(von Giancarlo De Leo, Berater für medizinisch-wissenschaftliches Publizieren und Digital Health, Partner und Sekretär des Digital Health Observatory der Italian Digital Revolution Association)
Handschrifterkennung, auch bekannt als Handschriftliche Texterkennung (HTR), bezieht sich auf die Fähigkeit einer Software, Handschrift zu interpretieren; es kann auf unterschiedliche Weise erfasst werden: aus Papierdokumenten oder digitalen Bildern statt aus Fotos oder Touchscreen-Geräten und Scannern.
Diese Aktivität, die für den Menschen unmittelbar ist, da sie in unserem Gehirn kodiert ist, ist für eine Software aufgrund der enormen Variabilität der Handschrift je nach Schreiber, Alphabet und Referenzsprache äußerst kompliziert. Darüber hinaus leidet diese Tätigkeit unter dem sogenannten Sayre-Paradoxon, wonach ein kursives Wort, das transkribiert werden soll, zuerst in Zeichen segmentiert werden muss, aber umgekehrt, um in Zeichen segmentiert zu werden, muss es zuerst transkribiert werden.
Insbesondere unterscheidet man die HTR offline, bei der der zu erkennende Text im Bildformat vorliegt und die den Prozess der Umwandlung des in einem Bild vorhandenen Textes in eine für einen Computer verwendbare Folge codierter Buchstaben darstellt (in ein Format, das als maschinenlesbar bezeichnet wird) und die Online-HTR, bei der der zu erkennende Text in Echtzeit von einem Tablet-ähnlichen Gerät erfasst wird und die das gleiche Endziel wie die Offline-HTR hat, aber die Verwendung weiterer verfügbarer Informationen ermöglicht wie Schreibgeschwindigkeit, Druck und Dynamik und sorgt so für bessere Ergebnisse.
Die erste Computersoftware, die das Problem der Handschrifterkennung anging, wurde in den frühen 60er Jahren entwickelt (Guberman 1962), konnte jedoch nur einzelne handgeschriebene Zeichen und keine Schreibschrift lesen; erst Ende der 80er Jahre wurde eine Software entwickelt, die Kursivschrift lesen konnte und die erste kommerzielle Software kam auf den Markt.
Bis heute ermöglichen Techniken auf der Grundlage neuronaler Netze, die dank des Paradigmas des Deep Learning oder Deep Learning angemessen überarbeitet wurden, oder von italienischen Unternehmen patentierte Technologien auf der Grundlage völlig innovativer Ansätze, eine sehr hohe Leistung zu erzielen, insbesondere wenn sie in bestimmten Kontexten verwendet werden , auch wenn sie noch lange nicht mit denen eines Menschen vergleichbar sind.
Verwendung im Gesundheitswesen
Die Anwendungen dieser Technologie im Gesundheitswesen können unterschiedlich sein, mit Vorteilen sowohl für Ärzte, die Entscheidungen treffen müssen, als auch für Patienten, die alle Daten zu ihrer Situation in einer einzigen digitalen Akte haben könnten: der digitalen Krankenakte.
Tatsächlich betrifft die Hauptanwendung im Gesundheitswesen die Umwandlung von Notizen und Notizen, die Ärzte in den verschiedenen Phasen ihrer Tätigkeit auf Papier oder auf Erfassungsgeräten wie Tablets oder Smartphones gemacht haben, in maschinenlesbaren und damit sofort verfügbaren Text die Systeme, Gesundheitsinformationen.
Der Hauptvorteil der Anwendung dieser Technologie besteht darin, Daten zu nutzen und Bedeutung zu verleihen, die sonst ignoriert oder nicht kontextualisiert werden könnten und daher kaum einen Mehrwert darstellen könnten.
Darüber hinaus würde der Prozess der Erfassung und Verwendung solcher handschriftlichen Daten, der heute fast vollständig analog ist, da ein menschlicher Bediener diese Daten manuell in das Informationssystem überträgt, ein Vorgang, der Stunden, wenn nicht Tage dauert, extrem effektiver und effizienter werden und erfordern 60-70 % weniger Zeit als heute, um die Aufgabe zu erledigen.
Diese Technologie wird in Italien auch in anderen Sektoren wie Versicherungen, Post und Banken erfolgreich eingesetzt, um große Mengen handschriftlicher Dokumente in Bezug auf Erstattungsanträge, Schadenmanagement, automatisches Lesen von Schecks und Postanschriften oder Formulare mit a Standardstruktur.
Eine innovative und nützliche Technologie für unsere medizinischen Fachkräfte.