale, ecostructură omogenă, fără leziuni focale vizibile ecografic. Colecist cu pereți supli, fără calculi.

Cuvintele sunt aproape aceleași.

Documentul nu este.

Aici începe diferența dintre simpla transcriere și un sistem construit pentru documentație medicală.

Acuratețea transcrierii nu este suficientă

Performanța sistemelor de recunoaștere vocală este evaluată frecvent prin rata erorilor de recunoaștere. Este o măsură importantă, dar pentru medic nu reprezintă întreaga problemă.

Un transcript poate avea o acuratețe lexicală foarte bună și totuși să necesite numeroase intervenții înainte de a putea deveni un raport.

Într-un flux clinic real trebuie luate în considerare și:

• terminologia medicală;
• punctuația și formatarea;
• valorile și unitățile de măsură;
• abrevierile;
• structura documentului;
• șabloanele utilizate de medic;
• corectarea rapidă a textului;
• integrarea cu aplicația în care este redactat documentul;
• contextul în care apare informația.

Cercetarea recentă asupra sistemelor medicale de speech-to-text reflectă această evoluție. Unele arhitecturi moderne separă explicit recunoașterea vorbirii de formatarea și corecția contextuală a rezultatului.^[1]

Cu alte cuvinte, întrebarea nu mai este numai:

„A recunoscut sistemul cuvintele corect?”

ci și:

„Câtă muncă mai are medicul de făcut după ce sistemul le-a recunoscut?”

Dictarea este întotdeauna mai rapidă decât tastarea?

Intuitiv, ar trebui să fie.

Oamenii pot vorbi rapid, iar pentru un medic care redactează zilnic numeroase documente avantajul pare evident.

Datele disponibile sunt însă mai interesante.

Un studiu controlat publicat în International Journal of Medical Informatics în 2020 a comparat documentarea prin speech recognition cu tastarea. Notele dictate au fost semnificativ mai lungi — în medie aproximativ 321 de cuvinte față de 181 — și au utilizat un vocabular mai variat. Autorii au constatat și scoruri mai bune pentru calitatea documentației dictate, inclusiv în ceea ce privește completitudinea.^[2]

Diferența de timp dintre cele două metode a fost însă mică, iar autorii nu au putut demonstra că dictarea este în mod categoric mai rapidă decât tastarea.^[2]

Un alt studiu, realizat într-un mediu experimental cu 35 de clinicieni din departamente de urgență și publicat în Journal of the American Medical Informatics Association, a găsit chiar rezultate nefavorabile sistemului de speech recognition testat: sarcinile au durat mai mult și au produs mai multe erori decât utilizarea tastaturii și mouse-ului. Autorii au indicat integrarea și workflow-ul drept factori care ar putea explica o parte a diferențelor.^[3]

Cele două rezultate nu trebuie privite ca o contradicție.

Ele evidențiază o problemă mai importantă:

simpla înlocuire a tastaturii cu vocea nu garantează automat un flux de documentare mai eficient.

Contează ce se întâmplă cu textul după recunoaștere și cât de bine este integrată tehnologia în modul real de lucru al medicului.

În medicină, erorile de recunoaștere au altă greutate

Dacă telefonul interpretează greșit un cuvânt într-un mesaj personal, consecința este de obicei minoră.

Într-un document medical situația este diferită.

Un studiu publicat în 2024 în Radiology: Artificial Intelligence a utilizat un set de 3.233 de rapoarte CT și RMN evaluate de radiologi pentru identificarea erorilor provenite din recunoașterea vocală. Cercetătorii au analizat ulterior posibilitatea detectării automate a acestor erori cu ajutorul modelelor lingvistice.^[4]

Studiul este interesant nu numai prin rezultatele privind inteligența artificială. El ilustrează foarte bine natura problemei: erorile pot include formulări fără sens sau inconsistențe interne care nu pot fi identificate doar verificând fiecare cuvânt separat.^[4]

Contextul întregului raport devine relevant.

