زبان پزشکی

پیشینه (Background)

هنگامی که در سده پانزدهم میلادی، اختراع حروف متحرک توسط گوتنبرگ امکان تولید انبوه و انتشار گسترده کتاب‌ها و اطلاعات مکتوب را فراهم کرد، زبان هنوز تا حد زیادی فاقد ساختار و استانداردهای رسمی بود. تا سده هجدهم طول کشید تا فرهنگ‌ها و نظام‌های نام‌گذاری بزرگ، مانند فرهنگ زبان انگلیسی دکتر جانسون و نظام رده‌بندی زیستی لینه، تدوین و منتشر شوند.

شیوه بازنمایی اطلاعات مکتوب در طول قرن‌ها به‌تدریج تخصصی‌تر و دقیق‌تر شده است. نخستین روش بازنمایی اطلاعات، استفاده از تصویر و نقاشی بود؛ همانند نقاشی‌های غارهای عصر سنگ. نخستین نظام‌های نوشتاری نیز بر پایه نگاره‌ها شکل گرفتند؛ مانند هیروگلیف‌های مصر باستان و نویسه‌های چینی. اما نیاز به ابزارهای نگارش ارزان‌تر و سریع‌تر، به ابداع نشانه‌های گوه‌ای بر روی لوح‌های گِلی مرطوب در بین‌النهرین و در ادامه به توسعه الفباهای آوایی، همچون الفباهای یونان و روم، منجر شد. زبان انگلیسی امروزی تنها با استفاده از ۲۶ حرف، ۱۰ رقم و تعداد اندکی نشانه نگارشی، تمامی مفاهیم مورد نیاز را بیان می‌کند.

رایانه‌ها حتی از این نیز صرفه‌جوتر هستند. آن‌ها اطلاعات را به‌صورت دیجیتال، در قالب دنباله‌هایی از بیت‌های دودویی (صفر و یک)، ذخیره و پردازش می‌کنند و عملکردشان بر پایه تطبیق رشته‌های داده استوار است؛ اما این امر مستلزم آن است که داده‌ها به‌صورت دقیق و استاندارد کدگذاری شده باشند. یک رایانه می‌تواند در لحظه تشخیص دهد که آیا دو رشته داده یکسان هستند یا خیر، اما اگر اختلافی میان آن‌ها وجود داشته باشد، قادر نیست قضاوت کند که آن اختلاف از نظر مفهومی مهم است یا بی‌اهمیت. با وجود دهه‌ها تلاش و پیشرفت علمی، هنوز رایانه‌ها در مواجهه با ابهام‌ها و چندمعنایی‌های ذاتی زبان طبیعی انسان عملکرد کاملاً رضایت‌بخشی ندارند.

پیچیدگی ساختار زبان‌های انسانی موجب شده است که افراد بسیاری در طول تاریخ تلاش کنند زبان‌های جدید و کارآمدتری ابداع کنند، اما هیچ‌یک از این تلاش‌ها نتوانسته‌اند به آرزوی پدیدآورندگان خود مبنی بر پذیرش جهانی دست یابند [1]. با این حال، تحقق تعامل‌پذیری در حوزه سلامت مستلزم وجود یک زبان تخصصیِ مورد توافق است؛ زبانی که علاوه بر واژگان استاندارد، از معناشناسی (Semantics) و نحو (Syntax) مشخص و یکپارچه نیز برخوردار باشد.

              این زبان تخصصی با تمامی چالش‌هایی مواجه است که در گذشته مانع پذیرش و گسترش سایر زبان‌های ابداعی شده‌اند و برای دستیابی به موفقیت، ناگزیر از غلبه بر همین موانع است. علومی مانند زیست‌شناسی و شیمی دارای ساختارهای اصطلاح‌شناختی رسمی و مورد توافق در سطح بین‌المللی هستند. هر موجود زنده دارای یک نام لاتین شامل جزء عمومی و جزء اختصاصی است که در چارچوب یک نظام جامع رده‌بندی زیستی تعریف می‌شود؛ نظامی که از بسیاری جهات حتی پیش از شکل‌گیری درک کامل از فرگشت موجودات زنده، بنیان‌های آن را پیش‌بینی کرده بود. همچنین ساختارهای شیمیایی نیز بر اساس قواعد استاندارد و پذیرفته‌شده جهانی توصیف و نمایش داده می‌شوند.

 

اصطلاحات پزشکی

اصطلاح‌شناسی پزشکی و به‌طور کلی اصطلاحات بالینی، برخلاف بسیاری از علوم دیگر، از فرایند رسمی‌سازی و استانداردسازی منسجم فاصله گرفتند و همین امر موجب شکل‌گیری ابهام‌هایی شده است که می‌توانند مخاطرات قابل توجهی برای ایمنی بیماران ایجاد کنند. نبود یک اصطلاح‌شناسی مورد توافق، دست‌کم از ۲۵۰ سال پیش به‌عنوان یک مسئله شناخته شده است. حتی واژه‌ای قدیمی با عنوان «نوزولوژی» (Nosology) برای توصیف دانش توسعه و طبقه‌بندی اصطلاحات پزشکی وجود دارد، اما با گسترش کاربرد رایانه‌ها، اهمیت این موضوع به‌مراتب بیشتر شده است. امروزه متخصصان این حوزه بیشتر خود را «اصطلاح‌شناسان بالینی» (Clinical Terminologists) می‌نامند.

ریشه‌های تاریخی، ناهمگون و موردیِ اصطلاحات پزشکی موجب شده است که هر فردی که وارد حوزه سلامت می‌شود، ناچار به فراگیری زبانی تقریباً جدید باشد؛ زبانی مملو از واژه‌های هم‌نام (اصطلاحاتی که بسته به زمینه، معانی متفاوتی دارند)، مترادف‌ها (اصطلاحات متفاوت برای یک مفهوم کاملاً یکسان)، نام‌های برگرفته از اشخاص، سرواژه‌های سه‌حرفی و انواع اختصارات.

دانشجویان پزشکی برای تسلط بر این زبان تخصصی باید حتی واژگان جدید بیشتری نسبت به دانشجویان رشته‌های زبان در سطح دانشگاهی بیاموزند. برای مثال، فردی که با نام‌های برگرفته از اشخاص آشنا نباشد، نمی‌تواند از روی نام بیماری‌ها معنای آن‌ها را حدس بزند؛ بیماری هوچکین (نوعی سرطان غدد لنفاوی)، بیماری برایت (نوعی بیماری کلیوی) یا بیماری فون رکلینگهاوزن (نوروفیبروماتوز ارثی) نمونه‌هایی از این دسته هستند.

دانشمندان حوزه اطلاعات، دانش را در سطوح و طبقات مختلف دسته‌بندی می‌کنند. برای نمونه، نظام رده‌بندی دهدهی دیویی یا اصطلاحاً Dewey Decimal Classification که در کتابخانه‌ها مورد استفاده قرار می‌گیرد، دانش بشری را در ده رده اصلی سازمان‌دهی می‌کند:

• ۰۰۰ ـ علوم رایانه، اطلاعات و آثار عمومی
• ۱۰۰ ـ فلسفه و روان‌شناسی
• ۲۰۰ ـ دین
• ۳۰۰ ـ علوم اجتماعی
• ۴۰۰ ـ زبان
• ۵۰۰ ـ علوم پایه (از جمله ریاضیات)
• ۶۰۰ ـ فناوری و علوم کاربردی
• ۷۰۰ ـ هنرها و فعالیت‌های تفریحی
• ۸۰۰ ـ ادبیات
• ۹۰۰ ـ تاریخ، جغرافیا و زندگی‌نامه

بلوا (Blois) در کتاب تأثیرگذار خود با عنوان اطلاعات و پزشکی نشان داد که مراقبت سلامت در میان فعالیت‌های علمی جایگاهی منحصربه‌فرد دارد، زیرا اطلاعات مورد استفاده روزمره در پزشکی به‌طور هم‌زمان با طیف گسترده‌ای از سطوح و لایه‌های دانش ارتباط پیدا می‌کند؛ ویژگی‌ای که آن را از بسیاری دیگر از حوزه‌های علمی متمایز می‌سازد [2].

              دامنه دانش و خدمات سلامت از نظر گستره مفهومی، پهنه‌ای استثنائاً وسیع را دربر می‌گیرد؛ از کوچک‌ترین مقیاس‌ها تا بزرگ‌ترین آن‌ها. این دامنه از تابش‌ها و ساختارهای زیراتمی آغاز می‌شود، به مولکول‌های پیچیده‌ای همچون DNA و پروتئین‌ها می‌رسد، سپس سلول‌ها ـ از جمله مباحث خون‌شناسی و سرطان‌ها ـ را دربر می‌گیرد، و از آنجا به میکروارگانیسم‌هایی مانند باکتری‌ها و ویروس‌ها، ساختارهای آناتومیک و دستگاه‌های مختلف بدن، فعالیت‌های ذهنی، انسان به‌عنوان یک کل، گروه‌های انسانی و در نهایت جوامع و جمعیت‌های بین‌المللی گسترش می‌یابد.

هر یک از حوزه‌های سلامت در عمل ترکیبی از چندین نظریه و چارچوب مفهومی هم‌پوشان است که هر کدام اصطلاحات تخصصی خاص خود را دارند. هر نظام طبقه‌بندی در واقع تنها یکی از راه‌های تقسیم‌بندی و سازمان‌دهی واقعیتی پیچیده است. این موضوع از آن جهت دشوارتر می‌شود که بسیاری از مفاهیم بنیادین پزشکی، مانند بیماری‌ها و تشخیص‌ها، مفاهیمی انتزاعی هستند که بر پایه اطلاعات به‌دست‌آمده از سطوح مختلف دانش تعریف می‌شوند؛ بیماری‌ها اشیایی نیستند که بتوان آن‌ها را مستقیماً دید یا لمس کرد.

