医疗保健中自然语言处理的12个最佳用例

自然语言处理在医疗保健领域提供了一些令人兴奋的机会，可以浏览当前未涉及的大量数据，并利用它来改善结果，优化成本并提供更好的护理质量。

在这个分为两部分的系列的第一部分中，我们发现了 医疗保健中NLP的驱动因素。人工智能的分支对于导航已经存在的孤岛中每天生成的数据量至关重要。本文概述了推动自然语言处理在医疗保健领域增长和实施的因素，在医疗保健领域实施人工智能和机器学习以及未来的合理利益。

让我们进一步探讨机器学习和AI在医疗保健领域的成熟程度，各种正在进行的和受审查不足的用例 医疗保健中的自然语言处理，以及一些现实生活中的例子，这些技术正在改善医疗服务。

自然语言处理可以通俗易懂地表述为机器对自然人类语言的自动处理。它是人工智能的专门分支，主要关注解释以及人类生成的数据（基于文本或语音）。该技术具有多个子学科，包括自然语言查询， 自然语言生成和自然语言理解。

首先，在医疗保健方面，该技术有两个用例：

• 理解人类语音并提取其含义。
• 通过绘制基本概念和值并允许医生将这些信息用于决策和分析，来解锁数据库和文档中的非结构化数据。

在医疗保健中机器学习和NLP的所有其他所有使用案例中，大多数都会从该技术的这两个主要功能中产生。

医疗保健中自然语言处理的用例

在一个 Chillmark Research的报告，公司在用例方面概述了三个成熟阶段的12个用例：

在医疗保健中使用自然语言处理的主流用例具有已被证明的ROI –

• 语音识别 –多年来，NLP通过允许临床医生转录注释以用于有用的EHR数据输入，已经使语音识别的用例成熟。前端语音识别省去了医生口述笔记的任务，而不必坐在护理现场，而后端技术则可以在将转录错误进行人工验证之前检测并纠正转录中的任何错误。语音识别技术市场几乎已饱和，但是一些初创公司正在通过挖掘应用中的深度学习算法来破坏这一领域，从而发现了更多的可能性。

• 临床文献的改进 –医疗保健中的机器学习已触及临床文档，使医生摆脱了EHR的手动和复杂结构，使他们可以将更多精力放在提供医疗服务上。由于语音到文本的听写和公式化的数据输入可在护理点捕获结构数据，因此这是可能的。随着医疗保健中机器学习的发展，我们将能够从其他新兴资源中提取相关数据，并改进用于推动PHM和VBC努力的分析。

• 数据挖掘研究 –将数据挖掘集成到医疗保健系统中，使组织可以降低决策的主观性水平并提供有用的医学知识。一旦开始，数据挖掘就可以成为知识发现的循环技术，它可以帮助任何HCO制定良好的业务战略，为患者提供更好的护理。

• 计算机辅助编码 – 自然语言处理驱动的CAC 有望提高编码器的准确性。计算机辅助编码提取有关程序和疗法的信息，以捕获每个代码并最大化索赔要求。研究使我们发现，正在构建市场的CAC解决方案的当前供应商将不得不改变他们的解决方案，以应对基于价值的范式的挑战，并确保它们按预期运行。

• 自动化注册表报告 – NLP用例是根据每个用例的需要提取值。当诸如射血分数之类的度量未存储为离散值时，许多健康IT系统会受到监管报告的负担。对于自动报告，卫生系统将必须识别何时将射血分数记录为便笺的一部分，并且还应以组织的分析平台可用于自动注册表报告的形式保存每个值。

自然语言处理和医疗保健中机器学习的新兴用例将立即产生影响–

• 临床试验匹配 –在医疗保健中使用NLP和机器学习来识别患者进行临床试验是令人兴奋的，而且是必不可少的用例。现在，一些公司正在尝试使用NLP引擎进行试配，以解决这一领域的挑战。在当前的进步下，NLP似乎有可能使试阅匹配自动化并使之成为无缝过程。

• 事先授权 –调查显示 付款人事先授权 对医生的要求越来越高。这些请求增加了实践开销并延迟了护理的交付。由于自然语言的处理，付款人是否会同意并授权退款的问题可能会在一段时间后消失。 IBM Watson和Anthem已经在研究付款人网络使用的NLP模块，以快速确定事先授权。

• 临床决策支持 –医疗保健中的自然语言处理和机器学习可以帮助医生做出更好的决策。医疗保健中的某些区域需要更好的监视方法，例如医疗错误。 NLP还用于协助临床医生检查症状和诊断。

