De succesvolle ontsluiting van een medisch tijdschrift via een medisch lexicon

Transcriptie

1 1 De succesvolle ontsluiting van een medisch tijdschrift via een medisch lexicon 0. Inleiding Jeannine Beeken (INL) 1 Hoe ontsluit je via internet meer dan 150 jaar artikelen van het Nederlands Tijdschrift voor Geneeskunde (NTvG) voor medische specialisten en geneeskundestudenten? En hoe zorg je er vervolgens voor dat dezelfde abonnees niet alleen kunnen zoeken naar Nederlandse artikelen maar ook naar bijvoorbeeld relevante, overeenkomstige Engelstalige artikelen? We schetsen in het kort de verschillende stappen die nodig waren om van een lijst van NTvG-trefwoorden tot een elektronisch medisch lexicon te komen. Aan de hand van dit lexicon kunnen alle afleveringen van het Tijdschrift worden doorzocht en geraadpleegd, gewoon door het intikken van een enkel zoekwoord (en dus niet alle mogelijke vorm- en betekenisvarianten). Bovendien kunnen door een druk op de knop meteen ook alle Engelstalige artikelen worden opgevraagd die over hetzelfde onderwerp gaan. We gaan hier niet in op technische zaken zoals de software die het mogelijk maakt om alles via internet te raadplegen. We hebben het in concreto over de constructie van een lexicale databank, meer bepaald over de informatie en de acties die daarvoor moesten worden uitgevoerd. Zo werden 1. alle trefwoorden omgespeld volgens de spellingregels van 1995; 2. alle trefwoorden lexicografisch geüniformeerd; 3. alle synoniemen in clusters verzameld, voorzien van unieke clusternamen; 4. alle clusters gekoppeld aan de Amerikaanse set van Medical Subject Headings (MeSH) 2 via intermediaire Nederlandse vertalingen; 5. alle clusters gekoppeld aan de Amerikaanse MeSH volgens de betekenisrelaties hyperoniem, hyponiem, metoniem en aanverwante betekenis; 6. alle clusters gekoppeld vanuit de richting NTvG > MeSH en vice versa. De databank met zijn clusters en tweewegkoppelingen maakt het mogelijk dat alle relevante artikelen via één zoekwoord (behorend tot een bepaalde cluster) kunnen worden getraceerd. Dat betreft zowel alle artikelen uit het Nederlands Tijdschrift voor Geneeskunde als alle artikelen die gelinkt zijn aan de Amerikaanse MeSH. Daarbij komt nog dat het systeem flexibel genoeg is zodat op gezette tijden talrijke aanvullingen, schrappingen en herzieningen zowel vanuit het NTvG als vanuit de MeSH probleemloos kunnen worden verwerkt. In wat volgt, worden de gehanteerde manuele en (semi-)automatische werkwijzen, de gemaakte keuzen en het geheel aan resultaten beknopt en zonder veel technische details beschreven. 1. Database Het Nederlands Tijdschrift voor Geneeskunde (NTvG) verscheen voor het eerst in Het biedt een schat aan informatie, niet alleen voor medici (in spe), maar ook voor historici,

2 2 sociologen en lexicografen. Er komen niet alleen archaïsche woorden in voor, maar ook wetenschappelijke (soort)namen en benamingen van inmiddels verouderde en vergeten fenomenen, zoals lachgasnarcose, loopgravenvoet, mosterdgas en wisseltonnenstelsel. Een belangrijk aantal trefwoorden zijn persoonsnamen (eponiemen) en plaatsnamen (toponiemen), namen die vrij uniek zijn. Die namen zijn apart gezet omdat op voorhand kon worden voorspeld dat ze moeilijk te clusteren en/of te koppelen zijn. De MeSH-database aan de ene kant bevat geen persoonsnamen, aan de andere kant zijn de NTvG-toponiemen voor het merendeel, op enkele uitzonderingen na, Nederlandse plaatsnamen. Een categorie persoonsnamen bevat de namen van personen die met een bepaalde ziekte, test enz. verbonden zijn. Zo werd