افراد معمولاً اصطلاحات را بر اساس برداشتی که خود و همکاران نزدیکشان از آن دارند به‌کار می‌برند. هر استفاده‌کننده از یک اصطلاح، ناخودآگاه فرض می‌کند که دیگران نیز دقیقاً همان معنایی را از آن برداشت می‌کنند که او مدنظر دارد. در گذر زمان، گروه‌های مختلف حرفه‌ای گویش‌ها و کاربردهای اصطلاحی خاص خود را شکل می‌دهند. کارکنان بخش مدارک پزشکی در بسیاری از موارد تنها از نحوه به‌کارگیری برخی اصطلاحات می‌توانند نه‌تنها رشته تخصصی یک پزشک، بلکه حتی محل تحصیل و آموزش او را نیز تشخیص دهند.

لوییس کارول این مسئله را در گفت‌وگویی میان آلیس و هامپتی دامپتی در کتاب آن سوی آینه به‌خوبی به تصویر می‌کشد [3]:

ـ آلیس گفت: «منظورت از "افتخار" را نمی‌فهمم.»

ـ هامپتی دامپتی با حالتی تحقیرآمیز لبخند زد و گفت: «طبیعی است که نمی‌فهمی؛ مگر اینکه خودم برایت توضیح بدهم. منظورم این بود که "این یک استدلال قاطع و دندان‌شکن برای توست!"»

ـ آلیس اعتراض کرد: «اما "افتخار" که به معنی "یک استدلال قاطع و دندان‌شکن" نیست.»

ـ هامپتی دامپتی با لحنی تمسخرآمیز پاسخ داد: «وقتی من واژه‌ای را به کار می‌برم، آن واژه دقیقاً همان معنایی را دارد که من انتخاب می‌کنم؛ نه بیشتر و نه کمتر.»

ـ آلیس گفت: «مسئله این است که آیا می‌توان واژه‌ها را وادار کرد این همه معنای متفاوت داشته باشند؟»

ـ هامپتی دامپتی پاسخ داد: «مسئله فقط این است که چه کسی اختیار تعیین معنا را در دست دارد؛ همین و بس».

کدگذاری و طبقه‌بندی

بسیاری از افراد اصطلاحات «کدگذاری» و «طبقه‌بندی» را با یکدیگر اشتباه می‌گیرند و تقریباً مترادف به کار می‌برند. شاید یکی از دلایل این موضوع آن باشد که در فرایند طبقه‌بندی، برای نام‌گذاری طبقات مختلف از کدها استفاده می‌شود. با این حال، نظام‌های کدگذاری و نظام‌های طبقه‌بندی وظایف کاملاً متفاوتی بر عهده دارند.

طبقه‌بندی به معنای تخصیص پدیده‌ها، اشیا یا مفاهیم به گروه‌ها و رده‌های مشخص است، در حالی که کدگذاری عبارت است از اختصاص شناسه‌هایی به عناصر مختلف؛ شناسه‌هایی که می‌توانند به هر چیزی، از جمله طبقات موجود در یک نظام طبقه‌بندی، تعلق گیرند.

 

کدگذاری

کد عبارت است از دنباله‌ای از نمادها ـ معمولاً حروف، اعداد یا ترکیبی از آن‌ها ـ که برای شناسایی یا انتخاب یک شیء، مفهوم یا موجودیت به کار می‌رود. کد در واقع چیزی بیش از یک نام جایگزین یا شناسه نیست؛ شناسه‌ای که برای پردازش رایانه‌ای طراحی شده است.

نظام‌های کدگذاری از اجزای بنیادین سامانه‌های رایانه‌ای حوزه سلامت و نیز مشخصات تعامل‌پذیری برای تبادل داده میان رایانه‌ها به شمار می‌آیند. بدون وجود شناسه‌های استاندارد و یکتا، انتقال، ذخیره‌سازی، بازیابی و پردازش دقیق اطلاعات سلامت در محیط‌های دیجیتال عملاً امکان‌پذیر نخواهد بود.

طراحان نظام‌های کدگذاری با یک چالش اساسی روبه‌رو هستند: طراحی سامانه‌ای که از سوی پزشکان، سایر متخصصان سلامت و مدیران، به‌صورت گسترده پذیرفته و با میل و رغبت مورد استفاده قرار گیرد. با این حال، پزشکان و مدیران معمولاً به خودِ کدها علاقه‌ای ندارند؛ همان‌گونه که یک خریدار در فروشگاه علاقه‌ای به بارکد درج‌شده روی بسته غلات صبحانه ندارد. کدها ابزاری هستند که رایانه‌ها به آن نیاز دارند و از آن استفاده می‌کنند، نه انسان‌ها. راز موفقیت یک نظام کدگذاری در این است که کدها تا حد امکان از دید کاربران پنهان بمانند.

پزشکان اطلاعات را به شکلی ثبت می‌کنند که برای مراقبت و درمان بیمارانشان بیشترین کارایی را داشته باشد؛ یعنی با همان قالب، زبان و سطح جزئیاتی که برای تصمیم‌گیری بالینی لازم است. پرونده‌های بالینی مستلزم ثبت اطلاعاتی دقیق، کامل و اختصاصی درباره هر بیمار هستند. این نیاز، نوعی تنش ذاتی با تحلیل‌های آماری ایجاد می‌کند، زیرا تحلیل آماری مستلزم آن است که بیماران برای شمارش، مقایسه و تحلیل، در تعداد محدودی از گروه‌های مجزا و متقابلاً مانعةالجمع طبقه‌بندی شوند.

در مقابل، پزشکان و مدیران ناگزیرند به موضوع طبقه‌بندی توجه ویژه داشته باشند، زیرا تحلیل آماری زیربنای تمامی فعالیت‌های کمی در مدیریت، حسابداری، برنامه‌ریزی، ارزیابی عملکرد و پژوهش است.

 

طبقه‌بندی

طبقه‌بندی عبارت است از فرایند نظام‌مند قرار دادن اشیا، پدیده‌ها یا مفاهیم در دسته‌ها یا طبقات مختلف که دارای یک یا چند ویژگی، صفت یا خاصیت مشترک هستند. هیچ محدودیتی برای تعداد روش‌هایی که می‌توان یک مجموعه از اشیا را طبقه‌بندی کرد وجود ندارد؛ ازاین‌رو، هیچ نظام طبقه‌بندی کاملی وجود ندارد که برای همه اهداف و همه کاربردها به‌طور هم‌زمان بهترین گزینه باشد.

انتخاب نظام طبقه‌بندی مورد استفاده، در بسیاری از موارد توسط نهادهای پرداخت‌کننده، شرکت‌های بیمه و دولت‌های ملی تعیین می‌شود؛ زیرا این سازمان‌ها مشخص می‌کنند که آیا یک پزشک یا یک مؤسسه درمانی بابت خدمات ارائه‌شده پرداختی دریافت خواهد کرد یا خیر. این نهادها معمولاً نظام طبقه‌بندی مورد نیاز خود را با همکاری نمایندگان انجمن‌های حرفه‌ای و صنفی، دانشکده‌های پزشکی و سازمان‌های آموزشی تعیین می‌کنند. پس از انتخاب، آن نظام باید از سوی کاربران پذیرفته شده و در نرم‌افزارهای رایانه‌ای پیاده‌سازی شود.

اسلی (Slee) در کتاب پرونده پزشکی در معرض خطر (The Endangered Medical Record)  استدلال می‌کند که انتخاب نظام‌های طبقه‌بندی برای ثبت الکترونیکی اطلاعات بیماران می‌تواند تهدیدی برای صحت و جامعیت محتوای پرونده‌های پزشکی باشد. به اعتقاد او، هنگامی که به جای اصطلاحات دقیق از طبقات کلی و گسترده‌ای مانند طبقات تعریف‌شده در طبقه‌بندی بین‌المللی بیماری‌ها (ICD) استفاده می‌کنیم، بخشی از جزئیات ارزشمند اطلاعات را از دست می‌دهیم؛ جزئیاتی که باید به‌صورت دائمی حفظ شوند. وی بر ضرورت استفاده از کدهای دقیق، پایدار و فاقد ابهام تأکید می‌کند [4[.

برای مثال، یک جراح تروما ممکن است آسیب ناشی از یک سانحه اسکی را چنین توصیف کند:

«شکستگی مارپیچی بسته در تنه استخوان درشت‌نی راست همراه با شکستگی استخوان نازک‌نی.»

در ICD-10، کد مربوط به شکستگی تنه استخوان درشت‌نی دارای ساختار سلسله‌مراتبی زیر است:

• فصل XIX: صدمات، مسمومیت‌ها و برخی دیگر از پیامدهای علل خارجی (S00–T98)
• بلوک: آسیب‌های زانو و ساق پا (S80–S98)
• S82: شکستگی ساق پا، شامل ناحیه مچ پا
• S82.2: شکستگی تنه استخوان درشت‌نی (با یا بدون ذکر شکستگی استخوان نازک‌نی)
• S82.2.1: شکستگی بسته تنه استخوان درشت‌نی

این مثال نشان می‌دهد که چگونه یک توصیف بالینی بسیار دقیق و غنی از جزئیات، در یک نظام طبقه‌بندی آماری به تدریج به سطوح کلی‌تر و استانداردشده فروکاسته می‌شود تا امکان تجمیع، شمارش و تحلیل داده‌ها فراهم گردد. این همان تعادل دشوار میان «حفظ جزئیات بالینی» و «امکان تحلیل آماری در مقیاس بزرگ» است که در قلب بسیاری از مباحث مرتبط با تعامل‌پذیری و مدیریت اطلاعات سلامت قرار دارد.

