Procesamiento del lenguaje natural en el cuidado de la salud: un camino hacia la adopción

Según la Asociación Médica Estadounidense, la tasa de agotamiento de los médicos alcanzó casi el 63 % en 2021, mientras que las puntuaciones de satisfacción profesional se desplomaron al 22 %. Este parece ser el momento adecuado para que el sector médico busque una solución.

Tanto si ya tiene experiencia con la IA como si no, la implementación del procesamiento del lenguaje natural en el cuidado de la salud puede quitar parte de la carga de los hombros de sus empleados y agilizar sus operaciones.

MarketsandMarkets informa que el mercado global de procesamiento de lenguaje natural en el cuidado de la salud y las ciencias de la vida se valoró en $ 2200 millones en 2022 y se prevé que alcance los $ 7200 millones para 2027. Y esta tendencia continuará a medida que más organizaciones médicas recurran a empresas de servicios de PNL para crear soluciones personalizadas.

Entonces, ¿cómo se usa la PNL en el cuidado de la salud y cómo implementar esta tecnología? Continúa leyendo para averiguarlo.

¿Qué es el procesamiento del lenguaje natural en el cuidado de la salud?

El procesamiento del lenguaje natural (NLP) es una rama de la IA que utiliza algoritmos para extraer el significado del lenguaje humano no estructurado presentado en formato hablado o escrito. La PNL requiere conocimientos de lingüística computacional y otras habilidades de aprendizaje automático.

El procesamiento del lenguaje natural está ganando popularidad en el cuidado de la salud, ya que puede analizar grandes cantidades de datos médicos no estructurados, como notas médicas, registros médicos, informes de ensayos clínicos e incluso revisiones de servicios que los pacientes publican en las redes sociales. Las investigaciones muestran que alrededor del 80% de los datos de atención médica no están estructurados y no se utilizan en todo su potencial. La PNL puede cambiar eso mediante el análisis de datos y la extracción de información para guiar a los médicos y farmacéuticos a tomar decisiones más informadas.

Estas son algunas de las principales técnicas de PNL que son útiles en entornos de atención médica:

• Reconocimiento óptico de caracteres (OCR) . OCR convierte texto impreso y escrito a mano a un formato legible por máquina. Puede extraer texto de imágenes y tablas y pasarlo a otros algoritmos NLP para su posterior procesamiento. Si desea obtener más información sobre el tema, consulte nuestra guía reciente sobre el reconocimiento óptico de caracteres .
• Clasificación de textos . Este enfoque implica la asignación de etiquetas semánticas basadas en categorías predefinidas. Por ejemplo, permite a los médicos etiquetar a un paciente como "en riesgo de hospitalización" en función de ciertas palabras clave en sus notas médicas.
• Reconocimiento de entidad nombrada . Este es un modelo de extracción de información que puede identificar entidades en el texto. Los médicos pueden usar esta técnica para extraer entidades, como "tratamiento" y "síntomas", de un montón de datos médicos.
• Modelado de temas . Esta técnica puede clasificar la información en función de temas comunes. Por ejemplo, puede agrupar todas las notas de los médicos sobre pacientes que padecen un trastorno en particular.
• Extracción de relaciones . Este método NLP puede establecer relaciones semánticas entre entidades. Por ejemplo, puede señalar que un paciente en particular fue tratado en ese hospital bajo la supervisión de ese médico.

Casos de uso de la PNL en el cuidado de la salud

Después de aprender qué es la PNL para el cuidado de la salud y cómo funciona, veamos cómo puede contribuir al campo de la salud.

Gestión de documentación clínica

Las investigaciones muestran que los médicos dedican un promedio de 16 minutos a los EHR por cada paciente que atienden. Este tiempo se podría haber dedicado al cuidado de los pacientes. En cambio, se desperdicia en la pantalla y contribuye al agotamiento del médico.

Mejora de la documentación clínica a través del reconocimiento de voz

El procesamiento del lenguaje natural en el cuidado de la salud puede ayudar a los médicos a trabajar con registros de salud electrónicos (EHR). Los médicos pueden usar herramientas de conversión de voz a texto con capacidades de NLP integradas para transcribir sus notas e ingresarlas en los campos EHR de la patente correspondiente. Además, el personal médico puede consultar las herramientas de PNL para extraer datos relevantes de los EHR.

Por ejemplo, la solución Dragon Medical One de Nuance es una herramienta de reconocimiento de voz basada en la nube que ayuda al personal médico a documentar las historias de los pacientes en sus EHR. La empresa afirma que implementar su solución reducirá a la mitad el tiempo dedicado a la documentación clínica. Concord Hospital implementó Dragon Medical One, y el 75 % de los empleados informó una documentación clínica más precisa.

Apoyar a los médicos en la toma de decisiones

Las soluciones de PNL también pueden analizar documentos clínicos y apoyar a los médicos en la toma de decisiones en tiempo real. Por ejemplo, después de analizar las notas del médico, el sistema puede predecir la demanda de camas de hospital, lo que da tiempo al personal del hospital para preparar y acomodar a los pacientes que ingresan.

