Introduction

1. Le Catalogue et Index des Sites Médicaux Francophones2 (CISMeF)

1L’Internet est devenu une source abondante de documents de toutes sortes, en particulier dans le domaine de la santé. C’est dans ce contexte que le catalogue CISMeF (Darmoni et al. 2001) a été développé en 1995 pour assister les professionnels de santé, les étudiants en médecine et le grand public dans leur recherche d’information de santé sur l’Internet. Le catalogue décrit et indexe les principales ressources institutionnelles de santé en français. A ce jour3, 14 609 ressources ont été sélectionnées par une équipe de cinq documentalistes et la mise à jour du catalogue s’effectue au rythme de 50 nouvelles ressources par semaine. Une ressource peut être un site ou une page Web, un cours, un article, un rapport : tout support de source institutionnelle qui contient des informations relatives à la santé. La description de ces ressources se fait à l’aide de notices en se fondant sur un ensemble de métadonnées et une terminologie structurée semblable à une ontologie documentaire du domaine médical détaillée dans (Soualmia et al., 2002). Un exemple de notice est donné en Figure 1. Lors de l’élaboration d’une notice, la tâche la plus coûteuse en temps est l’indexation de la ressource à l’aide de mots clés. Crucial pour la recherche d’information dans le catalogue, ce travail met en jeu de solides connaissances métier dans le domaine de l’analyse documentaire d’une part, et du vocabulaire contrôlé utilisé pour l’indexation d’autre part, c’est-à-dire le MeSH.

Figure 1 : Notice courte CISMeF pour la ressource « Diabète de type 2 »*

2. Medical Subject Headings : le thésaurus MeSH4

2Il existe dans le domaine bio-médical différentes terminologies adaptées à des usages bien précis. Ainsi, la Classification Internationale des Maladies (CIM)5 sera utilisée pour le codage médico-économique des dossiers médicaux (à des fins budgétaires), la Terminologie Clinique SNOMED6 pour l’encodage (plus fin et plus médical qu’avec la CIM) des dossiers électroniques des patients, ou encore le thésaurus MeSH pour l’indexation et la recherche documentaire. Ce trois thésaurus (ainsi que 70 autres) sont réunis dans le métathésaurus UMLS (Unified Medical Language System). L’équipe CISMeF participe au projet VUMeF dont l’objectif est d’augmenter la part du français dans l’UMLS (Darmoni et al., 2003).

3Développé par la NLM (National Library of Medicine) américaine, le MeSH compte plus de 22 000 mots clés et 83 qualificatifs dans sa version 2005. Les termes (mots clés et qualificatifs) sont organisés hiérarchiquement dans quatorze arborescences thématiques (anatomie, organismes, maladie, …) Dans ces arborescences, la relation père-fils correspond à une particularisation des concepts : relation « est une partie de » (par exemple, <main> → <doigt>), « est un type de » (par exemple, <doigt> → <pouce>), ou même une relation plus difficile à définir (par exemple, <accident> → <sécurité>). Ainsi, les termes les plus hauts dans les arborescences correspondent à des concepts généraux, et les termes situés au niveau des feuilles correspondent à des concepts spécifiques. Il existe jusqu’à 11 niveaux de profondeur. Il faut remarquer qu’un même terme est susceptible d’appartenir à plusieurs arborescences. Par exemple, le mot clé <alcoolisme> appartient aux arborescences « maladie » et « troubles mentaux ».