bijvoorbeeld A. Alzheimer in de cluster met de ziekte opgenomen en vervolgens met de MeSH gekoppeld. Behalve uit persoons- en plaatsnamen zijn er ook nog de unieke merknamen van geneesmiddelen. Zoals Bicillin (penicilline), Stilbépan (haartonicum) en Betadine (ontsmettingsmiddel). Anders dan bij de persoonsnamen het geval is, zijn merknamen en soortnamen niet met elkaar geclusterd. In de jaren negentig werden alle pagina s vanaf 1857 tot nu op microfilm gezet en vervolgens vanaf microfilm gedigitaliseerd. Niet alleen werden alle teksten geconserveerd, tegelijkertijd werden de eerste stappen gezet om alle beschikbare gegevens elektronisch te ontsluiten. Anders gezegd, er werd een gediversifieerd corpus van zowel historisch als hedendaags materiaal aangelegd, voorzien van meta-informatie zoals publicatiejaar, auteur, onderwerp. Vervolgens werd automatisch een groot aantal trefwoorden ( NTvG-termen ) geselecteerd. Elke term heeft een uniek nummer dat verwijst naar een of meer tijdschriftartikelen. De lijst met ruim NTvG-termen werd aan het Instituut voor Nederlandse Lexicologie (INL) eerst ontdaan van zetfouten en, met inachtneming van enkele afwijkende NTvG-spellingregels, omgespeld volgens de regels van het Groene Boekje uit De trefwoorden werden op hetzelfde moment ook lexicografisch geüniformeerd, d.w.z. dat substantieven, adjectieven etc. in hun lexicografisch canonieke vorm werden gegoten. Daarna werd een aanvang gemaakt met het clusteren van de NTvG-termen en het koppelen van het NTvG aan de MeSH. Clusteren houdt in dat verschillende NTvG-termen die hetzelfde begrip verwoorden, onder een noemer werden verzameld. Een voorbeeld: huisstofmijt, huidziekte en abces, huid werden geclusterd met respectievelijk Dermatophagoides pteronyssinus, dermatose en huidabces. Koppelen houdt in dat NTvGclusters worden gelinkt aan een identieke of in ieder geval verwante term uit de MeSH. De MeSH omvat termen (stand januari 2006). Het grootste deel ervan is medisch van aard, maar ook andere domeinen komen aan de orde. Elke MeSH-heading staat aan het hoofd van een aantal synoniemen dan wel bijna-synoniemen, de zogenaamde print entries. De MeSH-headings bestaan uit een woord of een woordgroep en zijn een voor een naar het Nederlands vertaald; dat geldt ook voor de print entries. 2. Spelling De spelling van de NTvG-termen zoals die voorkomt in de verschillende artikelen over de jaren heen is vaak niet die volgens de spellingregels uit Het lag dan ook de hand om eerst de trefwoorden om te spellen, met uitzondering van enkele categorieën zoals plaatsnamen en persoonsnamen.

3 3 Tijdens de eerste omspelfase werden automatisch alle beginhoofdletters (alle aangeleverde NTvG-trefwoorden hebben een hoofdletter aan het begin van het eerste woord) omgezet naar kleine letters, tenzij uitdrukkelijk anders is aangegeven door bv. pers.naam, toponiem, merknaam, [hl] (bv. voor Duitse substantieven). Hierbij enkele voorbeelden ter illustratie: Angelman-syndroom: [hl] Blankenhorn: pers.naam Blepharospasmus: [hl] Duits Desalgina: merknaam Vervolgens werden alle ingangen, indien nodig, herleid tot de gangbare lexicografische ingang zoals de enkelvoudsvorm, de onverbogen vorm of de infinitief. Alle bijkomende informatie zoals adjectieven na de komma of woorden tussen haakjes werd in zijn oorspronkelijke vorm bewaard. Er werd ook voor gekozen om een grafisch onderscheid te maken tussen het liggend streepje en het weglatingsstreepje. Zo komen voor: Weglatingsstreepje palladium (chloor~) chloor (~palladium) Liggend streepje + weglatingsstreepje