کد انتخاب‌شده S82.2.1 در ICD-10 اطلاعاتی درباره راست یا چپ بودن پا، ساده یا مارپیچی یا باز بودن شکستگی، و همچنین درگیری یا عدم درگیری استخوان نازک‌نی ارائه نمی‌کند. به بیان دیگر، بخشی از جزئیات بالینی موجود در توصیف اولیه بیمار در فرایند طبقه‌بندی از بین می‌رود.

 

سلسله‌مراتب (Hierarchy)

سلسله‌مراتب نوعی سازمان‌دهی مرتب و ساختاریافته مفاهیم است. در این ساختار، مفاهیم کلی‌تر در سطوح بالاتر قرار می‌گیرند و هرچه به سطوح پایین‌تر حرکت می‌کنیم، مفاهیم تخصصی‌تر و جزئی‌تر می‌شوند. این ساختار را می‌توان به درختی وارونه تشبیه کرد که ریشه آن در بالا قرار دارد و شاخه‌ها به سمت پایین گسترش می‌یابند.

برای مثال، در زیست‌شناسی موجودات زنده بر اساس شباهت‌های ساختاری، منشأ تکاملی و سایر ویژگی‌های مشترک، در یک نظام طبقه‌بندی سلسله‌مراتبی (Taxonomy) سازمان‌دهی می‌شوند. سطوح اصلی این رده‌بندی عبارت‌اند از:

• فرمانرو (Kingdom)
• شاخه در جانوران یا بخش در گیاهان (Phylum / Division)
• رده (Class)
• راسته (Order)
• خانواده (Family)
• سرده (Genus)
• گونه (Species)

هر سطح، زیرمجموعه تخصصی‌تری از سطح بالاتر خود را تشکیل می‌دهد.

 

کدهای وابسته به موقعیت (Position-Dependent Codes)

سامانه‌های رایانه‌ای حوزه سلامت معمولاً از نظام‌های کدگذاری تعیین‌شده در سطح ملی استفاده می‌کنند. بسیاری از این نظام‌ها، از جمله ICD-10، CPT-4 و Read Codes، مبتنی بر ساختار سلسله‌مراتبی وابسته به موقعیت هستند.

در این نوع کدگذاری، معنای هر کد تا حد زیادی از جایگاه اجزای آن در ساختار کد ناشی می‌شود. به عبارت دیگر، ساختار داخلی کد رابطه آن را با سایر کدها مشخص می‌کند. میزان جزئیات کد از چپ به راست افزایش می‌یابد؛ به‌طوری که:

• نویسه اول معمولاً فصل یا گروه اصلی را مشخص می‌کند.
• نویسه دوم زیرگروه اصلی را تعیین می‌کند.
• نویسه‌های بعدی شاخه‌های تخصصی‌تر را مشخص می‌سازند.
• این روند تا رسیدن به کدهای نهایی یا «برگ‌های درخت» ادامه پیدا می‌کند.

یکی از مشکلات مهم نظام‌های کدگذاری سلسله‌مراتبی وابسته به موقعیت آن است که اصلاح یا بازآرایی ساختار آن‌ها می‌تواند موجب تغییر معنای کدها در نسخه‌های مختلف شود. در چنین شرایطی، معمولاً نسخه جدید جایگزین نسخه قبلی می‌شود و همین موضوع چالش‌های تازه‌ای را در زمینه سازگاری، نگاشت داده‌ها و حفظ سوابق تاریخی ایجاد می‌کند.

 

تعاریف: کدگذاری و طبقه‌بندی دارای واژگان و مفاهیم تخصصی ویژه‌ای هستند که در ادامه معرفی می‌شوند و در سراسر این کتاب مورد استفاده قرار خواهند گرفت.

کد  (Code): هر کد بخشی از یک «نظام کدگذاری» است. نظام کدگذاری مجموعه‌ای از کدها را تعریف می‌کند که در محدوده همان نظام یکتا هستند. هنگامی که کد همراه با نام نظام کدگذاری مربوطه به کار رود، شناسه حاصل در سطح جهانی نیز یکتا خواهد بود.

مفهوم (Concept): مفهوم، یک ایده انتزاعی یا تصور کلی است که در ذهن انسان شکل می‌گیرد و در اندیشه، گفتار یا استدلال مورد استفاده قرار می‌گیرد. مفاهیم، واحدهای بنیادین تشکیل‌دهنده دانش، باورها و استدلال‌های انسانی هستند.

در نظام‌های اصطلاح‌شناسی سلامت، هر مفهوم با یک «کد مفهوم» (Concept Code) شناسایی می‌شود. اهمیت این موضوع در آن است که رایانه‌ها با کد مفهوم کار می‌کنند، نه با واژه‌هایی که ممکن است در زبان‌های مختلف یا در زمینه‌های گوناگون متفاوت باشند.

اصطلاح نمایشی (Display Term): اصطلاح نمایشی، عبارت یا واژه‌ای است که برای انسان قابل خواندن و فهم است و به یک مفهوم مشخص اشاره می‌کند. در برخی موارد ممکن است برای یک مفهوم واحد چند اصطلاح نمایشی مختلف وجود داشته باشد. این وضعیت می‌تواند ناشی از:

• مترادف‌های واقعی،
• تفاوت‌های زبانی،
• یا ترجمه‌های مختلف یک مفهوم

باشد.

در چنین شرایطی معمولاً یکی از این اصطلاحات به‌عنوان «اصطلاح ترجیحی» (Preferred Term) تعیین می‌شود و به‌عنوان بیان پیش‌فرض و رسمی آن مفهوم در نظر گرفته می‌شود. بنابراین، اگرچه چندین واژه ممکن است به یک مفهوم اشاره کنند، اما کد مفهوم همواره به یک معنای مشخص و یکتا ارجاع می‌دهد. این اصل یکی از ارکان اساسی تعامل‌پذیری معنایی در سامانه‌های اطلاعات سلامت محسوب می‌شود.

بیان (Expression): مجموعه‌ای از ارجاعات به یک یا چند مفهوم است که برای بیان یک نمونه از یک ایده بالینی به‌کار می‌رود. بیانی که تنها شامل یک شناسه مفهومی باشد، «بیان پیش‌ترترکیب‌شده» (Pre-coordinated Expression) نام دارد. در مقابل، بیانی که از دو یا چند شناسه مفهومی تشکیل شده باشد، «بیان پس‌ترترکیب‌شده» (Post-coordinated Expression) نامیده می‌شود.

شناسه (Identifier): سامانه‌های رایانه‌ای برای افراد، اشیاء و مکان‌ها از شناسه‌های یکتا استفاده می‌کنند که از نظر ویژگی‌ها شباهت زیادی به کدها دارند. یکی از روش‌های ایجاد یکتایی این است که هر شناسه به‌صورت یک جفت تعریف شود: شامل یک نام یکتای مربوط به صادرکننده شناسه و یک مقدار که در محدوده همان صادرکننده یکتا است. مسئولیت تضمین یکتایی مقادیر بر عهده صادرکننده شناسه است.

اصطلاح‌شناسی رابط (Interface Terminology): مجموعه‌ای نظام‌مند از اصطلاحات بالینی است که ورود مستقیم اطلاعات بیمار توسط پزشکان را در سامانه‌های رایانه‌ای، مانند سامانه‌های مستندسازی بالینی یا ابزارهای پشتیبان تصمیم‌گیری، تسهیل می‌کند. این اصطلاحات می‌توانند نقش واسطه‌ای میان برداشت‌های محاوره‌ای و روزمره کاربران از مفاهیم و یک اصطلاح‌شناسی مرجع در پس‌زمینه را ایفا کنند.

هستی‌شناسی (Ontology): ساختاردهی سلسله‌مراتبی دانش درباره اشیاء و پدیده‌هاست که از طریق زیرمقوله‌بندی آن‌ها به مجموعه‌ای از مفاهیم در یک دامنه خاص و بر اساس ویژگی‌های ذاتی و روابط میان آن مفاهیم انجام می‌شود.

 

 

Fig. 3.1 Scope and terms used in clinical terminology

 

نظام کدگذاری وابسته به موقعیت (Position-Dependent Coding Scheme): نظامی از کدگذاری است که در آن ساختار سلسله‌مراتبی به‌طور مستقیم در خود کدها بازتاب داده می‌شود. در این نوع نظام، ساختار درونی کد معنای آن را نسبت به سایر کدها مشخص می‌کند. میزان جزئیات کد از چپ به راست افزایش می‌یابد و هر بخش از کد، سطحی دقیق‌تر از طبقه‌بندی را نشان می‌دهد.