Codificación y facturación médica

La codificación médica significa derivar información facturable de notas clínicas y transferirla a códigos médicos estandarizados. Tradicionalmente, un codificador humano realizaría esta tarea. Pero la codificación manual es lenta y propensa a errores, lo que significa que es posible que el proveedor no pueda reclamar y recibir el monto total de las compensaciones.

Las herramientas de codificación asistida por computadora (CAC) impulsadas por NLP pueden obtener información de las notas del médico y los EHR del paciente sobre las diferentes terapias y procedimientos que encontraron, y proporcionar los códigos de seguro correspondientes para solidificar las reclamaciones.

Un ejemplo de procesamiento de lenguaje natural CAC en el cuidado de la salud es 3M 360 Encompass System . La empresa emplea a más de 150 expertos en codificación y se mantiene al día con las normas más recientes. Esta solución ayuda a los codificadores agregando y analizando la documentación del paciente, ofreciendo etiquetas sugeridas automáticamente y herramientas integrales de revisión y aprobación.

Gestión de ensayos clínicos

Los estudios revelan que alrededor del 80% de los ensayos clínicos se retrasan o finalizan porque no pueden reclutar suficientes participantes. La PNL médica puede acelerar el reclutamiento al escanear los datos médicos de los pacientes en busca de candidatos elegibles para el ensayo. La tecnología también puede ayudar a las personas que desean participar en ensayos clínicos. Puede transformar los criterios de elegibilidad en preguntas, lo que permite a los candidatos filtrar rápidamente muchos ensayos. Con sede en Canadá, Inspirata creó una solución que emplea procesamiento de lenguaje natural en el cuidado de la salud para facilitar el reclutamiento de pacientes . Su motor NLP extrae documentos clínicos y transfiere datos no estructurados a información estructurada sobre la elegibilidad del paciente.

Otra plataforma exitosa de NLP, Linguamatics NLP , no solo puede ayudar a reclutar pacientes, sino también en el diseño de ensayos y la selección del sitio. Puede analizar una variedad de fuentes, como fuentes de noticias, patentes, literatura médica y descripciones de ensayos similares.

Consulte nuestro artículo sobre IA en ensayos clínicos para descubrir cómo otras subdisciplinas de IA contribuyen a este campo.

Análisis del sentimiento del paciente

La aplicación de la PNL en el cuidado de la salud ayuda al personal médico a agregar y analizar las reseñas y opiniones de los clientes de diferentes plataformas de redes sociales. Las herramientas de procesamiento de lenguaje natural pueden procesar miles de reseñas para medir la actitud de los pacientes hacia la atención que recibieron. Dichas herramientas pueden identificar aspectos que frustran a los pacientes, segmentarlos según la frecuencia y comenzar a implementar mejoras para los comentarios negativos más recurrentes.

Por ejemplo, un comentario como “ Esperé 30 minutos en el teléfono para hablar con la recepcionista ” indica una experiencia negativa con el personal administrativo.

Otra forma de beneficiarse de la PNL de atención médica en el análisis de sentimientos es procesar los resultados de las encuestas. En lugar de depender de las redes sociales, los centros de atención médica pueden redactar encuestas específicas, distribuirlas entre los pacientes y usar soluciones de PNL para revisar automáticamente cada respuesta.

En un estudio reciente, un equipo de investigadores creó una solución de PNL que puede escanear los resultados de las encuestas para determinar cómo se sienten los pacientes con respecto a su proveedor de atención médica. El equipo diseñó una encuesta con preguntas abiertas, la distribuyó entre pacientes con schwannoma vestibular y recibió 534 respuestas. El algoritmo clasificó las respuestas en dos grupos: sentimientos positivos y negativos. Esta clasificación tuvo un 90% de superposición con la clasificación manual producida por expertos humanos.

Consulte nuestro artículo de blog si desea obtener más información sobre cómo el análisis de opiniones puede mejorar su servicio al cliente .

Descubrimiento de medicamento

Para encontrar fármacos candidatos efectivos, los científicos primero deben identificar los orígenes biológicos y comprender la enfermedad. Esto incluye revisar grandes cantidades de literatura médica, datos de pacientes y más. El procesamiento del lenguaje natural en el cuidado de la salud puede filtrar rápidamente toda esta información, extraer lo que es relevante y presentarlo a los investigadores en un formato convincente para que puedan aprender sobre enfermedades similares y cómo fueron tratadas.

Por ejemplo, Lymba , con sede en Texas, ofrece un software impulsado por IA que puede ayudar en el descubrimiento de fármacos mediante la aplicación de NLP para analizar datos no estructurados de múltiples fuentes, como tarjetas de genes, publicaciones de PubMed, repositorios de datos de investigación global patentados, documentación de ensayos clínicos y más. . Después de absorber el conocimiento disponible relacionado con la enfermedad, la herramienta crea una ontología de medicamentos existentes que destaca áreas de investigación prometedoras para descubrir nuevos medicamentos efectivos.