placenta (~-ischemie) ischemie (placenta-~) De redactie van het Nederlands Tijdschrift voor Geneeskunde hebben zich ermee akkoord verklaard dat de spellingregels 1995 zo veel mogelijk werden toegepast, enkele categorieën uitgezonderd. Het gaat dan om het volgende: A. liggend streepje bij samenstellingen en afleidingen 1. Tussen een persoonsnaam etc. en een volgend substantief komt een liggend streepje, bv. Jordaan-ziekenhuis, Donders-bundel; 2. Tussen de voornaam en de familienaam van een persoon komt een spatie, bv. Jan Jordaan-ziekenhuis 3 ; 3. In drieledige samenstellingen komt tussen de leden van vreemde woordgroepen een liggend streepje; de vreemde samenstelling en het erop volgende Nederlandse deel worden aaneengeschreven, bv. second-lookoperatie, arteria-carotisobstructie; 4. co, bi, di, tri, tetra, penta, hexa etc. krijgen bij klinkerbotsing altijd een trema, bv. coënzym, diëthyl. B. hoofdletter 1. De wetenschappelijke namen van bacteriën, plantengeslachten en schimmels worden beschouwd als eigennamen, bv. Helicobacter pylori en Helicobacter pylori-stam;

4 4 2. Een gelatiniseerde persoonsnaam gebruikt als adjectief in een woordgroep wordt met hoofdletter geschreven tenzij het hoofdwoord al een hoofdletter heeft, bv. papilla Vateri, Salmonella thompson. C. suffix -oïd Anders dan het geval is bij de substantieven in het Groene Boekje 1995 werd de eind-e overal weg te gelaten, behalve bij het verbogen adjectief, bv. adenoïd. D. genitiefvormen Woordgroepen zoals Cronbachs a of Bellse parese worden herschreven tot Cronbach-a en Bell-parese. E. tussenletter Woorden op -ase, -ine en -ide krijgen geen tussen-n in samenstellingen, bv. cholinesteraseremmer. 3. Clusteren De bedoeling van het clusteren is de NTvG-termen in groepen te organiseren volgens verschillende semantische relaties. Termen die óf vormelijk óf semantisch bij elkaar horen worden in dezelfde cluster gezet. In het meest ideale geval gaat het om synoniemen (bv. bronst oestrus). Zo bestaat de cluster met clusternaam boulimia nervosa uit de volgende leden: bulimia nervosa boulimie eetlust (overmatige) fames canina vraatzucht boulimia nervosa Zoals gezegd, worden de verschillende trefwoordvarianten en spelvormen van een woord in dezelfde cluster gezet. Bijvoorbeeld: afwijking, aangeboren, stofwisseling stofwisseling, aangeboren afwijking aangeboren afwijking, stofwisseling stofwisselingsstoornis (aangeboren) blefaritis Blepharitis omgespeld blefaritis In geval van homoniemen worden de identieke clusternamen voorzien van een getal ter onderscheiding. Het gaat dan om zogenaamde homoniemenclusters. Een voorbeeld:

5 5 EEG(1) (alle termen m.b.t. elektro-encefalogram) EEG(2) (alle termen m.b.t. Europa) EEG (alle termen, zowel die m.b.t. elektro-encefalogram als die m.b.t. Europa) In principe worden enkel synoniemen geclusterd, dus bijvoorbeeld niet gezwel met tonggezwel of gezwel, tong. Een uitzondering hierop vormen die elementen waarbij het bereik van toepassing nader wordt gespecificeerd, zoals in dysplasie en dysplasie (hond), elektrocardiogram en elektrocardiogram, kind. Hierna volgen enkele voorbeelden van gevallen waarin wel en niet werd geclusterd. A. wel clusteren dysplasie en dysplasie (hond) i.t.t.dysplasie en dysplasie (heup) (dysplasie van de heup). elektrocardiogram en elektrocardiogram, kind i.t.t. elektrocardiogram en elektrocardiogram, foetus (omdat hiervoor een specifieke techniek vereist is). onder afdelingsnieuws vallen Tilburg, afdelingsnieuws, Voorburg, afdelingsnieuws, Winschoten, afdelingsnieuws i.t.t. jaarverslag waaronder noch orthodontie, jaarverslag noch verloskunde, jaarverslag vallen cirkel en ronde cirkel B. niet clusteren het type chemische stof X en het type chemische stof X, vergiftiging, aangezien de ene term specifieker dan de andere; obliteratie en obliteratiebehandeling omdat de kern verschilt; de variant kwaadaardig met de variant goedaardig bij o.m. carcinoom, gezwel, tumor. 