اصطلاح‌شناسی مرجع (Reference Terminology): نوعی نظام اصطلاحی است که در آن هر نام‌گذاری مفهومی دارای تعریف رسمی و قابل استفاده توسط ماشین است و این امکان را فراهم می‌کند که داده‌ها به‌صورت دقیق تجمیع و بازیابی شوند. این نوع اصطلاح‌شناسی‌ها به‌گونه‌ای طراحی می‌شوند که نمایش دقیق و کامل دانش یک حوزه خاص را، شامل موجودیت‌ها، مفاهیم و روابط میان آن‌ها، ارائه دهند. همچنین معمولاً برای ذخیره‌سازی، بازیابی و طبقه‌بندی داده‌های بالینی بهینه‌سازی می‌شوند.

رابطه (Relationship): مفاهیم می‌توانند از طریق روابط به یکدیگر متصل شوند. این روابط امکان ایجاد ساختارهای سلسله‌مراتبی را فراهم می‌کنند. یک مفهوم ممکن است در بیش از یک ساختار سلسله‌مراتبی قرار گیرد. اغلب این روابط بخشی از نظام کدگذاری هستند، اما روابط دیگری نیز می‌توانند مستقل از ساختار اصلی تعریف شوند و برای مدل‌سازی دقیق‌تر دانش به کار روند.

اصطلاح‌شناسی (Terminology): مجموعه‌ای از مفاهیم که با اصطلاحات مربوط به یک حوزه خاص از دانش یا یک قلمرو موضوعی مشخص نام‌گذاری شده‌اند.

مجموعه مقادیر (Value Set): مجموعه‌ای از مقادیر مجاز برای یک عنصر داده‌ای مشخص است. یک Value Set می‌تواند یک زیرمجموعه از یک نظام کدگذاری را تعریف کند. در مشخصات پیام‌ها (Message Specifications)، Value Setها به‌عنوان مقادیر مجاز یک فیلد به کار می‌روند.

کدهای مربوط به یک نظام کدگذاری واحد می‌توانند از طریق یک جدول Value Set ارجاع داده شوند. این جدول دارای عنوان بوده و ممکن است شامل فراداده‌هایی مانند نام مجموعه مقادیر، شناسه یکتا، نظام کدگذاری مربوطه، نویسنده، بازه زمانی اعتبار، نسخه و سایر توضیحات باشد. هر ورودی در این جدول شامل موارد زیر است:

• مقدار کد مفهوم (Concept Code Value)
• اصطلاح نمایشی (Display Term)
• توضیحات مربوط به کاربرد یا دامنه استفاده

 

الزامات کاربر (User Requirements)

یکی از الزامات طراحی برای هر نظام کدگذاری و طبقه‌بندی، پاسخ‌گویی به نیازهای ذی‌نفعان مختلف است. راجر کوتِه (Roger Côté)، بنیان‌گذار SNOMED، این موضوع را به‌صورت یک هرم سه‌سطحی از کاربردها توصیف می‌کند [5]:

1. در رأس هرم: طبقه‌بندی‌های ترکیب مورد (Case-mix classifications) مانند DRGها که برای اهداف پرداخت استفاده می‌شوند.
2. در سطح میانی: طبقه‌بندی تشخیص‌ها و اقدامات که برای پایش و ممیزی فعالیت‌های بالینی به کار می‌روند.
3. در پایه هرم: اصطلاح‌شناسی بالینی که برای مراقبت مستقیم از بیمار در سطح فردی استفاده می‌شود.

مدیران حوزه سلامت و پژوهشگران به داده‌های طبقه‌بندی‌شده نیاز دارند تا امکان مقایسه، تحلیل و تبادل داده با منابع اطلاعاتی موجود فراهم شود. در این میان، ارتباط میان طبقه‌بندی‌ها باید به‌صورت صریح تعریف شود؛ به‌گونه‌ای که روابط یک‌به‌یک یا چندبه‌یک میان آن‌ها قابل ردیابی باشد. رابطه چندبه‌یک معمولاً با از دست رفتن بخشی از اطلاعات همراه است و میزان این افت اطلاعات به میزان نزدیکی ساختار دو طبقه‌بندی به یکدیگر بستگی دارد.

یک نظام طبقه‌بندی چندسطحی که دارای دانه‌بندی (Granularity) در سطوح مختلف باشد، می‌تواند امکان نگاشت دوطرفه به یک نظام طبقه‌بندی دیگر را فراهم کند. بالاترین سطح سازگاری معمولاً زمانی حاصل می‌شود که یک نظام جدید مستقیماً بر اساس نظام هدف و با همان مرزهای طبقه‌بندی طراحی شود. همین نیاز به هم‌نگاشت‌پذیری با نظام‌های موجود، توسعه‌دهندگان طبقه‌بندی‌های بالینی را وادار می‌کند که بر پایه نظام‌های موجود کار کنند، حتی اگر آن‌ها دقیقاً متناسب با نیاز مورد نظر نباشند. برای مثال، ICD بر اساس سیستم‌های بدن سازمان‌دهی شده است که در برخی شرایط مفید است، اما در برخی دیگر محدودیت ایجاد می‌کند. نسخه‌های اولیه SNOMED نیز تحت تأثیر منشأ خود در «کالج پاتولوژیست‌های آمریکا» و توسعه آن از نظام SNOP، دارای گرایش پاتولوژیک بودند.

پزشکان و پرستاران تنها زمانی از یک نظام استفاده خواهند کرد که استفاده از آن سریع، ساده و هم‌راستا با شیوه تفکر بالینی آنان باشد و اطلاعات را در قالبی ارائه دهد که مستقیماً به تصمیم‌گیری درمانی کمک کند. از این رو، وجود نرم‌افزارهای کدگذاری خودکار یا نیمه‌خودکار ضروری است.

پرونده‌های بالینی باید تا حد امکان دقیق باشند؛ بنابراین متخصصان بالینی به یک نظام جامع اصطلاحات پزشکی نیاز دارند که بتواند تمامی رویدادهای ممکن در پرونده بیمار را پوشش دهد. این دامنه شامل کل پزشکی بالینی و مدیریت خدمات سلامت است، اما نه کل علوم زیست‌پزشکی به‌صورت گسترده.

در سال ۱۹۸۴، کنفرانس کاری IMIA درباره اصطلاح‌شناسی بالینی به این نتیجه رسید که:

در سامانه‌های اطلاعات سلامت آینده، رابط کاربری باید بر پایه زبان طبیعی باشد. تولید کدهای عددی یا الفبایی باید در داخل رایانه انجام شود و کدگذاری خودکار زبان طبیعی مورد استفاده قرار گیرد. همچنین نیازهای مربوط به طبقه‌بندی آماری بیماری‌ها و مرگ‌ومیر در سطح ملی و بین‌المللی باید به‌عنوان محصول جانبی سامانه‌های اطلاعات سلامت مبتنی بر پزشکی تولید شوند [6].با این حال پیش‌بینی نشده بود که حدود ۴۰ سال بعد، بخش عمده کدگذاری بالینی در بیمارستان‌ها همچنان توسط کارشناسان کدگذاری (coding clerks) انجام شود.

سامانه‌های اطلاعات الکترونیک در دو سطح متفاوت عمل می‌کنند که رکتور (Rector) آن‌ها را «مدل استفاده» (Model of Use) و «مدل معنا» (Model of Meaning) توصیف کرده است [7]. هر دو سطح اهمیت دارند.

 

مدل استفاده

مدل استفاده نحوه جمع‌آوری و نمایش داده‌ها را در زمان بهره‌برداری عملی از سامانه‌هایی مانند پرونده الکترونیک سلامت (EHR) توصیف می‌کند. این مدل در واقع بیانگر رابط انسانی سامانه است.

یک داده واحد ممکن است به روش‌های مختلفی ثبت شود و مهارت طراح در این است که این فرایند را برای هر جریان کاری تا حد امکان ساده و کارآمد کند. هر مورد استفاده (Use Case) می‌تواند مدل استفاده خاص خود را داشته باشد.

مدل استفاده باید امکان ثبت داده را برای هر فعالیت تا حد ممکن سریع و آسان کند. جریان کاری مراقبت سلامت شامل فعالیت‌های پرتکرار و حجیم مانند درخواست آزمایش‌ها، تجویز دارو و ارجاع بیمار، و همچنین فعالیت‌های کم‌تکرارتر اما تخصصی‌تر است که به رشته تخصصی، وضعیت بیمار و مسیر مراقبتی او وابسته‌اند. جزئیات ارزیابی بیمار، تشخیص، پایش، برنامه‌ریزی درمان، انجام آزمایش‌ها و پیگیری‌ها بسته به تخصص و شرایط بیمار تفاوت قابل توجهی دارند.

دو روش اصلی برای ثبت داده جهت استفاده مجدد عبارت‌اند از: ورود داده غیرساخت‌یافته و ورود داده ساخت‌یافته.

 

ورود داده غیرساخت‌یافته (Ad Hoc Data Entry)

در این روش، کاربر تنها چند حرف ابتدایی از اصطلاح مورد نظر را تایپ می‌کند و سامانه فهرستی از اصطلاحات و مترادف‌های منطبق را نمایش می‌دهد. این اصطلاحات معمولاً به‌صورت سلسله‌مراتبی در یک ساختار درختی سازمان‌دهی شده‌اند. کاربر می‌تواند در این ساختار بالا و پایین حرکت کند و میان سطوح مختلف جزئیات جابه‌جا شود تا اصطلاح مورد نظر خود را بیابد. اصطلاح انتخاب‌شده نمایش داده می‌شود و کاربر فرصت دارد انتخاب خود را تأیید کند.

این روش برای بیش از ۳۰ سال در میان پزشکان عمومی (GPs) در بریتانیا مورد استفاده قرار گرفته است، هرچند کامل بودن و یکنواختی داده‌های ثبت‌شده از این طریق همواره با چالش‌هایی همراه بوده است [8].