4D’un point de vue linguistique, les termes MeSH peuvent être classés en trois catégories. On recense :

51. des noms simples

eg. <diabète>, <main>, <grossesse>

62. des noms composés (syntagmes nominaux libres et noms composés généralisés)

<bain de bouche>, <acide acétique>, <avant bras>

<déchets dangereux>, <hémodialyse à domicile>, <prévention et contrôle>

73. des expressions typiques du langage documentaire – bien que ces termes ne soient pas des syntagmes nominaux grammaticalement corrects, ils dérivent généralement de noms composés. Nous indiquons les noms composés grammaticaux entre guillemets pour chaque exemple.

eg. <Alzheimer, maladie>/ « maladie d’Alzheimer », <enfant âge pre-scolaire>/ « enfant d’âge pré-scolaire », <moule (zoologie) >/ « moule au sens de la zoologie, et par opposition à l’objet du même nom »

8La notion de nom composé, et plus généralement de mot composé est très controversée. Pour plus de précisions, nous invitons le lecteur à se reporter à la discussion de (Savary, 2000) sur ce point. Le problème de la distinction entre nom composé et syntagme nominal libre y est également abordé. Par ailleurs, (Silberztein, 1993a) propose quatre critères permettant de distinguer les groupes nominaux libres des noms composés généralisés. Dans le contexte du développement de dictionnaires électroniques du français, l’auteur justifie la lexicalisation de tous les noms composés, qui sont inclus dans les dictionnaires. Dans le cadre plus particulier de notre application (indexation automatique à l’aide d’un vocabulaire contrôlé), ce choix est d’autant plus pertinent que d’une part, nous cherchons à associer des groupes nominaux à des clés d’index particulières (les termes MeSH), ce qui nécessite un recensement de tous les groupes nominaux concernés et d’autre part, ces groupes nominaux ont justement été choisis comme des mots clés d’un vocabulaire contrôlé parce qu’ils reflètent une institutionnalisation de l’usage dans le domaine médical. Il ne s’agit donc jamais de groupes nominaux libres en tant que tels. Par exemple, le mot clé <soins longue durée> en principe exprimé par le syntagme nominal « soins de longue durée » est fréquemment employé tel quel dans les rapports officiels.

9Pour bien rendre compte de la diversité des termes à traiter, il faut également remarquer que, bien que la plupart des termes MeSH soient composés de 1 à 3 lemmes, certains peuvent être plus longs (par exemple, <complexe protéique adaptateur, sous-unité alpha> comporte 5 lemmes) Nous indiquons dans le tableau ci-dessous la répartition des mots clés MeSH en fonction de leur longueur en lemmes.

10L’INSERM (Institut National de la Santé Et de la Recherche Médicale) a élaboré une version française du MeSH7, issue de la traduction du MeSH américain. C’est cette version qui est utilisée par l’équipe CISMeF pour indexer les ressources recensées par le catalogue. Dans le cadre de VUMeF, l’équipe CISMeF a créé 2 236 synonymes de termes MeSH, et traduit4 316 définitions de mots clés.

3. Indexation à l’aide du thésaurus MeSH

11Une première liste officielle de descripteurs a été publiée par la National Library of Medicine en 1954, et regroupait des termes issus de plusieurs listes de termes médicaux existantes. Une version revue et corrigée publiée en 1960 constitue le premier thésaurus MeSH. Elle contient 4 400 termes, contre 22 995 pour la version 2005. Ainsi, le MeSH a été conçu comme un vocabulaire contrôlé dynamique, créé et mis à jour dans le but d’indexer les articles des principales revues médicales internationales. La base de données bibliographique MEDLINE regroupe aujourd’hui plus de 12 millions d’articles (en anglais) indexés depuis 1960 à l’aide des descripteurs MeSH par les indexeurs professionnels de la NLM. Le projet CISMeF permet d’étendre ce travail aux ressources disponibles gratuitement sur l’internet en français.

12L’indexation à l’aide du MeSH est une tâche complexe, qui exige une connaissance approfondie du domaine médical, du thésaurus, et des règles d’indexation qui le régissent. Ces règles, détaillées par la NLM8, décrivent l’utilisation des qualificatifs, de certains descripteurs dit « obligatoires », aident l’indexeur à choisir un terme au degré de spécificité adapté, etc. Un rapport de l’INSERM (Dailland et al. 2003) reprend ces principes pour l’indexation à l’aide du MeSH français. Il faut remarquer que ces directives tiennent compte dans une certaine mesure des besoins en information des utilisateurs avérés de MEDLINE, à savoir principalement des scientifiques (chercheurs et médecins). Par exemple, les descripteurs obligatoires permettent une sélection efficace des ressources concernant la médecine humaine ou vétérinaire, et dans le premier cas, une sélection sur la classe d’age du patient.