4. Koppelen van NTvG aan MeSH Eerst wordt beknopt ingegaan op de structuur van de MeSH. Vervolgens wordt vrij gedetailleerd ingegaan op de koppelingsactie zelf. De MeSH-termen zijn georganiseerd in een boomstructuur met 16 hoofdtakken: 1. anatomie (A) 2. organismen (B) 3. ziekten (C) 4. cemicaliën en medicijnen (D) 4 5. analytische, diagnostische en therapeutische technieken en materialen (E) 6. psychiatrie en psychologie (F) 7. biowetenschappen (G) 8. bètawetenschappen (H)

6 6 9. antropologie, educatie, sociologie en maatschappelijke verschijnselen (I) 10. technologie en levensmiddelen (J) 11. geesteswetenschappen (K) 12. informatiewetenschappen (L) 13. personen (M) 14. gezondheidszorg (N) 15. eigenschappen van publicaties (V) 16. toponiemen (Z) De hoofdtakken vertakken in maximaal 11 niveaus, waardoor de taxonomie steeds fijnmaziger wordt. Elke MeSH-term komt minstens eenmaal voor in de boomstructuur. Een MeSH-term kan echter ook op verschillende plaatsen voorkomen. De boomstructuur is vooral bedoeld als een praktisch instrument voor het indexeren van artikelen of als onderlegger voor zoekacties in een database van medische termen gelinkt met vakpublicaties. Wie met behulp van de MeSH-boom een artikel indexeert, wordt geacht voor de meest specifieke term te kiezen. Gaat een artikel bijvoorbeeld over de bacteriesoort Streptococcus pneumoniae, dan wordt verwacht dat de term Streptococcus pneumoniae gekozen wordt, en niet de overkoepelende term Streptococcus. Een artikel over een nieuw ontdekte Streptococcus, die nog niet in de MeSH zou zijn opgenomen, zou wel direct met de term Streptococcus geïndexeerd worden. Iedere term heeft een eigen, unieke code die zijn exacte positie in de boom aangeeft. Als er nieuwe termen worden toegevoegd of als de hiërarchie van het boomdiagram wordt gewijzigd, verandert ook het nummer (zie verderop 6. Toevoegen nieuwe termen). De stap volgend op het clusteren van de NTvG-termen is die van het koppelen van de NTvG-clusters aan de bestaande MeSH-boom oftewel MeSH-taxonomie. Door deze actie wordt de vlakke NTvG-clusterstructuur gehiërarchiseerd, daarbij gebruikmakend van een bestaand internationaal erkend systeem: de MeSH (Medical Subject Headings). De MeSH bestaat zelf ook uit clusters: de clusternaam wordt de heading genoemd, de clusterleden zijn print entries. Een koppeling linkt telkens een NTvG-cluster (incl. alle leden) aan een of meer MeSH-clusters (incl. alle leden). Met andere woorden, alle leden van een cluster krijgen dezelfde koppelingen. Normaal gesproken behoort een bepaalde NTvGterm ook maar tot één cluster. Daarop zijn, zoals gezegd, enkele uitzonderingen zoals homoniemen en bepaalde clusters met eigennamen. Idealiter wordt een NTvG-cluster gekoppeld aan een vertaalde MeSH-heading met dezelfde betekenis, en die soms zelfs dezelfde vorm heeft. We spreken dan van een identieke koppeling, zoals bij couveuse en Couveuse gynaecologisch gezwel en Geslachtsorgaan, tumor van het vrouwelijk (MeSH) Identieke koppelingen blijken echter niet altijd mogelijk. Vaak kan slechts worden gekoppeld met een heading die ofwel een meer algemene (vaak een hyperoniem) ofwel een meer specifieke (vaak een hyponiem of metoniem) betekenis heeft. Die relaties worden gemarkeerd als respectievelijk +1 en -1. Enkele voorbeelden:

7 7 +1: -1: Tomaat (MeSH) is algemener dan tomatensap (NTvG) Ziekte, tong- (MeSH) is algemener dan tong(-zweer) (NTvG) Apenpokkenvirus (MeSH) is specifieker dan apenpokken (NTvG) Acute monocytaire leukemie en Chronische monocytaire leukemie (MeSH) zijn specifieker dan monocytenleukemie (NTvG) Een vierde mogelijkheid van koppelen gaat volgens het zogenaamde driehoeksprincipe via het hyperoniem, in de database weergegeven als +1;-1. Het gaat daarbij vanzelfsprekend om betekenisverwanten. Krukje en stoel staan bijvoorbeeld in een dergelijke relatie. De driehoek werkt als volgt: een niveau hoger dan krukje staat zitmeubel (hyperoniem), een niveau lager dan zitmeubel staat stoel. Koppelingen met +1, -1 of +1;-1 mogen meermals en naast elkaar gebruikt worden. Ze zijn, dat spreekt voor zich, niet combineerbaar met een identieke koppeling. We geven enkele voorbeelden van de bovengenoemde drie verbanden. geneesmiddel (NTvG) X ziekte (MeSH) = +1 fumaarzuur (NTvG) X psoriasis (MeSH) dat wat geopereerd wordt (NTvG) X operatie (MeSH) = +1 darm (wormvormig aanhangsel) (NTvG) X appendectomie (MeSH) instrument (NTvG) X bijbehorende techniek (MeSH) = +1 laryngoscoop (NTvG) X laryngoscopie (MeSH) plant(endeel) (NTvG) X (natuur)geneesmiddel (extract) (MeSH) = -1 wonderboom (NTvG) X wonderolie (MeSH) ziekte/aandoening (NTvG) X verwekker (MeSH) = -1 tinea capitis (NTvG) X trichophyton schoenleinii (MeSH) Tot slot nog enkele voorbeelden van veelvoudige koppelingen en van 1;-1-koppelingen. coxartritis X artritis = +1 en coxartritis X heup = +1 hemagglutinatie X agglutinatie = +1 en hemagglutinatie X test, hemagglutinatie- = -1 hemagglutinatieremmingsproef X hemagglutinatieremmingsreactie (HAR) = +1;-1 neurohumorale transmissie X transmissie, synaptische = +1;-1 Samengestelde NTvG-termen waarvoor geen identieke koppeling kon worden aangebracht, worden gekoppeld aan elk van de delen waaruit de term is samengesteld. De beide koppelingen krijgen dan +1 mee. Een voorbeeld: geslachtsorgaan (mannelijk, misvorming) is via +1 gekoppeld aan Genitalia, mannelijke en Afwijking, aangeboren

8 8 5. Koppelen van MeSH aan NTvG Door deze actie wordt het mogelijk het aantal koppelingen te maximaliseren, dit keer met de MeSH als bron. Het is daarbij echter niet toegestaan om alles uit de MeSH wat aan een NTvG-cluster gekoppeld zou kunnen worden, er ook daadwerkelijk aan te koppelen. Immers, de bestaande, zorgvuldig opgezette clusterstructuur (zie koppelen NTvG MeSH) mag niet worden gecorrumpeerd. Dus, als een NTvG-cluster identiek gekoppeld is met een MeSHheading, dan wordt daar verder niets meer aan toegevoegd, ook al zou dat op semantische gronden kunnen. Er is bij deze actie eerder sprake van eenrichtingsverkeer vanuit twee kanten bekeken dan van echt tweerichtingsverkeer. Immers, uitsluitend de MeSH-termen zijn in een wijdvertakte boomstructuur ondergebracht. De NTvG-termen zijn oorspronkelijk oppervlakkig georganiseerd (in de zogenaamde clusters), en worden vervolgens hiërarchisch en relationeel gepositioneerd via het koppelen aan de MeSH-termen. Nemen we als voorbeeld uit de MeSH: Tandlijst. De oorspronkelijke Engelse term is Alveolar process. In de NTvG-clusterlijst komt processus alveolaris voor. De NTvG-cluster processus alveolaris kan identiek worden gekoppeld aan de MeSH-heading Tandlijst. Vervolgens moet worden nagegaan of er nietidentieke koppelingen met processus alveolaris aanwezig zijn uit de actie NTvG -> MeSH. Is dat het geval, dan worden die koppelingen verwijderd ten gunste van de identieke koppeling. 