کارآمدی ورود داده غیرساخت‌یافته به این بستگی دارد که اندازه فهرست اصطلاحات پیشنهادی در حدی باشد که بتوان آن را به‌سرعت و به‌راحتی مرور کرد. چشم انسان می‌تواند بدون حرکت عضلات چشم، حدود شش خط متن با تقریباً ۱۵ کاراکتر را به‌صورت مؤثر بخواند [9]. هر مقدار بیشتر از این، زمان خواندن را افزایش داده و احتمال خطا را نیز بیشتر می‌کند.

 

 

 

Fig. 3.2 Model of use

 

تعداد گزینه‌های نمایش‌داده‌شده می‌تواند محدود شود؛ یا از طریق ارائه «مجموعه‌های مقادیر» (Value Sets) مشخص برای هر وظیفه، به‌منظور کاهش تعداد گزینه‌های در دسترس، یا با نمایش ابتدايیِ موارد پرکاربردتر (روش موسوم به کدگذاری بر مبنای فراوانی / Velocity Coding).

 

ورود داده ساخت‌یافته (Structured Data Entry)

در ورود داده ساخت‌یافته، نیاز به تایپ چند حرف ابتدایی اصطلاح حذف می‌شود و کاربر صرفاً با استفاده از ماوس یا صفحه‌نمایش لمسی، گزینه‌ها را انتخاب می‌کند. این روش زمانی عملکرد مناسبی دارد که دامنه وظیفه محدود و مسیر انجام آن کاملاً مشخص باشد (برای مثال پرسش‌نامه‌ها).

با این حال، طراح باید هر مرحله را به‌گونه‌ای ساختاربندی کند که با شیوه کار هر کاربر سازگار باشد. این موضوع زمانی دشوارتر می‌شود که با بیمارانی مواجه باشیم که دارای چندین بیماری هم‌زمان هستند. در چنین شرایطی، پروتکل باید هم از ترتیب طبیعی فرآیند بالینی پیروی کند و هم با نحوه کار کاربر هماهنگ باشد؛ فهرست‌های انتخابی باید به‌صورت منطقی و طبیعی گروه‌بندی شوند و از اصطلاحات مناسب استفاده کنند. علاوه بر این، هر آیتم باید به شکلی ثبت شود که برای بازیابی اطلاعات مناسب باشد؛ حال آنکه این قالب معمولاً با قالب مورد استفاده در خود پروتکل متفاوت است.

جمع‌آوری داده همچنین باید با نمایش اطلاعات، مرور سوابق قبلی و هشدارها و اعلان‌های سامانه پشتیبان تصمیم‌گیری بالینی یکپارچه باشد. در هر لحظه، صفحه نمایش کاربر تنها می‌تواند حجم محدودی از اطلاعات را نشان دهد، در حالی که پرونده الکترونیک سلامت یک بیمار ممکن است شامل هزاران مورد اطلاعاتی باشد. یکی از رویکردها برای حل این مسئله، ارائه چندین «نمای مختلف» (Multiple Views) از پرونده و امکان جابه‌جایی فوری بین آن‌هاست.

 

نماهای چندگانه (Multiple Views)

این نماها در پرونده الکترونیک سلامت می‌توانند شامل موارد زیر باشند:

• نمای زمانی (Chronological): طبیعی‌ترین روش نمایش اطلاعات، ترتیب زمانی ثبت داده‌هاست. در این حالت اطلاعات به‌صورت صعودی یا معکوس زمانی نمایش داده می‌شوند (جدیدترین موارد ابتدا). داده‌ها می‌توانند نه فقط بر اساس زمان ایجاد، بلکه بر اساس زمان بالینی مرتبط نیز گروه‌بندی شوند؛ برای مثال نتایج آزمایش‌های آزمایشگاهی باید هم به زمان نمونه‌گیری و هم به زمان گزارش‌دهی مرتبط باشند.
• نمای نویسنده (Author view): به کاربر اجازه می‌دهد آخرین موارد ثبت‌شده توسط خود یا سایر افراد برای یک بیمار خاص را به‌سرعت مشاهده کند.
• اسناد بالینی (Clinical documents): مانند نامه‌های ترخیص و ارجاع.
• رویدادهای مراقبتی (Care events): مانند بستری‌ها، ترخیص‌ها و ویزیت‌های کلینیکی.
• فهرست مشکلات (Problem list): شامل تشخیص‌ها و آلرژی‌ها، همراه با وضعیت فعال یا غیرفعال بودن هر مشکل.
• داروها (Medication): با تفکیک داروهای فعلی، قبلی و پیشنهادی.
• عملیات و اقدامات عمده (Operations and major procedures).
• یادداشت‌های پیشرفت بالینی (Clinical progress notes): که می‌توانند به‌صورت زمانی درون هر مشکل سازمان‌دهی شوند و بر اساس ساختار SOAP ثبت شوند.
• سابقه (History): شامل شرح حال، دستورات پیشرفته (advance directives)، رضایت‌نامه‌ها، ظرفیت تصمیم‌گیری ذهنی (mental capacity)، و سابقه خانوادگی و اجتماعی.
• یافته‌ها (Findings): شامل معاینات بالینی، نتایج آزمایشگاهی، علائم حیاتی و یافته‌های تصویربرداری. برای برخی انواع داده‌ها که نیاز به پایش دارند، می‌توان از نمودارها و گراف‌ها استفاده کرد؛ مانند فشار خون، شاخص‌های بیوشیمی خون و ارزیابی پیامدها.
• برنامه‌ها (Plans): مشخص می‌کند چه کسی، چه کاری را و در چه زمانی باید انجام دهد.
• جمعیت‌شناسی (Demographics) .

 

 

مدل معنا

برای آن‌که سامانه قابل محاسبه‌پذیری (computable) باشد، هر «مدل استفاده» (Model of Use) باید قابل تبدیل به «مدل معنا» (Model of Meaning) باشد. مدل معنا، نمایشی است برای اهداف گزارش‌دهی و تحلیل آماری که در آن درک ما از جهان بازنمایی می‌شود؛ به‌گونه‌ای که بتوان بر اساس آن هم درباره جهان به‌طور کلی و هم درباره بیماران منفرد استدلال کرد.

رایانه‌ها در پردازش داده محدودیت‌هایی دارند و به اطلاعاتی با قالبی مشترک و استاندارد نیازمندند. مدل معنا، ساختاری را برای پردازش داده و استدلال فراهم می‌کند. استفاده از یک مدل معنایی مشترک، مزیت بزرگی در گزارش‌دهی و پشتیبانی تصمیم‌گیری بالینی دارد. این موضوع یکی از دلایل اصلی توسعه مدل‌های مرجع مانند HL7 RIM، مدل مرجع ISO 13606  و منابع FHIR  است (نگاه کنید به شکل ۳.۳).

 

Fig. 3.3 Model of meaning

 

 

 

پروژه HL7 TermInfo  مجموعه‌ای از توصیه‌ها را درباره نحوه اتصال (binding) میان SNOMED و HL7 ارائه داد و این نیاز را چنین بیان می‌کند:

هر سامانه دارای صفحه‌های ورود داده، جریان کاری، طراحی پایگاه داده داخلی و ویژگی‌های خاص خود است؛ با این حال، ما از «تعامل‌پذیری معنایی» (semantic interoperability) سخن می‌گوییم. برای دستیابی به تعامل‌پذیری و امکان تجمیع داده‌های تولیدشده توسط سامانه‌های مختلف، باید امکان مقایسه داده‌های تولیدشده در این سامانه‌ها وجود داشته باشد. برای مقایسه داده‌ها، تصور یک شکل «مرجع» یا «نرمال» (canonical or normal form) مفید است. اگر همه داده‌ها، صرف‌نظر از نحوه ثبت آن‌ها، بتوانند به یک قالب مشترک تبدیل شوند، امکان مقایسه آن‌ها فراهم می‌شود [10].

این اصل نه‌تنها در تبادل داده میان سامانه‌ها (تعامل‌پذیری معنایی)، بلکه درون خود سامانه‌های پرونده الکترونیک سلامت (EHR) نیز کاربرد دارد؛ جایی که یک سامانه واحد برای پشتیبانی از مدل‌های مختلف استفاده (Model of Use) به کار می‌رود (اصطلاحاً: قابلیت عملکرد معنایی یا semantic operability).

برخی از تأمین‌کنندگان نرم‌افزار، مدل مرجع استاندارد را به‌عنوان پایه معماری سامانه‌های خود انتخاب کرده‌اند. استفاده از HL7 RIM  در این زمینه با عنوان RIMBAA (معماری برنامه‌محور مبتنی بر RIM) شناخته می‌شود [11]. همچنین از مدل‌های مرجع FHIR Resources،ISO 13606  و openEHR  نیز در همین راستا استفاده می‌شود. بسیاری از سامانه‌ها نیز از معماری‌های اختصاصی (proprietary)  استفاده می‌کنند که ممکن است با مدل‌های مرجع استاندارد، به‌صورت مستقیم یا غیرمستقیم نگاشت شده باشند. برای ذخیره‌سازی و تحلیل، داده‌ها باید در قالبی باشند که امکان استفاده مجدد آن‌ها در طیف گسترده‌ای از کاربردها را فراهم کند. بهترین حالت این است که داده‌ها در قالبی ذخیره شوند که بازتاب‌دهنده «مدل معنا» باشند، نه صرفاً «مدل استفاده».