13Par ailleurs, depuis 1995, l’équipe CISMeF a proposé plusieurs améliorations du thésaurus MeSH afin de l’adapter à l’hétérogénéité des ressources issues de l’Internet (Douyère et al., 2004).

4. Objectif des travaux présentés

14Etant donné le nombre croissant de ressources mises en ligne chaque jour, il est nécessaire de pouvoir disposer d’outils automatiques pour l’indexation. De nombreux travaux ont été réalisés dans ce sens pour traiter des textes de tous domaines comme le système FASTR (Jacquemin, Royauté, 1994) ou plus spécifiquement dédiés à la santé, comme les projets Indexing Initiative (Aronson et al. 2000) et Indexing Aid (Humphrey, Miller 1987), ou les systèmes HONselect (Gaudinat, Boyer 2002) et NOMINDEX (Pouliquen 2002), ou encore des combinaisons de systèmes d’indexation (Ruch et al. 2003).

15Dans le cadre du développement du système d’indexation automatique (Névéol, 2004) pour le Catalogue et Index des Sites Médicaux Francophones, nous avons été amenée à formaliser et enrichir les ressources terminologiques de santé à notre disposition afin de les rendre exploitables par le système d’indexation. Celui-ci intègre certaines fonctionnalités d’INTEX (Silberztein, 1993b), utilisées dans la partie d’analyse de la ressource à indexer. En effet, la première étape du processus d’indexation consiste en une analyse de surface qui permet de localiser des éléments textuels se rapportant à des mots clés ou à des paires de descripteurs MeSH.

16Ainsi, nous avons pu construire des dictionnaires électroniques MeSH au format DELA, comprenant notamment 2621 « maladies », et une bibliothèque de graphes permettant notamment de reconnaître les descripteurs obligatoires relatifs aux groupes d’âge.

I. Construction des dictionnaires

1. Contenu des dictionnaires

17Dans le cadre de l’indexation automatique, les dictionnaires « MeSH » doivent tout d’abord nous permettre de repérer les termes MeSH sous les diverses formes qu’il peuvent prendre en langue naturelle. Après ce repérage de « surface », nous souhaitons mettre ne œuvre une analyse plus fine des concepts sous-jacents. Ainsi, les dictionnaires doivent également recenser des informations plus précises sur les termes rencontrés, telles que la nature exacte (est-ce un mot clé ou un qualificatif ?) ou le type de concept désigné (est-ce une maladie, un organe, un vaccin, etc.). Nous présentons ci-dessous la manière dont toutes ces informations ont été encodée dans les dictionnaires élaborés.

2. Un format « à la DELA »

18Originellement développés aux Laboratoire d’Analyse et de Description Linguistique (LADL) par B. Courtois et M. Silberztein, les Dictionnaires Electroniques du LADL (DELA) sont destinés à être utilisés par des programmes informatiques de traitement de la langue naturelle. Il existe plusieurs formes de DELA9 – les DELAS (pour les mots simples, et DELAC pour les mots composés) qui contiennent les formes canoniques des lemmes, ainsi que le code de la table lexique-grammaire s’y rapportant. Ces informations permettent de fléchir le lemme et d’obtenir un dictionnaire des formes fléchies ou DELAF (resp. DELACF pour les mots composés).