6. Toevoegen nieuwe termen Jaarlijks vindt er een update van de NTvG-termen plaats. Nieuwe NTvG-termen worden eerst omgespeld, vervolgens geclusterd en dan gekoppeld via de twee richtingen. Ze kunnen probleemloos aan bestaande clusters toegevoegd worden; ze worden op die manier meteen ook aan dezelfde MeSH-termen gekoppeld. Zo werd in de laatste update de NTvG-term sterven toegevoegd aan de cluster dode, bestaande uit 19 leden. Sterven erft zo meteen ook de aanwezige koppelingen met Kadaver, Dood/overlijden, Sterfte, kinder- en Mortaliteit. Is er geen cluster voorhanden waarin de nieuwe term kan worden toegevoegd, dan wordt een nieuwe cluster gecreëerd, met maar één lid, de nieuwe term. Een voorbeeld hiervan is schildkliercarcinoom, papillair, gekoppeld aan Carcinoom, papillair adeno- (+1;-1), Carcinoom, papillair (+1) en Tumor, schildklier- (+1). Ook de MeSH wordt op gezette tijden geüpdatet. Soms veranderen daarbij termen van positie in de boom, soms verdwijnen er termen, meestal komen er vele nieuwe termen bij. Bij de laatste MeSH-update bleek dat ca NTvG-clusters gekoppeld waren aan een gewijzigde MeSH-term. Per koppeling kon automatisch worden aangegeven of de bedoelde MeSH-term verplaatst dan wel vervallen was. Een verplaatste term werd vervolgens automatisch gelokaliseerd en manueel geverifieerd. In geval van een verdwenen MesH-term, verdwijnt meteen ook de MeSH-code. Meestal wordt tegelijkertijd met een verdwenen term een nieuwe vergelijkbare term opgenomen, bv. een synoniem of een term die de gewenste lading beter dekt. Die nieuwe term staat meestal op een andere plaats in de boom in vergelijking met de verdwenen term. Problematischer is de situatie waarbij een MeSH-term verdwijnt en niet door een andere term vervangen wordt. In beide gevallen moet de overeenkomstige NTvG-cluster opnieuw worden gekoppeld.

9 9 7. Nawoord Het is de verdienste van Piet van Sterkenburg dat hij eind de jaren 90, samen met de redactie van het Nederlands Tijdschrift, het initiatief heeft genomen om een elektronisch medisch lexicon te ontwikkelen dat als lexicon bruikbaar is voor zowel de menselijke gebruiker als voor computerprogrammatuur en dat als taalkundig verrijkt hulpmiddel kan worden ingezet bij zoekacties door medische specialisten die, wanneer ze het woord aambei intikken, alle NTvG-artikelen van de afgelopen 150 jaar te zien krijgen die geïndexeerd werden onder de termen Aambei, Aambeien, Haemorrhoïdaal-zweren, Haemorrhoïde, Haemorrhoïden, Hemorroïd, Hemorroïde, Hemorroïden, en, desgewenst, met een druk op de MeSH-knop alle Engelstalige artikelen kunnen consulteren die gaan over aambeien. 1 Mijn uitdrukkelijke dank gaat uit naar Dirk Glandorf, Katrien Van pellicom, Bart Roelandts en Veronique Verreycken die het NTvG-project hebben uitgevoerd en die mij van de nodige voorbeelden en de noodzakelijke documentatie hebben voorzien. 2 Een medische terminologielijst ontwikkeld door de National Library of Medicine (Bethesda) die is uitgegroeid tot een internationale standaard. Jaarlijks worden er honderden concepten toegevoegd; op geregelde tijdstippen vindt een update en herschikking plaats. Sinds 1999 is de MeSH-databank gratis te raadplegen op het internet ( 3 Dit is nu de algemene regel volgens de aangepaste spelling van De termen van de D-tak zijn niet vertaald en maken dus ook geen deel uit van de database. Dat heeft tot gevolg dat de NTvG-termen die chemicaliën en geneesmiddelen verwoorden meestal niet gekoppeld konden worden.