سامانه ذخیره‌سازی باید اطلاعات را ایمن و محافظت‌شده نگه دارد، اما ارزش واقعی هر سامانه به آن چیزی است که می‌توان از آن استخراج کرد. هدف اصلی، امکان پاسخ‌گویی دقیق و کارآمد به پرسش‌هاست. گزارش‌های دقیق باید هم صحیح و هم کامل باشند و گزارش‌های کارآمد باید سریع و به‌موقع ارائه شوند. کاربران نیاز دارند بتوانند داده‌های پرونده بیماران را برای اهداف بسیار متنوع شمارش و استخراج کنند. فرایند تعریف یک گزارش شامل موارد زیر است:

• معیارهای انتخاب و حذف برای شناسایی رکوردهای مورد نیاز و تعیین کدهایی که باید جست‌وجو شوند.
• ترتیب مرتب‌سازی (sort order) برای نمایش نتایج
• محتوا و قالب هر رکوردی که نمایش داده می‌شود.
• داده‌های خلاصه در ابتدای گزارش و انتهای آن (شامل عنوان‌ها، جمع‌ها و درصدها).
• محل ارسال گزارش—نمایشگر، چاپگر یا فایل.

اگر ساختار زیربنایی داده‌ها با شیوه تفکر کاربر هم‌خوان نباشد بازیابی داده دشوار می‌شود و این وضعیت در عمل بسیار رایج است. اگر پایگاه داده بر اساس یک «مدل معنای مشترک» (Model of Meaning) سازمان‌دهی شده باشد، در این صورت این مدل باید برای همه افرادی که قصد پرس‌وجو از داده‌ها را دارند قابل فهم باشد؛ موضوعی که مستلزم مستندسازی، آموزش و توانمندسازی است.

الزامات دوم این است که کاربران با چیدمان صفحه‌های جمع‌آوری داده و فهرست‌های انتخاب (picking lists) خود آشنا شوند و آن را به‌عنوان شیوه کار سیستم در نظر بگیرند. برای مثال، آن‌ها به‌طور منطقی انتظار دارند در گزارش‌های خود نیز از همان فهرست‌ها و گروه‌های آشنا استفاده کنند. توانایی گزارش‌گیری بر اساس همان ساختاری که داده‌ها در صفحه‌های ورود داده ثبت می‌شوند، یک نیاز اساسی است. با این حال، تحقق این موضوع دشوار است زمانی که داده‌ها بر اساس «مدل معنا» ذخیره می‌شوند، در حالی که این مدل با «مدل استفاده» تفاوت قابل توجهی دارد؛ در چنین شرایطی طراحان سیستم ناچارند برای رفع این شکاف تلاش ویژه‌ای انجام دهند.

مشکل دیگر، نیاز به تحلیل چندبعدی (multi-dimensional analysis) است. برای مثال، یک جراح تروما ممکن است بخواهد بداند:

• چند مورد شکستگی تنه استخوان ران در سال گذشته دیده است؟
• چند بار اقدام به جااندازی باز و فیکساسیون (open reduction and fixation) برای هر استخوان انجام داده است؟
• چند بار از نیل داخل‌استخوانی قفل‌شونده استفاده کرده است؟

در نگاه اول ممکن است به نظر برسد که کدی با معنای «جااندازی باز و فیکساسیون شکستگی تنه استخوان ران با استفاده از نیل داخل‌استخوانی قفل‌شونده» بتواند این پرسش‌ها را پاسخ دهد، اما در عمل پاسخ‌گویی به چنین سوالاتی با استفاده از کدهای مشابه دشوار است. به همین دلیل، نظام‌های کدگذاری چندمحوری مانند SNOMED توسعه یافته‌اند؛ با این حال، برای برآورده کردن این نیاز باید به‌درستی در سامانه‌های پرونده الکترونیک بیمار پیاده‌سازی شوند.

تفاوت عملی میان «مدل استفاده» و «مدل معنا» این است که اولی معمولاً وابسته به زمینه (context-specific) است، در حالی که دومی تلاش می‌کند به‌صورت جهان‌شمول معتبر باشد. در نقطه مراقبت، زمینه به‌صورت ضمنی درک می‌شود، اما برای تحلیل کلان داده‌ها (big data analytics)  اطلاعات باید به‌صورت کاملاً صریح و بدون ابهام بیان شوند.

 

الزامات مطلوب (Desiderata)

«الزامات مطلوب برای واژگان کنترل‌شده پزشکی در قرن بیست‌ویکم» [12] مجموعه‌ای از نیازهای مشترک در حوزه اصطلاح‌شناسی بالینی را گردآوری کرد؛ نیازهایی که در پروژه‌های بین‌المللی مانند GALEN [13]، UMLS (Unified Medical Language System) [14]، SNOMED RT (Reference Terminology) [15]  و پروژه اصطلاحات بالینی NHS [16] توسعه یافته بودند. این الزامات تأثیر قابل‌توجهی بر طراحیSNOMED CT  داشتند و عبارت‌اند از:

 

محتوای واژگانی (Vocabulary Content): محتوا از نظر گستره و کیفیت در اولویت قرار دارد. هر اصطلاح‌شناسی بالینی عملی باید پوشش دامنه‌ای جامع از مفاهیم داشته باشد و همچنین شامل اصطلاحات قابل فهم برای انسان (توصیف‌ها و مترادف‌ها) باشد.

همچنین باید سازوکاری برای گسترش محتوا در صورت نیاز وجود داشته باشد؛ از جمله امکان ترجمه به زبان‌ها و گویش‌های دیگر، در حالی که کیفیت داده حفظ شود.

 

مفهوم‌محوری (Concept Orientation): هر مفهوم باید تنها یک معنا داشته باشد؛ نه مبهم باشد و نه چندپهلو. با این حال، هر مفهوم می‌تواند با چندین اصطلاح (مترادف‌ها) در یک زبان و نیز با اصطلاحات مختلف در زبان‌ها و گویش‌های دیگر توصیف شود. توجه مهم این است که یک اصطلاح واحد نیز ممکن است معانی متفاوتی داشته باشد (هم‌نامی / homonymy) که به مفاهیم متفاوتی اشاره می‌کند.

 

پایداری مفهوم (Concept Permanence): پس از ایجاد یک مفهوم، معنای آن باید پایدار بماند و نباید در اثر به‌روزرسانی تغییر کند یا حذف شود. با این حال، یک مفهوم می‌تواند به وضعیت «بازنشسته» (retired) علامت‌گذاری شود، در صورتی که مشخص شود مبهم، تکراری یا نادرست است.

 

شناسه‌های غیرمعنایی (Non-semantic Concept Identifiers): هر مفهوم باید یک شناسه یکتا داشته باشد که خود فاقد معنا باشد. اطلاعات معنایی باید به‌عنوان ویژگی‌های مفهوم ذخیره شوند، نه درون شناسه آن. این موضوع در بسیاری از نظام‌های کدگذاری سنتی وابسته به موقعیت، مانند ICD، یک مشکل محسوب می‌شود.

البته این اصل همواره محل بحث است؛ به این معنا که گنجاندن بخشی از معنا در کد همیشه اشتباه نیست، اما همیشه نیز ضروری یا مناسب نیست.

 

چندسلسله‌مراتبی (Polyhierarchy): سازمان‌دهی مفاهیم پزشکی به‌صورت سلسله‌مراتبی مفید است، اما بسیاری از مفاهیم بالینی ذاتاً چندبعدی هستند و می‌توانند بیش از یک مفهوم والد داشته باشند. برای مثال، «شکستگی استخوان درشت‌نی» هم نوعی شکستگی است و هم نوعی آسیب اندام تحتانی.

 

تعاریف صوری (Formal Definitions): روش طبقه‌بندی یک مفهوم باید مستقل از روش شناسایی آن باشد. استفاده از منطق توصیفی (Description Logic) برای تعریف و طبقه‌بندی مفاهیم بالینی، گامی در جهت فاصله گرفتن از نظام‌های کدگذاری سنتی وابسته به موقعیت و ساختارهای لغت‌نامه‌ای است. برای مثال، «پنومونی پنوموکوکی» می‌تواند با یک رابطه «is-a» به مفهوم «پنومونی» و یک رابطه «caused by» به مفهوم Streptococcus pneumoniae تعریف شود.

 

رد دسته‌های «سایر موارد» (Reject “Not Elsewhere Classified”): بسیاری از نظام‌های طبقه‌بندی موجود شامل دسته‌های کلی مانند «سایر موارد طبقه‌بندی‌نشده» (NEC) هستند. این دسته‌ها با افزودن هر دسته جدید در محدوده خود، معنای قبلی را تغییر می‌دهند؛ بنابراین معنای آن‌ها پایدار نیست. این موضوع با اصل پایداری مفهوم در تضاد است.

 

چندسطحی بودن (Multiple Granularities): کاربران برای تعریف مفاهیم، ناوبری در سیستم، پشتیبانی تصمیم‌گیری و گزارش‌دهی به سطوح مختلفی از دانه‌بندی (granularity) نیاز دارند. برای مثال، یک مدیر ممکن است تنها نیاز داشته باشد بداند که بیمار دچار «شکستگی پا» شده است؛ واحد مالی ممکن است به «شکستگی استخوان درشت‌نی(tibia)» نیاز داشته باشد؛ اما پزشک معالج باید بداند که بیمار دچار «شکستگی مارپیچی بسته در تنه استخوان درشت‌نی راست» است. در نتیجه، نباید هیچ محدودیت دل‌بخواهی یا مصنوعی برای تعداد سطوح در سلسله‌مراتب وجود داشته باشد.