19Une entrée de dictionnaire au format DELAF se présente sous la forme suivante :

FormeFléchie, FormeCanonique. InformationSyntaxiqueEtLexi cographique

20Chaque entrée contient trois types d’information :

• La forme fléchie d’une entrée

• La forme canonique à laquelle on peut rapporter les formes fléchies

• Les informations lexicographiques et syntaxiques propres à l’entrée définie par les formes « fléchie » et « canonique »

21La forme « fléchie » est séparée de la forme « canonique » par une virgule. La forme canonique est séparée de l’information syntaxique et lexicographique par un point. Pour les besoins de notre problématique (indexation automatique), nous avons utilisé un format légèrement différent du format DELA standard. En effet, après l’analyse du texte pour en extraire les concepts abordés, nous devons « traduire » ces concepts à l’aide des descripteurs MeSH. Nous utilisons donc les termes MeSH comme forme standard (ou forme canonique) à laquelle ramener les lemmes des formes fléchies. Dans certains cas, les entrées s’avèrent strictement identiques au format DELA standard :

eg : diabete, diabete. N+Conc+z1 : ms

Et dans d’autres, pas :

eg : antifongique, antifongiques. N : ms (vs. antifongiques, antifongique. N : mp – format DELAF standard)

22Par ailleurs, nous avons fait le choix de constituer un dictionnaire désaccentué pour deux raisons. Tout d’abord, le MeSH français n’était pas entièrement accentué dans sa version 2002, disponible au début de nos travaux. Par ailleurs, les ressources sur lesquelles nous travaillons sont issues de l’internet, et bien que la majorité d’entre elles proviennent de sources institutionnelles, elles ne sont pas exemptes de coquilles et de fautes d’accentuation diverses. La désaccentuation des ressources et des dictionnaires permet de pallier à certains problèmes de reconnaissance. (Grabar, 2004) montre que ce type de normalisation permet par exemple d’améliorer sensiblement la reconnaissance des requêtes des utilisateurs dans le cadre de la recherche d’information.

3. Apport lexicographique

23Chaque entrée a été complétée avec le code « MeSH » pour les mots clés MeSH, « QMeSH » pour les qualificatifs, « MALADIE » pour les mots clés de l’arborescence C ou F03, ACTION pour les mots clés de l’arborescence D27.505, « TECHNIQUE » pour les mots clés de l’arborescence E, etc. Nous récapitulons les diverses catégories et codes concernés dans le tableau ci dessous (tableau 2) :

24Ces informations lexicographiques seront par la suite utilisées pour la description de certaines associations mot clés / qualificatif pour l’indexation (évoquée en section 4).

4. Construction des dictionnaires

25Les dictionnaires constitués ont été élaborés à partir de trois sources principales :

261. ressources disponibles

27*pour la langue générale : dictionnaires DELA existant, Lexique10.

28*pour la langue médicale : données UMLF11

292. des ajouts (semi)-automatiques (bases de synonyme MeSH et CISMeF + traduction automatique + traitement de certaines expressions typiques récurrentes)

303. des ajouts manuels

31La figure 2 récapitule les différents traitements mis en œuvre pour élaborer les dictionnaires. Nous détaillons chaque étape dans les sections suivantes (2.2.1 à 2.2.4).

Figure 2 : Méthode de construction des dictionnaires MeSH

5. Ressources disponibles pour la langue générale

32Certains mots clés MeSH figuraient déjà dans les dictionnaires DELA existants (Courtois et Silberztein, 1990), et nous avons adapté les entrées correspondantes. Elles ont dans un premier temps été converties dans le format DELA-MeSH introduit ci-dessus. Ensuite, chaque entrée a été complétée avec les informations lexicographiques décrites précédemment en 2.1.2. (N˷ 12.000).

e.g. : diabete, diabete. N+MeSH+MALADIE+Conc+z1 : ms

33Nous avons également intégré (en partie) des ressources développées par (Soualmia et al., 2003) pour améliorer la recherche d’information dans la catalogue CISMeF. Tirées du lexique établi grâce à la base FranLex, ces ressources rassemblent des variantes orthographiques, des flexions, et des dérivations sur les 9 000 mot clés MeSH et 84 qualificatifs utilisés pour indexer les ressources CISMeF au 1^er janvier 2003 (N˷ 900).

