MGREP

MGREP ist ein Computerprogramm, das in großen Textmengen nach Begriffen aus einer vorgegebenen Liste sucht. Diese Liste kann zum Beispiel mehrere hunderttausend medizinische Fachwörter enthalten. Das Programm liest den Text durch und markiert jede Stelle, an der eines dieser Wörter vorkommt. Der Name spielt auf ein altes Werkzeug namens grep an, mit dem man auf Computern nach Textstellen sucht. Der Zusatz M steht dafür, dass MGREP nicht nur einen Suchbegriff verarbeitet, sondern viele gleichzeitig. Entwickelt wurde es an der Universität Michigan, und ab 2008 wurde es zum Herzstück einer bekannten Suchmaschine für medizinische Fachsprache.

Warum Fachbegriffe in Texten markiert werden müssen

Wissenschaftliche Texte sind für Menschen lesbar, für Computer aber zunächst nur eine Kette von Buchstaben. Ein Programm weiß nicht von allein, dass in einem Satz eine Krankheit, ein Medikament und ein Körperteil erwähnt werden. Genau das leistet MGREP: Es verwandelt Fließtext in eine Liste erkannter Fachbegriffe. Erst danach kann man den Text sinnvoll durchsuchen, sortieren oder auswerten.

Der Bedarf ist riesig. Allein in der Medizin erscheinen jedes Jahr über eine Million Fachartikel. Niemand kann sie alle lesen. Wenn eine Maschine aber in jedem Artikel erkennt, um welche Krankheiten und Wirkstoffe es geht, lassen sich Zusammenhänge über die gesamte Literatur hinweg finden. Ähnliches gilt für Krankenhäuser, die Millionen Arztbriefe im Bestand haben.

Wichtig ist dabei die Geschwindigkeit. Verfahren, die jeden Satz grammatikalisch zerlegen, sind gründlich, aber langsam. MGREP wurde bewusst auf Tempo getrimmt und schafft dadurch sehr große Textsammlungen in vertretbarer Zeit. Genau dieser Kompromiss hat es in der Praxis so beliebt gemacht.

Radix-Bäume und der Trick mit den Wortstämmen

Die naive Lösung wäre, jeden Begriff der Liste einzeln im Text zu suchen. Bei 300.000 Begriffen und Millionen Texten dauert das ewig. MGREP dreht die Aufgabe deshalb um. Es baut aus der Begriffsliste eine Art riesiges Verzeichnis auf, in dem sich Wörter mit gleichem Anfang denselben Pfad teilen. Fachleute nennen so eine Struktur einen Radix-Baum. Danach muss der Text nur noch einmal durchlaufen werden.

Ein zweiter Punkt ist die Toleranz gegenüber Schreibweisen. Menschen schreiben „Herzinsuffizienz“ mal in Einzahl, mal in Mehrzahl, mal mit Bindestrich, mal in anderer Wortreihenfolge. MGREP reduziert Wörter auf ihre Grundform und ignoriert kleine Abweichungen. So findet es auch Varianten, die nicht wörtlich in der Liste stehen.

Die Grenzen liegen beim Verständnis. MGREP erkennt Zeichenfolgen, nicht Bedeutung. Steht in einem Text „kein Hinweis auf Diabetes“, markiert das Programm trotzdem das Wort Diabetes. Auch mehrdeutige Kürzel wie „MS“ bleiben ein Problem. Deshalb hängt man solchen Werkzeugen heute meist weitere Programme nachträglich an, die den Kontext prüfen. Moderne Sprachmodelle, also KI-Systeme, die Texte inhaltlich verarbeiten, sind hier klar besser, aber auch deutlich langsamer und teurer.

MGREP in Forschungsdatenbanken und Klinik-Software

Am häufigsten trifft man MGREP im BioPortal des US-Forschungsverbunds NCBO. Dort kann man einen beliebigen Text einfügen und sich alle enthaltenen Fachbegriffe anzeigen lassen, samt Verweis auf die passenden Katalogeinträge. Dieser Dienst wird von Universitäten und Pharmafirmen genutzt, um Studien und Datensätze automatisch zu verschlagworten.

Im Alltag begegnet dir das Prinzip indirekt. Wenn eine Gesundheits-App aus einem Arztbrief die Diagnosen herauszieht, oder eine Literatursuche dir passende Artikel vorschlägt, steckt oft ein solcher Begriffserkenner dahinter. In Firmen findet man dieselbe Technik auch außerhalb der Medizin, etwa für Produktnamen in Kundenmails.

In technischen Nachrichten und Fachartikeln taucht MGREP meist im Vergleich auf. Es gilt als schnelles, aber schlichtes Verfahren und dient als Messlatte für neuere Systeme. Ein häufiger Irrtum ist, MGREP für eine KI zu halten. Es lernt nichts und trifft keine Entscheidungen – es sucht nur sehr geschickt.