 

نماهای چندگانه سازگار (Multiple Consistent Views): زمانی که یک مفهوم دارای چند والد در یک ساختار سلسله‌مراتبی باشد، نحوه مشاهده آن مفهوم نباید به مسیر دسترسی به آن وابسته باشد. ساختار کامل یک اصطلاح‌شناسی، شامل همه سلسله‌مراتب‌ها و روابط، می‌تواند بسیار پیچیده باشد؛ اما هر کاربر نهایی تنها به نماهایی از آن نیاز دارد که با نیازها و درک او سازگار باشد. این نماها باید همواره با مدل زیربنایی سازگار و هم‌راستا باقی بمانند.

 

نمایش زمینه (Context Representation): اطلاعاتی که در یک زمینه (context) خاص ثبت شده‌اند، نباید بدون در نظر گرفتن همان زمینه تفسیر شوند. بنابراین، زمینه باید به‌صورت قابل پردازش توسط رایانه (computer-processable) قابل ثبت باشد. یکی از رویکردها، ثبت صریح زمینه در داخل خود اصطلاح‌شناسی است.

 

تکامل تدریجی (Graceful Evolution): اصطلاح‌شناسی‌ها در طول زمان دچار تغییر و تکامل می‌شوند. اگر معنای داده‌های سری زمانی تجمیع‌شده به‌صورت کنترل‌نشده تغییر کند، برای کاربران مشکلات جدی ایجاد خواهد شد. بنابراین باید ساختار کلی به‌گونه‌ای طراحی شود که امکان تکامل تدریجی و کنترل‌شده مفاهیم، اصطلاحات و روابط فراهم باشد.

 

شناسایی افزونگی (Recognize Redundancy): در فرآیند تغییر و تکامل اصطلاح‌شناسی، برخی اجزا ممکن است زائد یا منسوخ شوند. در این حالت باید امکان شناسایی صریح این افزونگی وجود داشته باشد و سیستم بتواند آن را به‌طور شفاف مشخص کند.

 

این اصول در طول زمان کارآمدی خود را به‌خوبی نشان داده‌اند. هر پیشنهادی که این اصول را رعایت نکند، دیر یا زود -و احتمالاً زودتر- با مشکلات جدی مواجه خواهد شد.

 

مثال «قوری شکلاتی»  (The Chocolate Teapot)

یک مثال فرضی

داستان فرضی «قوری شکلاتی» که توسط دکتر مالکوم دانکن توسعه یافته است، مجموعه‌ای از مسائل مرتبط با طبقه‌بندی و اصطلاح‌شناسی را به تصویر می‌کشد و اهمیت اصول مطرح‌شده را نشان می‌دهد. هدف این مثال، روشن‌کردن برخی از خطاها و دام‌های رایج در استفاده از اصطلاح‌شناسی‌ها و معرفی برخی مفاهیم تکمیلی مرتبط با توصیف آن‌هاست. این فصل تاکنون ایده‌های پیچیده‌ای را مطرح کرده است و هدف این داستان کمک به توضیح و فهم عمیق‌تر آن‌هاست. همه خوانندگان ممکن است با اطمینان ندانند که مثلاً «آسم» دقیقاً چیست (حتی پزشکان نیز در این‌باره اتفاق‌نظر ندارند)، بنابراین این بحث پیرامون طبقه‌بندی «قوری‌ها» سازمان‌دهی شده است. بیشتر مردم تصور می‌کنند که می‌دانند قوری چیست.

شروع ساده

یک بخش از یک طبقه‌بندی ساده اما کاربردی از ظروف وجود دارد که صرفاً برای مستندسازی ظاهر چیدمان میزها در ادبیات دوره ویکتوریا به کار می‌رود.

طبقه‌بندی ظروف پذیرایی نسخه ۹ (CTV-9, 1875)

ظروف چینی (Crockery)

• قوری (Teapot)
• قوری قهوه‌ای
• قوری سفید
• قوری آبی
• قوری با رنگ «در جای دیگر طبقه‌بندی‌نشده»  (NEC)
• قوری با رنگ «در جای دیگر مشخص‌نشده»  (NOS)

کاربران موظف هستند که به پایین‌ترین سطح (برگ‌ها / leaf) کدگذاری کنند؛ دقیقاً همان‌گونه که در ICD-10 عمل می‌شود. در سال ۱۸۷۵ تنها رنگ‌های قهوه‌ای، سفید و آبی برای ظروف رایج و «مد روز» بودند. افراد غیرمتعارف ممکن است از رنگ‌های دیگر (NEC) استفاده کنند، یا بدتر از آن، اصلاً اهمیتی به رنگ ندهند(NOS). با این حال، به‌طور بدیهی فرض می‌شود که قوری باید از جنس سفال باشد و ترجیحاً از چینی باکیفیت ساخته شده باشد. در جایی دیگر، نظامی با عنوان «نظام نظام‌مند اصطلاحات آشپزخانه» (SNoKitch) وجود دارد که به‌طور مداوم به‌روزرسانی می‌شود و برای پشتیبانی از همه کاربردهای مرتبط با آشپزی طراحی شده است. بخشی از این اصطلاح‌شناسی در چند نسخه متوالی به شکل زیر توسعه می‌یابد:

 

نسخه n از SNoKitch

ظروف (Crockery)

• قوری (Teapot)

در این نسخه، قوری هیچ فرزندی ندارد و می‌تواند معادل هر یک از پنج برگ طبقه‌بندی CTV-9 باشد.

تکامل اولیه

سپس کاربران درخواست افزودن مفاهیم جدید را مطرح می‌کنند و نسخه بعدی شکل می‌گیرد.

نسخه n + 1 از SNoKitch

ظروف

• قوری
  • قوری قهوه‌ای
  • قوری سفید

اکنون هر کسی که بخواهد قوری قهوه‌ای یا سفید را مشخص کند، می‌تواند از SNoKitch استفاده کند. کدگذاری به سطح برگ (leaf)  اجباری نیست، بنابراین مفاهیم NOS و NEC حذف شده‌اند. در این نسخه، مفهوم «قوری» در SNoKitch عملاً معادل هر دو دسته «قوری رنگ‌مشخص‌نشده (NEC)» و «قوری رنگ‌نامشخص(NOS)» در CTV-9 است؛ هرچند در عمل، معنای «قوری» در این نسخه به سمت «قوری‌ای که نه قهوه‌ای است و نه سفید» متمایل شده است.

 

 

نسخه n + 2 از SNoKitch

ظروف

• قوری
  • قوری قهوه‌ای
  • قوری سفید
  • قوری آبی
  • قوری چینی

در این نسخه، «قوری آبی» (که در نسخه قبلی فراموش شده بود) اضافه می‌شود. این امر بار دیگر معنای مفهوم «قوری» را تغییر می‌دهد، به‌ویژه در نقش آن به‌عنوان «قوری رنگ‌در-جای-دیگر-طبقه‌بندی‌نشده (NEC)». همچنین یک زیرمفهوم جدید به نام «قوری چینی» اضافه شده است، اما این مفهوم هم‌ارز و هم‌سطح سایر رنگ‌ها نیست؛ زیرا می‌تواند هر رنگی داشته باشد. در نتیجه، زیرطبقات «قوری چینی» از نظر معنایی مجزا و ناپیوسته هستند (non-disjoint subclasses). اکنون «قوری چینی» احتمالاً بخشی از معنای «قوری رنگ‌در-جای-دیگر-طبقه‌بندی‌نشده(NEC)» را نیز در خود گرفته است (یعنی قوری‌های چینی که نه قهوه‌ای، نه سفید و نه آبی هستند). اما وقتی کاربران علاقه‌مند به جنس چینی، یک کد «قوری سفید» دریافت کنند، به نتیجه مطلوب نمی‌رسند؛ زیرا تنها می‌توانند نتیجه بگیرند که با یک قوری سروکار دارند، نه لزوماً قوری چینی. از آنجا که هم جنس و هم رنگ اهمیت دارند، مفاهیم جدیدی مانند «قوری چینی سفید» و «قوری چینی آبی» در نسخه بعدی اضافه می‌شوند. با این حال، نمی‌توان تضمین کرد که همه کاربران از این مفاهیم استفاده کنند، زیرا آن‌ها الزاماً مجبور به کدگذاری در سطح برگ نیستند و ممکن است فقط جنس را ثبت کنند و رنگ را نادیده بگیرند.

با این حال، هنوز یک درک مشترک از معنای مفهوم والد «قوری» به‌عنوان فراگیرِ زیرمفاهیم وجود دارد؛ اما افزودن مفاهیم جدید در نسخه‌های بعدی این وضعیت را دگرگون خواهد کرد.

 

نسخه n + 3 از SNoKitch

ظروف

• قوری
  • قوری قهوه‌ای
  • قوری سفید
  • قوری سفید چینی
  • قوری آبی
  • قوری آبی چینی
  • قوری چینی
  • قوری سفید چینی
  • قوری آبی چینی
  • قوری شکلاتی
  • قوری تزئینی
  • قوری صنعتی

افزودن «قوری‌های شکلاتی، تزئینی و صنعتی» به این طبقه‌بندی، باعث می‌شود تداوم هستی‌شناختی (ontological continuity) با نسخه‌های قبلی به‌شدت زیر سؤال برود. «قوری صنعتی» صرفاً محل استفاده را نشان می‌دهد، اما اطلاعات دیگری ارائه نمی‌کند؛ جز این فرض ضمنی که احتمالاً نه تزئینی است و نه از شکلات ساخته شده است. قوری‌هایی که از فلز یا شکلات ساخته شده‌اند، ماهیتاً سفالی (earthenware) نیستند و در نتیجه در طبقه «ظروف چینی» (crockery) قرار نمی‌گیرند. بنابراین از نسخه‌ای به نسخه دیگر، انسجام بسیار کمی در آنچه می‌توان درباره رنگ، جنس یا کاربرد استنتاج کرد وجود دارد.