6. UMLF

34Les travaux effectués dans le cadre du projet UMLF (Zweigenbaum et al., 2003) ont également permis d’enrichir le dictionnaire de mots simples, après validation des résultats obtenus sur le corpus Vidal (N˷ 3.000).

e.g. : *spironolactoner, spironolactone. V+MeSH → entrée rejetée
diagnostiquer, diagnostic. V+MeSH → entrée conservée

35Certaines entrées avaient cependant déjà été obtenues grâce aux dictionnaires DELA. Dans les cas de doublons, nous avons privilégié les entrées DELA, qui contenaient plus d’information syntaxiques et sémantiques.

7. Ajouts manuels

36Ces ressources ont été complétées manuellement afin d’étendre la couverture des dictionnaires aux termes relatifs au diabète dans un premier temps, puis à toutes les maladies dans un deuxième temps. Ce travail est toujours en cours (N˷ 500).

8. Ajouts semi-automatiques

37Nous avons introduit des informations prenant en compte la variabilité sémantique des termes sous forme de synonymes et de formes dérivées. Ainsi, les synonymes INSERM12 et CISMeF de termes MeSH et leurs flexions ont été ajoutés (N˷4.000).

e.g. : personne âgee, sujet âge. N+MeSH:fs

38Nous avons également utilisé une méthode de traduction automatique des synonymes MeSH américains non traduits pour enrichir la terminologie d’une part, et les dictionnaires d’autre part (Névéol et Ozdowska, 2005). Par exemple, « variola virus » synonyme américain du mot clé <variole, virus> traduit automatiquement par « virus variolique » a conduit à créer l’entrée :

virus variolique, variole_ virus.N+MeSH:ms13

39Par ailleurs, un certain nombre de mot clés du type 3 « langage documentaire » ont pu être traités automatiquement. Bien que ces mots clés ne se trouvent pas tels quels dans un texte en langage naturel, il est possible de déduire du mot clé lui-même quelle est le syntagme nominal lui correspondant en langage naturel. Par exemple, au mot clé <Alzheimer, maladie> nous pouvons rattacher le syntagme « maladie d’Alzheimer ». De même, au mot clé <vitamine a, carence> nous pouvons rattacher le syntagme « carence en vitamine a », etc. Ainsi, il existe plusieurs catégories de mots clés pour lesquels il est possible de générer automatiquement les entrées de dictionnaire associées. Pour la première catégorie, que l’on peut généraliser en <Nom, maladie>, on génèrera l’entrée

Maladie d’Nom, Nom_ maladie. N+MeSH+MALADIE : fs

40si « Nom » commence par une voyelle ou par un « H », et l’entrée :

Maladie de Nom, Nom_ maladie.N+MeSH+MALADIE :fs

41Dans les autres cas.

42Pour la deuxième catégorie, <substance, carence>, on générera les entrées :

carence en substance, substance_ carence.N+MeSH :fs
carences en substance, substance_carence.N+MeSH :fp

43De cette manière, nous avons pu traiter les mots clés de type maladie, carence, déficit, syndrome, tumeur, infection, acide. Cependant, il reste difficile de traiter automatiquement tous les mots de cette catégorie. Il faut remarquer qu’il est difficile de les distinguer des noms composés grammaticaux. Afin d’en isoler une partie, nous envisageons de les décrire à l’aide d’un graphe syntaxique (cf. figure 3 ci-dessous)14 capable de reconnaître les mot clés du type N-ADJ, N de N, les composés chimiques, etc.

Figure 3 : Automate15 reconnaissant les mots composés grammaticaux

44A ce jour, les 20 000 entrées DELAF et DELACF obtenues représentent une couverture d’environ 35 % du MeSH. (soit en moyenne, 2,23 entrées / MC). Ce travail est toujours en cours afin d’arriver à une couverture proche de 100 %. Nous prévoyons d’inclure automatiquement les mots clés composés sélectionnés avec le graphe ci-dessus. De même, nous envisageons d’inclure et de fléchir automatiquement les mot simples restant.

