غربالگری رتینوپاتی و خلاصه‌ساز پزشکی فارسی (CV + Clinical NLP + HIS)

این طرح یک راهکار یکپارچهٔ بینایی ماشین + پردازش زبان طبیعی فارسی برای غربالگری رتینوپاتی دیابتی و خلاصه‌سازی ساخت‌یافتهٔ پرونده (SOAP) ارائه می‌دهد. ورودی‌ها شامل تصاویر فوندوس (Fundus) و متون پروندهٔ بیمار است؛ خروجی‌ها عبارت‌اند از: تریاژ خودکار (ارجاع فوری/عادی/رد) با حساسیت هدف ≥۹۰٪ برای موارد قابل‌ارجاع، کنترل کیفیت تصویر (Focus/Exposure)، و خلاصهٔ بالینی فارسی با استخراج علائم، تشخیص‌های افتراقی، داروها و توصیه‌ها. سامانه به‌صورت On-Prem و یکپارچه با PACS/HIS پیاده‌سازی می‌شود و بار متخصص را ۲۰–۳۰٪ کاهش می‌دهد.

شیوع دیابت در حال افزایش است و پوشش غربالگری دوره‌ای چشم محدود؛ تأخیر در ارجاع سبب افت بینایی غیرقابل‌برگشت می‌شود. از سوی دیگر، اسناد بالینی فارسی طولانی و ناهمگن‌اند و خلاصه‌سازی دستی زمان‌بر است. راهکار حاضر شکاف «تشخیص به‌موقع» و «کیفیت مستندسازی» را هم‌زمان هدف می‌گیرد.

• حساسیت موارد قابل‌ارجاع (Referable DR): ≥۹۰٪؛ ویژگی ≥۸۵٪.
• نرخ تصاویر قابل‌استفاده پس از QC: ≥۹۵٪ (با بازگرفتن هوشمند).
• کاهش زمان تکمیل یادداشت SOAP: ۳۰–۵۰٪.
• افزایش پوشش غربالگری سالانهٔ بیماران دیابتی: ≥۲۵٪.

• ماژول تصویری (CV): کنترل کیفیت (Blur/Glare/Crop)، طبقه‌بندی DR (No/Mild/Moderate/Severe/PDR)، و کشف ضایعات (Microaneurysm/Exudate/HEM).
• NLP فارسی: نرمال‌سازی، تشخیص نهادهای پزشکی (علائم/تشخیص/دارو/آزمایش)، خلاصه‌سازی به قالب SOAP، نگاشت کدها (ICD-10/ATC).
• یکپارچگی: DICOM به PACS، HL7/FHIR به HIS/EMR، RBAC و ممیزی.
• استقرار: On-Prem/Private Cloud، Docker/K8s، رمزنگاری at-rest/in-transit.

تصاویر فوندوس با رزولوشن استاندارد، متادیتای دستگاه، و متون پروندهٔ فارسی (ویزیت، پرستاری، آزمایش) وارد «دریاچهٔ داده» می‌شود. De-ID خودکار برای محتوای آموزشی/اعتبارسنجی فعال است. پروتکل QC با بازخورد بلادرنگ به اپراتور دوربین، نسبت تصاویر قابل‌استفاده را بالا می‌برد.

1. ثبت بیمار و دریافت تصاویر؛ QC بلادرنگ و پیشنهاد بازگرفتن در صورت نیاز.
2. طبقه‌بندی DR و تعیین ارجاع؛ تولید «Report» با شواهد تصویری (Heatmap/Callout).
3. پردازش متن‌های پرونده؛ تولید خلاصهٔ SOAP و چک‌لیست اقلام ناقص.
4. ارسال خروجی به HIS/PACS؛ ثبت KPI و پیگیری ارجاعات.

• ماه ۱: جمع‌آوری داده، اتصال PACS/HIS، تعریف KPI و Baseline.
• ماه ۲–۳: آموزش/تنظیم مدل‌ها، تست میدانی محدود و بازخورد متخصص.
• ماه ۴: Go-Live در مراکز منتخب؛ آموزش کاربران؛ مانیتورینگ.

نمونه: ۱۵۰۰۰ بیمار دیابتیِ غربالگری سالانه؛ با حساسیت ≥۹۰٪، موارد قابل‌ارجاع کم‌تر از دست می‌روند (کاهش Late Referral). صرفه‌جویی زمانی پزشک/کارشناس برای SOAP ۴ دقیقه به‌ازای هر پرونده ⇒ ~۱۰۰۰ ساعت/سال. ارزش‌گذاری برحسب تعرفه و کاهش مراجعات دوباره، بازگشت سرمایهٔ مستقیم در سال اول محتمل است.

• Bias داده‌ای/دستگاهی → کالیبراسیون چندمرکزی، تست تطبیقی.
• False Negative در موارد مرزی → آستانهٔ محافظه‌کارانه + مرور انسانی.
• پذیرش کاربر → طراحی UX بالینی و آموزش هدفمند.

• مدل‌های CV/NLP، داشبورد KPI بالینی، گزارش‌های استاندارد.
• اتصال PACS/HIS، مستندات فنی/کلینیکی، SOP و آموزش.

• Accountable: دانشگاه علوم پزشکی/بیمارستان.
• Responsible: شبکه هوشمند ابتکار ویستا.
• Consulted: چشم‌پزشک/انفورماتیک پزشکی.
• Informed: مدیریت بالینی/IT.

• Hero: اسلیت‌لمپ و مانیتور با فوندوس Heatmap، تونالیتهٔ آبی/نقره‌ای.
• SOAP: کارت فارسی SOAP در UI تمیز و خوانا.
• PACS: تصویر DICOM با آنوتیشن ضایعات.