Sağlık sektöründe yapay zeka devrimi yaşanırken, hastane notlarındaki gereksiz bilgi yığınları önemli bir engel teşkil ediyor. Modern tıp uygulamalarında yaygın olarak kullanılan şablon metinler, kopyala-yapıştır kısayolları ve otomatik doldurma alanları, klinik notları anlamsız tekrarlarla doldurarak hem önemli bilgilerin görülmesini zorlaştırıyor hem de yapay zeka sistemlerinin maliyetini artırıyor.
Bu soruna çözüm arayan araştırmacılar, TRACE adını verdikleri yenilikçi bir ön işleme sistemi geliştirdi. Sistem, elektronik sağlık kayıtlarındaki meta verileri akıllıca kullanarak şablon ve kopyalanmış içerikleri tespit ediyor. Meta veri bulunmadığı durumlarda ise frekans tabanlı tekrar giderme yöntemlerini devreye sokuyor.
Karaciğer nakli, doğum ve yatan hasta bakımı olmak üzere dört farklı klinik alanda 5,3 milyon hastane notu üzerinde yapılan kapsamlı testler etkileyici sonuçlar verdi. TRACE sistemi, notlardaki toplam metni yüzde 47,3 oranında azaltmayı başarırken, bilgi çıkarma ve klinik karar verme süreçlerindeki performansı korudu.
Bu gelişme, sağlık alanında yapay zeka uygulamalarının yaygınlaşması açısından kritik önem taşıyor. Gereksiz bilgi yükünün azaltılması, hem işlemci maliyetlerini düşürecek hem de klinisyenlerin daha hızlı ve doğru kararlar almasını sağlayacak.