ЗНАЧЕНИЕ СИСТЕМАТИЗАЦИИ И СТАНДАРТИЗАЦИИ МЕДИЦИНСКОЙ ТЕРМИНОЛОГИИ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СОВРЕМЕННОЙ БИОМЕДИЦИНЕ
Ключевые слова:
tibbiy terminologiya; standartlashtirish; tizimlashtirish; sun’iy intellekt; SNOMED CT; Medline; ChatGPT; biotibbiyotАннотация
В данной статье рассматривается необходимость систематизации медицинской терминологии в современной биомедицине и ее стандартизации с использованием искусственного интеллекта. В исследовании подчеркивается важность единой терминологической системы в интеграции и обмене медицинской информацией. Международные стандартные терминологические базы данных, такие как SNOMED CT, ICD и MeSH, обеспечивают основу для единообразного представления медицинских понятий. Технологии искусственного интеллекта, в частности большие языковые модели, такие как ChatGPT, могут быть использованы для автоматической нормализации терминологии в медицинских текстах. В статье рассматриваются методы стандартизации медицинских терминов с использованием баз данных ChatGPT и Medline/PubMed. Согласно результатам, унификация терминологии с использованием искусственного интеллекта улучшает взаимодействие между клиническими информационными системами и повышает эффективность научных исследований.
Библиографические ссылки
Park, H.-A. (2024). Why Terminology Standards Matter for Data-driven Artificial Intelligence in Healthcare. Annals of Laboratory Medicine, 44(6), 467–471. https://doi.org/10.3343/alm.2024.0105:contentReference[oaicite:36]{index=36}
;:contentReference[oaicite:37]{index=37}
SNOMED International. (2025). What is SNOMED CT? Retrieved April 3, 2025, from https://www.snomed.org/what-is-snomedct:contentReference[oaicite:44]{index=44}:contentReference[oaicite:45]{index=45}
Oztermeli, A. D. (2025). Is ChatGPT a reliable tool for explaining medical terms? Cureus, 17(1), e77258. https://doi.org/10.7759/cureus.77258:contentReference[oaicite:41]{index=41}:contentReference[oaicite:42]{index=42}
Kocaman, V. (2023, April 20). Comparing Spark NLP for Healthcare and ChatGPT in extracting ICD10-CM codes from clinical notes [Blog post]. John Snow Labs. Retrieved from https://www.johnsnowlabs.com/comparing-spark-nlp-for-healthcare-and-chatgpt-in-extractingicd10-cm-codes-from-clinical-notes/:contentReference[oaicite:43]{index=43}
Yoon, D., Han, C., Kim, D. W., Kim, S., Bae, S., Ryu, J. A., & Choi, Y. (2024). Redefining health care data interoperability: Empirical exploration of large language models in information exchange. Journal of Medical Internet Research, 26(1), e56614.
https://doi.org/10.2196/56614:contentReference[oaicite:38]{index=38}
Berkowitz, J. S., Srinivasan, A., Acitores Cortina, J. M., Fatapour, Y., & Tatonetti, N. (2025). Biomedical text normalization through generative modeling. medRxiv (preprint). https://doi.org/10.1101/2024.09.30.24314663:contentReference[oaicite:39]{index=39}:contentReference[oaicite:40]{index=40}
Bodenreider, O. (2004). The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Research, 32(suppl_1), D267–D270. https://doi.org/10.1093/nar/gkh061:contentReference[oaicite:46]{index=46}
National Library of Medicine. (2021). PubMed®: A brief introduction [Fact sheet]. Bethesda, MD: U.S. National Institutes of Health. PubMed comprises more than 33 million citations for biomedical literature from MEDLINE, life science journals, and online books.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Nasirdinova Yorkinoy Abdumuxtarovna
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
(+998)90 142-39-38
m.z.abdutolibov@gmail.com
@universal_jurnal
Андижанская область, Мархаматский район, ул. Кашкар 189