Din acest motiv, indiferent cât de performantă devine tehnologia, medicul trebuie să păstreze controlul asupra documentului medical final.

Tehnologia poate reduce munca necesară pentru redactare și poate ajuta la identificarea unor probleme. Responsabilitatea validării informației clinice nu trebuie însă confundată cu performanța algoritmului care a generat textul.

De la speech-to-text la documentație medicală

Primele generații de sisteme de dictare rezolvau în principal problema introducerii textului fără tastatură.

Astăzi, problema poate fi formulată diferit.

În loc de:

putem privi fluxul astfel:

Această schimbare este importantă.

Într-un raport radiologic, de exemplu, medicul nu produce o colecție de propoziții independente. Informațiile descrise au relații între ele, apar într-o anumită structură și pot necesita comparație cu examinări anterioare.

Într-o consultație, conversația dintre medic și pacient conține mult mai multă informație decât trebuie să ajungă în documentul medical final.

În ecografie, medicul poate descrie examinarea în timp ce o efectuează, iar raportul trebuie să urmeze structura examinării.

Prin urmare, eficiența nu mai depinde exclusiv de cât de repede poate fi transformată vocea în caractere pe ecran.

Depinde de cât de aproape este rezultatul produs de sistem de documentul pe care medicul intenționa să îl redacteze.

Ce ar trebui să ofere un sistem modern de dictare medicală?

Recunoașterea corectă a terminologiei rămâne fundamentală. Dar ea este punctul de plecare.

Un sistem destinat utilizării clinice ar trebui să urmărească întregul proces de documentare:

Să înțeleagă vocabularul medical. Terminologia de specialitate, abrevierile și formulările utilizate frecvent trebuie recunoscute cu cât mai puține intervenții.

Să producă text medical lizibil. Punctuația, capitalizarea și formatarea nu ar trebui să transforme dictarea într-o succesiune de comenzi verbale.

Să respecte modul de lucru al medicului. Un radiolog, un cardiolog și un anatomopatolog nu redactează aceleași documente și nici nu lucrează în același mod.

Să poată utiliza structura. Șabloanele medicale nu sunt simple documente cu spații libere. Ele reflectă modul în care informația clinică este organizată.

Să se integreze în fluxul existent. Dacă medicul trebuie să copieze permanent text între aplicații, o parte din avantajul dictării dispare.

Să păstreze medicul în control. Automatizarea documentației trebuie să reducă activitățile mecanice, nu să ascundă medicului modul în care a fost produsă informația.

Unde se poziționează DictaMed

Aceasta este și direcția în care este construit DictaMed.

Recunoașterea vocală reprezintă una dintre componentele sistemului, nu obiectivul final.

DictaMed combină dictarea medicală cu procesarea textului, punctuație automată, șabloane inteligente și integrarea în fluxul de lucru. În funcție de modul utilizat, informația poate fi organizată și prelucrată în contextul documentului pe care medicul îl redactează.

Scopul nu este ca medicul să vorbească în loc să tasteze.

Scopul este ca între momentul în care medicul formulează informația clinică și momentul în care documentul este finalizat să existe cât mai puțină muncă mecanică.

Aceasta este o diferență importantă.

Recunoașterea vocală este începutul, nu rezultatul final

Tehnologia speech-to-text a evoluat enorm și continuă să evolueze rapid. Acuratețea recunoașterii rămâne esențială pentru orice sistem de dictare medicală.

Dar, privită izolat, ea rezolvă doar prima etapă.

Un sistem general de recunoaștere vocală trebuie să răspundă cât mai bine întrebării:

„Ce a spus utilizatorul?”

Un sistem modern de documentație medicală trebuie să meargă mai departe:

„Cum transformăm ceea ce a spus medicul în documentul medical de care are nevoie?”

Diferența dintre cele două întrebări explică, în mare măsură, diferența dintre speech-to-text și dictarea medicală modernă.