• 风险调整和分层条件类别 –分层病症分类编码（一种风险调整模型）最初旨在预测患者的未来护理费用。在基于价值的支付模型中，HCC编码将变得越来越普遍。 HCC依靠ICD-10编码为每位患者分配风险评分。自然语言处理可以帮助为患者分配危险因素，并使用他们的分数来预测医疗费用。

即将出现的下一代用例–

• 环境虚拟抄写员 –临床文档需要语音识别软件，该软件将完全消除人类文字。发生这种情况时，临床文档将成为NLP和人工智能在医疗保健领域完全改变的游戏。

• 计算表型和生物标志物发现 – NLP还可以潜在地帮助医生解决患者表型分析的复杂性。使用NLP时，表型将由患者的当前状况决定，而不是与医生的知识相反。 NLP还可以用于分析语音模式并检测神经认知损伤，例如阿尔茨海默氏症，痴呆症和其他心理状况。

• 人口监视 –将NLP应用于EMR可以识别种族或种族群体的一个子集，以最终记录和绘制健康差异。现有的行政数据库缺乏确定关键的社会文化差异并执行的粒度 人口监测。但是，NLP在该领域提出了一个至关重要的用例，需要进一步研究和改进。

医疗保健组织如何利用NLP？

医疗保健组织可以使用NLP改变其提供护理和管理解决方案的方式。组织可以在医疗保健中使用机器学习来改善提供者的工作流程和患者结果。

这是自然语言处理在医疗保健中的使用的总结：

• 改善患者与提供者和EHR的互动 –就其本身而言，自然语言处理解决方案可以帮助弥合复杂医学术语和患者对其健康的理解之间的鸿沟。 NLP可能是消除EHR困扰的绝佳方法。许多临床医生利用NLP作为打字和手写笔记的替代方法。

• 提高患者的健康意识 –即使患者可以通过EHR系统访问其健康数据，但大多数患者仍难以理解该信息。因此，只有一小部分患者能够使用其医疗信息做出健康决定。随着机器学习在医疗保健中的应用，这可能会改变。

• 提高护理质量 – NLP工具可以提供更好的条件来评估和改善护理质量。基于价值的报销将需要医疗保健组织衡量医生的表现并确定所提供护理的差距。 NLP算法可以帮助HCO做到这一点，并且还可以帮助确定潜在的医疗服务错误。

• 确定有重症监护需求的患者 – NLP算法可以从大型数据集中提取重要信息，并为医生提供正确的工具来治疗患有复杂问题的患者。

在医疗保健中实施预测分析

高风险患者的识别以及诊断过程的改善可以通过在医疗保健中部署预测分析以及自然语言处理以及预测分析来完成。

对于急诊部门而言，迅速获得完整的数据至关重要。例如，如果不采取任何措施或对其进行不当治疗，则川崎病诊断的延迟会导致严重的并发症。 科学结果证明，这是一种基于NLP的算法，与手动审查临床医生的笔记相比，该算法可识别出高风险的川崎病患者，其敏感性为93.6％，特异性为77.5％。

一套 法国研究人员 致力于开发另一种基于NLP的算法，该算法将监视，检测和预防患者中的医院获得性感染（HAI）。 NLP帮助绘制了非结构化数据，然后将其用于识别早期征兆并据此与亲密的临床医生联系。

同样地，为了进行 对心力衰竭患者进行自动识别和风险预测 已经住院了实施自然语言处理是为了分析过去24小时内的免费文本报告，并预测患者在30天之内再次住院和死亡的风险。在成功的实验结束时，该算法的效果好于预期，该模型的总体阳性预测值为97.45％。

部署NLP的好处肯定可以应用到其他感兴趣的领域，并且可以部署无数算法，以便在患者中挑选和预测特定疾病。

尽管整个医疗行业在部署NLP工具之前仍需要完善其数据功能，但它仍具有巨大的潜力，可以显着改善医疗服务交付并简化工作流程。顺便说一句，自然语言处理和其他ML工具将是获得卓越临床决策支持的关键&患者健康状况。

最后的话

我们已经目睹了许多关键应用 医疗保健中的对话式AI，当涉及到 更好的临床决策制定和改善患者预后。 这里讨论的自然语言处理的各种用例为医疗保健行业提供了一个机会，可以打破古旧的筒仓并填补护理服务系统中的空白，从而为患者群体带来进步。 保持联系 或通过hello@marutitech.com给我们写信，以了解Maruti Techlabs如何通过NLP和AI解决方案为领先的医院和医疗保健提供商提供广泛的用例支持。