II. Bibliothèque de transducteurs

45Pour rendre compte de la grande variabilité de certains mot clés (eg. <adulte âge moyen>, <centre rééducation et réadaptation>), nous avons également constitué une bibliothèque de transducteurs destinée à les repérer dans les ressources. La Figure 4 présente le transducteur réalisé pour le descripteur obligatoire <adulte âge moyen>. Ainsi, les expressions « patients âgés de 50 ans » ou « femme entre 45 et 55 ans » sont reconnues comme équivalentes de <adulte âge moyen>. Ce transducteur complète la couverture du mot clé par les entrées de dictionnaire :

adulte d’âge moyen, adulte âge moyen. N+MeSH : ms
adultes d’âge moyen, adulte âge moyen. N+MeSH : mp

Figure 4 : Transducteur reconnaissant le mot clé <adulte age moyen>

III. Perspective : construction d’autres ressources

46Les dictionnaires et graphes décrits ci-dessus sont en premier lieu destinés à être utilisés par le module d’analyse de surface d’un système d’indexation automatique MeSH, afin de repérer directement des mots clés MeSH dans les textes à indexer. L’avantage manifeste de cette méthode est d’offrir une grande précision sur les termes extraits : tout terme extrait correspond effectivement à une occurrence du concept MeSH concerné. Par contre, il est possible que toutes les occurrences des concepts MeSH ne soient pas extraites. Ainsi, dans la phrase « Le patient présente une tumeur inquiétante au nez. », le mot clé <tumeur nez> ne sera pas repéré car l’entrée

tumeur inquiétante au nez, tumeur nez. N+MALADIE+MeSH : fs

47ne figure pas dans le dictionnaire. Cependant, il n’est pas justifié d’ajouter cette entrée dans le dictionnaire, dans la mesure où toutes les occurrences de l’expression « tumeur ADJ au nez » peuvent théoriquement être rencontrées également. Pour prendre en compte ce type d’expression, nous envisageons de compléter le dictionnaire DELAF-MeSH avec une nouvelle catégorie d’entrées (codée LMeSH) correspondant aux lemmes composant les mots clés MeSH. Ainsi, dans notre phrase exemple, les lemmes « tumeur » et « nez » seraient repérés, et il serait possible de les combiner pour retrouver le mot clé <tumeur nez>.

48Par ailleurs, comme le montre l’exemple de la Figure 1, l’indexation MeSH se fait également à l’aide paires mot clé/qualificatifs (vs. mot clés isolés). Ainsi, nous développons en parallèle des ressources (notamment des transducteurs) permettant de reconnaître directement les paires mot clé / qualificatif.

Conclusion

49Le projet CISMeF se donne pour but de recenser et de décrire les principales ressources institutionnelles de santé en français disponibles en ligne. A l’heure actuelle, l’indexation de ces ressources est effectuée manuellement à l’aide du thésaurus MeSH. Dans une optique d’automatisation du processus d’indexation, il est nécessaire de disposer de ressources terminologiques en santé au format électronique.

50Ainsi, nous avons détaillé le travail mis en œuvre pour la construction de ressources terminologiques de santé en français, sous la forme de dictionnaires électroniques et de transducteurs. Les premières évaluations du système d’indexation utilisant les ressources terminologiques décrites montrent que les ressources développées permettent d’extraire les termes MeSH de manière satisfaisante (Névéol, 2004).

51Cependant, il est nécessaire d’enrichir ces ressources afin d’augmenter la couverture MeSH et de prendre en compte d’autres aspects de la complexité lexicale, comme les abréviations16. Nous envisageons également d’adapter une partie de ce travail sur l’anglais, notamment en ce qui concerne les apports lexicographiques dans les dictionnaires électroniques.