خطاها آشکار می‌شوند

حتی بدتر از آن، ورود برخی زیرمجموعه‌ها باعث شده است که معنای قابل استنتاج از مفهوم والد «قوری» نیز تغییر کند. برای مثال، شرکت چای کانزاس (KTC) نرم‌افزار پشتیبان تصمیم‌گیری‌ای طراحی کرده بود که بر اساس نسخه n + 2 عمل می‌کرد:

اگر مفهوم = (قوری یا زیرمجموعه‌های قوری)

    افزودن برگ چای + آب جوش مجاز است

پایان اگر

اما KTC هرگز وجود «قوری‌های شکلاتی» را در این ساختار سلسله‌مراتبی پیش‌بینی نکرده بود. در مورد «قوری تزئینی» نیز مشخص نیست آیا اصلاً برای تهیه چای قابل استفاده هست یا نه. در نتیجه، KTC مجبور می‌شود در قوانین تصمیم‌یار خود چندین گره (node) اضافی تعریف کند و زیرنوع‌ها را به‌صورت صریح استثنا کند؛ زیرا افزودن آب جوش به یک قوری شکلاتی تصمیمی عاقلانه نیست.

اعتبار این روابط کاملاً به حوزه علاقه‌مندی و کاربرد شما از مفهوم «قوری» وابسته است. دیگر یک فهم جهانی و واحد از این مفهوم وجود ندارد؛ بلکه تنها یک فرض مشترک زبانی باقی مانده که مشخص می‌شود در همه زمینه‌های کاربردی قابل اتکا نیست. اگر از ابتدا تعریف دقیقی از «قوری» (مثلاً در قالب یک توضیح متنی / scope note) ارائه می‌شد، شاید این مشکل قابل پیشگیری بود. اغلب افراد می‌توانند «قوری‌ای که در ذهن دارند» را توصیف کنند، اما این امر ممکن است به قیمت از دست رفتن قابلیت پیش‌بینی‌پذیری برای ماشین تمام شود.

 

ایجاد زیرمجموعه‌ها (Subsets Are Developed)

کنسرسیوم تأمین مواد مصرفی (Comestibles Supply Consortium) با شناسایی ناسازگاری در استفاده از اصطلاح‌شناسی SNoKitch  در سیستم‌های خود، استفاده از یک زیرمجموعه محدود را اجباری می‌کند:

• قوری
• قوری قهوه‌ای
• قوری سفید
• قوری آبی

تمام اعضای کنسرسیوم اکنون می‌توانند برداشت یکسانی از داده‌های ثبت‌شده داشته باشند و هدف اصلی خود را- تولید گزارش‌های قابل پرداخت بر اساس طبقه‌بندی نسخه ۹ ظروف- برآورده کنند. با این حال، همچنان تمایز میان «NOS» و «NEC» وجود ندارد و ممکن است نیاز باشد متخصصان کدگذاری (coding clerks) برای استخراج و نگاشت دستی داده‌ها به کار گرفته شوند.

در طبقه‌بندی‌هایی مانند خانواده ICD نیز مواردی از این دست دیده می‌شود، مانند:

انسداد مزمن راه‌های هوایی، در جای دیگر طبقه‌بندی‌نشده  (not elsewhere classified)

برداشت (excision) مشخص‌نشده دیگر از غده فوق‌کلیه

مشکلی که در چنین ساختارهایی وجود دارد این است که معنا در نسخه‌های مختلف طبقه‌بندی پایدار نمی‌ماند. برای مثال، اینکه «چه چیزی در جای دیگری طبقه‌بندی شده است» می‌تواند با اضافه یا حذف شدن محتوای جدید تغییر کند. در مقابل طبقه‌بندی‌هایی مانند ICD-9، اصطلاح‌شناسی‌های پزشکی مدرن مانند SNOMED CT معمولاً الزام به کدگذاری در سطح برگ (leaf) ندارند و همچنین موجودیت‌هایی از نوع «در جای دیگر مشخص‌نشده» (NOS) یا «در جای دیگر طبقه‌بندی‌نشده» (NEC) را مجاز نمی‌دانند.

فرض رایج این است که این ویژگی باعث مصونیت از ناپیوستگی معنایی (semantic discontinuity) در نسخه‌های مختلف می‌شود. اما در عمل چنین نیست. در غیاب NOS و NEC، این «ناشناخته‌های شناخته‌شده ثابت» به «ناشناخته‌های ناشناخته متغیر» تبدیل می‌شوند که میان نسخه‌ها جابه‌جا می‌گردند. همان‌طور که دونالد رامسفلد به‌طور مشهور گفته است:

«…چیزهایی هستند که می‌دانیم می‌دانیم؛ چیزهایی که می‌دانیم نمی‌دانیم. اما چیزهایی هم هستند که نمی‌دانیم نمی‌دانیم-یعنی چیزهایی که اصلاً از آن‌ها آگاه نیستیم». ]17[

این وضعیت زمانی پیچیده‌تر می‌شود که یک اصطلاح‌شناسی نه در هیچ سطحی از هم‌سطح‌ها (siblings) جامع باشد و نه میان اعضا رابطه «ناهم‌پوشانی کامل» (disjoint) برقرار کند (دو مجموعه زمانی disjoint هستند که هیچ عضو مشترکی نداشته باشند). با تکامل اصطلاح‌شناسی‌ها، کاربردهایی که بر استفاده مجدد از داده‌ها متکی هستند - مانند پیام‌رسانی، صورت‌حساب، ممیزی بالینی و پشتیبانی فعال تصمیم‌گیری - باید مشخص کنند که هر کد از کدام نسخه اصطلاح‌شناسی گرفته شده است. نسخه‌های متوالی ممکن است محتوا را بهبود دهند، اما این تغییرات باعث می‌شود تفسیر داده‌های ثبت‌شده نیازمند ارجاع به «هستی‌شناسی در زمان انتخاب مفهوم» باشد، نه وضعیت فعلی آن.

یک مفهوم درون یک اصطلاح‌شناسی به‌تنهایی موجودیتی کامل و مستقل نیست. افزودن، بازنشستگی (retirement) و جابه‌جایی سایر مفاهیم می‌تواند معنا و نحوه استفاده از آن را تغییر دهد. چنین تغییراتی رایج هستند. علاوه بر افزودن و حذف مفاهیم، ممکن است در هر نسخه از اصطلاح‌شناسی‌هایی مانند SNOMED CT تغییرات متعددی در ساختار سلسله‌مراتبی نیز رخ دهد.

 

 

مراجع و مأخذ مورد استفاده:

 

1. Okrent A. In the land of invented languages. New York: Spiegel & Grau; 2010.

2. Blois MS. Information and medicine: the nature of medical descriptions. Berkeley: University

of California Press; 1984.

3. Carrol L. Through the looking glass and what Alice found there. London: Macmillan; 1871.

4. Slee V, Slee D, Schmidt HJ. The endangered medical record: ensuring its integrity in the age

of informatics St. Tringa: Paul; 2000.

5. Côté RA. Quality health care requires quality patient data. Yearb Med Inform. 2003;12(01):1–4.

6. Cote R, Protti D, Scherrer J (eds). Role of information in health data coding and classification

systems. Proceedings of the IFIP-IMIA International Working Conference Amsterdam, North-Holland;

1985.

7. Rector AL, Qamar R, Marley T. Binding ontologies and coding systems to electronic health

records and messages. Appl Ontol. 2009;4(1):51–69.

8. Pringle M, Hobbs R. Large computer databases in general practice. BMJ. 1991;

302(6779):741–2.

9. Wade NJ. Pioneers of eye movement research. iPerceptions. 2010;1(2):33–68.

10. Markwell D, Sato L, Cheetham E. Representing clinical information using SNOMED Clinical

Terms with different structural information models. KR-MED. 2008:72–9.

11. Viangteeravat T, Anyanwu MN, Nagisetty VR, Kuscu E, Sakauye ME, Wu D. Clinical data

integration of distributed data sources using Health Level Seven (HL7) v3-RIM mapping. J

Clin Bioinf. 2011;1(1):32.

12. Cimino JJ. Desiderata for controlled medical vocabularies in the twenty-first century. Methods

Inf Med. 1998;37:394–403.

13. Rector A, Solomon W, Nowlan A, Rush T, Claassen A, Zanstra P. A terminology server for

medical language and medical information systems. Methods Inf Med. 1994;34:147–57.

14. Lindberg DA, Humphreys BL, McCray AT. The unified medical language system. Methods Inf

Med. 1993;32(4):281–91.

15. Spackman K, Campbell K, Cote R. SNOMED RT: a reference terminology for healthcare.

Proc AMIA Symp. 1997:640–4.

16. O’Neil MJ, Payne C, Read JD. Read codes version 3: a user led terminology. Methods Inf

Med. 1995;34:187–92.

17. Shermer M. Rumsfeld’s wisdom. Sci Am. 2005;293(3):38.