ISSN: 2165- 7866
మోగెస్ త్సెగావ్ మెలెస్సే*, గిజాటీ డెసాలెగ్న్ తాయే, గెజాహెగ్న్ ములుసేవ్
పెరుగుతున్న డేటా పరిమాణం, నిర్మాణాత్మక సమాచారం లేకపోవడం మరియు సమాచార వైవిధ్యం కారణంగా వైద్య సమాజానికి సేవ చేసే ప్రయత్నంలో సమాచారం మరియు జ్ఞాన నిర్వహణ తీవ్రమైన సమస్యగా మారింది. క్లినికల్ వైద్యులు ఏదైనా క్లినికల్ ఫ్రీ టెక్స్ట్లో చేర్చబడిన సమాచారాన్ని తెలుసుకోవాలి, కానీ మొత్తం అంశాన్ని చదవడానికి సమయం ఉండదు. ఈ సమస్యను స్వయంచాలక టెక్స్ట్ సారాంశం సాంకేతికతను ఉపయోగించడం ద్వారా తగ్గించవచ్చు, ఇది సమాచారం యొక్క సమగ్రతను కొనసాగిస్తూ అవసరమైన సమయాన్ని తగ్గిస్తుంది. రిడెండెన్సీని గుర్తించడం అనేది ఇంకా పరిష్కరించబడని సమస్య, మరియు ఫ్రాగ్మెంటేషన్ సమర్థవంతమైన క్లినికల్ సారాంశాన్ని రూపొందించడం మరింత కష్టతరం చేస్తుంది. మేము ఈ పనిలో ఆటోమేటిక్ క్లినికల్ ఫ్రీ టెక్స్ట్ సారాంశాన్ని ప్రతిపాదిస్తున్నాము. పరిశోధకుడు క్లినికల్ ఫ్రీ టెక్స్ట్లను సంగ్రహించడానికి ర్యాంక్ మరియు మసక లాజిక్ అల్గారిథమ్ల కోసం ఐదు వెలికితీత రేట్లను ఉపయోగిస్తాడు. ఫలితంగా, సారాంశం రేట్లు పది శాతం, ఇరవై శాతం, ముప్పై శాతం, నలభై శాతం మరియు యాభై శాతం. ఐదు ఎక్స్ట్రాక్టివ్ సారాంశాలలో ర్యాంకింగ్ అల్గోరిథం అత్యధిక ఖచ్చితత్వాన్ని 43.52 శాతం కలిగి ఉంది, అయితే మసక లాజిక్ పద్ధతి 43.88 శాతం ఉత్తమ ఖచ్చితత్వాన్ని కలిగి ఉంది. ఫజ్జీ లాజిక్ ఎక్స్ట్రాక్టివ్ సారాంశం ర్యాంక్ అల్గారిథమ్ ఎక్స్ట్రాక్టివ్ సారాంశాన్ని అధిగమిస్తుందని ఫలితం చూపింది. మసక తర్కం సంఖ్యల కంటే పదాలతో కంప్యూటింగ్ చేయాలనే ఆలోచనపై స్థాపించబడింది, ఎందుకంటే పదాలు సంఖ్యల కంటే తక్కువ ఖచ్చితమైనవి. భాషా చరరాశులను ఉపయోగించి, అస్పష్టమైన తర్కం మానవ తార్కికతను అనుకరించటానికి ప్రయత్నిస్తుంది. ఫలితం చాలా తక్కువ; అందువల్ల వైద్య అభ్యాసకులు ఆమోదించే సంతృప్తికరమైన పనితీరును ఉత్పత్తి చేయడానికి పర్యవేక్షించబడే అల్గారిథమ్లను ఉపయోగించాలని మేము సూచిస్తున్నాము. వివిధ రకాల డొమైన్-నిర్దిష్ట అంశాలను పరిశీలించడం ద్వారా మరియు వైద్య సంస్థలను గుర్తించే పద్ధతులను మెరుగుపరచడం ద్వారా సిస్టమ్ పనితీరును మరింత మెరుగుపరచవచ్చు.