Rozpoznawanie mowy medycznej – od rozmowy do tekstu

Krótka odpowiedź

Rozpoznawanie mowy (speech-to-text) to zamiana nagranego dźwięku na tekst przez model AI. W medycynie pozwala uzyskać zapis rozmowy lekarza z pacjentem, ale może zawierać błędy – zwłaszcza w nazwach leków, dawkach i liczbach – dlatego wymaga weryfikacji.

Jak działa speech-to-text

Model analizuje nagranie, rozpoznaje w nim słowa i składa je w zdania, korzystając z kontekstu wypowiedzi. Współczesne modele radzą sobie z naturalną, nieformalną mową, a nie tylko z wolnym dyktowaniem.

Terminologia medyczna

Nazwy leków, jednostek chorobowych czy skróty są rzadkie w codziennym języku i podobnie brzmią. Pacjent może też używać nazw potocznych lub przekręcać nazwy leków – model zapisze to, co usłyszał.

Rozmowa wielu osób

W gabinecie mówi lekarz, pacjent, czasem opiekun. Wypowiedzi zachodzą na siebie, a zdania urywają się w pół słowa. Utrudnia to przypisanie wypowiedzi do osoby i może prowadzić do pominięć.

Wpływ jakości dźwięku

• Mikrofon blisko rozmówców poprawia rozpoznanie.
• Hałas w tle, wentylator czy rozmowy za drzwiami obniżają jakość.
• Mówienie jednocześnie przez kilka osób zwiększa ryzyko błędów.

Możliwe błędy i weryfikacja

Typowe błędy to pomylone nazwy leków, zła liczba (np. dawka), pominięte zaprzeczenie („nie ma gorączki” zapisane jako „ma gorączkę”) czy przekręcone nazwisko. Dlatego transkrypcja jest materiałem roboczym, który lekarz przegląda przed wykorzystaniem w dokumentacji.

Od transkrypcji do dokumentacji

Surowy zapis rozmowy bywa długi. Kolejny krok to uporządkowanie go w projekt dokumentacji. W MEDiVO transkrypcja wizyty jest podstawą do przygotowania opisu, notatki SOAP i sugestii ICD-10, a lekarz może poprawić zarówno transkrypcję, jak i projekt.