SNOMED CT对EHR中上下文语境数据支持

一篇质疑IBM的旧文最近在Hacker News上火了起来，虽已时隔两年，这篇文章还是引起了网友们的强烈共鸣。文章作者Roger Schank是人工智能（AI）领域元老人物，认为IBM对他们的Watson项目夸大其词，在鲍勃迪伦出演的IBM广告中，Watson认知系统识别出了鲍勃迪伦作品的关键主题为：“时间流逝”和“爱情消逝”，但是熟悉鲍勃迪伦的人都知道，他的歌曲关键主题是“反战歌曲”，因此，Roger Schank认为Watson并不能做到基于上下文语境的推理。

基于上下文语境的推理无疑是AI领域的一个难题，在医疗领域，例如病例数据中“哮喘”这个词可能存在于多种语境下：患者目前诊断为哮喘、患者有哮喘史或者患者排除有哮喘等等。AI系统处理病历数据识别出哮喘这个词，但是在无法识别上下文语境的情况下做出错误推理的风险是极高的。

临床医学术语标准SNOMED CT（SCT）中有专门表示上下文语境的概念，例如，疾病诊断为“怀疑哮喘”在SCT中就对应概念：394967008 | Suspected asthma |，“排除心脏病”在SCT中就对应概念：394926003 | Heart disease excluded | ，就种表示上下文语境的概念在SCT中有非常全面的收录，而作为统计分类标准的ICD并未收录此类概念。

基于SCT可表示上下文语境的特征，可以从语义层面辅助AI实现对EHR数据基于上下文语境的推理。在具体实施过程中，可将SCT术语模型与EHR系统信息模型进行术语绑定，有效利用SCT术语模型进行EHR数据的标准化存储及基于语义的更深层次应用。

EHR系统信息模型中可进行术语绑定的信息可以是完整的信息模型、单个数据组、数据元素、数据类型属性或模型中列出的数据值等，下图以患者诊断记录里“怀疑急性哮喘”为例，展示具有上下文语境信息是如何与SCT术语模型进行术语绑定：

SCT中定义了大量临床医学中使用的表示上下文语境的术语，同时包含人体结构、临床发现、药物等19个临床内容，超过32万个概念，基于本体模型，具有丰富的语义关联能力，因此，她可以最大可能的让计算机“理解”人类的自然语言，为AI在医疗大数据中的各种应用奠定了坚实的基础。