Iinteligența Artificială în traducerea discursului medical: provocări terminologice și soluții [Articol]

Abstract

Acest articol analizează utilizarea inteligenței artificiale în traducerea discursului medical, cu focalizare pe provocările terminologice și pe mecanismele de control al calității. Se argumentează că performanța aparentă a sistemelor neuronale și a modelelor generative, evaluată prin fluență și coerență, nu garantează fidelitatea semantică în contexte clinice, unde fiecare termen trimite la un concept, la o relație nosologică și la o convenție profesională. Sunt discutate patru zone critice: polisemia și variația registrului, abrevierile și acronimele cu sens multiplu, eponimele și diferențele de uz între comunități, precum și pierderea granularității conceptuale la traducerea denumirilor compuse. În plus, se evidențiază riscul specific modelelor generative de a introduce completări plauzibile, dar nefondate, sau de a omite informații relevante, ceea ce poate afecta siguranța pacientului. Ca soluții, se propune ancorarea traducerii în terminologii standardizate și resurse de interoperabilitate, coroborată cu glosare instituționale, memorie de traducere și reguli explicite de tip «fără adăugiri, fără omisiuni». Fluxul recomandat include post-editare completă realizată de traducători cu competență de domeniu, revizie orientată spre segmentele critice clinic și evaluare combinată, folosind atât matrici automate, cât și grile de erori. În acest sens, criteriul decisiv de acceptare nu este asemănarea cu formularea sursă, ci menținerea intenției clinice, a unităților de măsură și a relațiilor cauză–efect, validate prin consultarea resurselor standard și prin feedback-ul specialiștilor din fiecare specialitate medicală. În plan organizațional, sunt subliniate necesitatea trasabilității, a auditului periodic și a protecției datelor, pentru ca IA să rămână un instrument de sprijin, nu o sursă de risc, în special în documente critice. This paper examines the use of artificial intelligence in translating medical discourse, with a focus on terminological challenges and quality-control mechanisms. It argues that the apparent performance of neural MT systems and generative language models often judged by fluency and coherence does not guarantee semantic fidelity in clinical contexts, where each term is tied to a concept, a nosological relation, and professional conventions. Four critical areas are discussed: polysemy and register variation, abbreviations and acronyms with multiple meanings, eponyms and community-specific usage differences, and the loss of conceptual granularity when rendering complex, compound designations. In addition, the paper highlights a risk that is characteristic of generative models: producing plausible but unfounded additions or omitting clinically relevant details, which may compromise patient safety. As solutions, it proposes anchoring translation in standardized terminologies and interoperability resources, complemented by institutional glossaries, translation memories, and explicit “no additions, no omissions” rules. The recommended workflow includes full post-editing performed by domain-competent translators, targeted revision of clinically critical segments, and mixed evaluation that combines automatic metrics with structured error typologies. From this perspective, the key acceptance criterion is not surface similarity to the source text, but preservation of clinical intent, measurement units, and cause–effect relations, validated through standard resources and specialist feedback within the relevant medical field. At the organizational level, the paper emphasizes the need for traceability, periodic auditing, and data protection measures, so that AI remains a support tool rather than a source of risk, especially when handling high-stakes documents such as discharge summaries, informed consent forms, and patient instructions.