Además, la PNL puede analizar las fuentes de las redes sociales y los registros médicos de los pacientes para medir los efectos adversos de diferentes medicamentos. Algunas herramientas incluso pueden correlacionar los efectos secundarios de un medicamento con la dosis consumida y la frecuencia de uso.

Para conocer aplicaciones más emocionantes de la IA en el descubrimiento de fármacos, puede consultar nuestro blog.

Desafíos de la implementación de la PNL en el cuidado de la salud

La aplicación del procesamiento del lenguaje natural en el cuidado de la salud tiene muchos beneficios. Pero si decide mejorar su práctica con esta tecnología, estos son los desafíos que probablemente encontrará.

Requisitos lingüísticos específicos del ámbito sanitario

Los médicos tienen su forma específica de escribir notas clínicas y otros documentos médicos. Este estilo suele estar lleno de jerga, acrónimos y abreviaturas, y tiene un contexto limitado. Para aumentar la confusión, un tercio de las abreviaturas clínicas presentes en el Metathesaurus del Sistema Unificado de Lenguaje Médico tienen varios significados cada una .

Incluso las palabras que se deletrean en su totalidad pueden ser confusas. Por ejemplo, "alta" puede significar la liberación de un hospital o fluidos corporales, según el contexto.

Y si desea extender la aplicación de PNL en el cuidado de la salud más allá de su clínica y usarla para analizar los comentarios de los pacientes en las redes sociales, debe familiarizarse con las abreviaturas y los emoticonos específicos que las personas usan para expresar sus emociones en lugar de palabras.

Si adquiere algoritmos de PNL de propósito general listos para usar, deberá volver a capacitarlos para operar en entornos de atención médica. Y mejor aún, familiarízalos con el vocabulario que usan tus médicos.

Cuestiones relacionadas con la complejidad del lenguaje humano

Es relativamente fácil implementar algoritmos de NLP para detectar términos que se mencionan explícitamente y sin ambigüedades. Pero el lenguaje humano no siempre es tan directo. A veces, los algoritmos tendrán que lidiar con lo siguiente:

• inferencias Los modelos de procesamiento de lenguaje natural en el cuidado de la salud deben poder inferir información del texto de entrada. Por ejemplo, si desea saber si un paciente tiene apoyo social, es posible que no haya una mención clara de esto en sus notas médicas. Sin embargo, podría haber algo como “pariente al lado de la cama”, lo que implica que el paciente tiene una forma de apoyo.
• Semántica más allá de las palabras clave . Una PNL básica basada en palabras clave percibirá las dos afirmaciones "la esposa ayuda al paciente con la medicación" y "el paciente ayuda a la esposa con la medicación" como idénticas, mientras que en realidad la semántica en ambos casos es muy diferente.
• negación Los médicos a menudo usan la negación para indicar la ausencia de condiciones médicas. Por ejemplo, un médico podría escribir "se descartó una neoplasia maligna cerebral" para documentar el hecho de que no se encontró un tumor cerebral maligno. Los algoritmos médicos de PNL no pueden confundir esto con la presencia de la enfermedad.

Decida qué tan avanzados deben ser sus algoritmos en función de los casos comerciales objetivo. Y si opta por soluciones más básicas, tenga en cuenta sus limitaciones.

Sesgo y explicabilidad

Como cualquier otra tecnología de IA, la PNL en el campo médico puede adquirir diferentes tipos de sesgo durante el entrenamiento en conjuntos de datos desequilibrados o cuando continúa aprendiendo en el trabajo. El sesgo de género es uno de los tipos más destacados en las herramientas basadas en el procesamiento del lenguaje natural. Por ejemplo, GPT-3 tiende a asociar a los hombres con trabajos que requieren una educación de alto nivel, como un médico, mientras que las mujeres están conectadas a ocupaciones menos intensivas en conocimientos, como una enfermera.

Desafortunadamente, el sesgo de IA no es poco común en el cuidado de la salud. Por ejemplo, un algoritmo que supuestamente determinaría la gravedad de la enfermedad de los pacientes minimizó significativamente el nivel de atención requerido para los pacientes negros solo porque, históricamente, se gastó más dinero en las necesidades de los pacientes blancos.

Puede ser difícil detectar el sesgo cuando los algoritmos son modelos de "caja negra" que no explican cómo llegan a sus conclusiones. Una solución a este problema es implementar una IA explicable . Con esta tecnología, las herramientas de procesamiento del lenguaje natural sanitario justifican sus recomendaciones, permitiéndote comprobar si están sesgadas o no.

Otra forma de detectar sesgos es usar un conjunto de datos seleccionados que los científicos diseñaron para detectar tipos específicos de sesgos. Esta solución no es escalable para aplicaciones grandes, pero funciona bien con un uso limitado.

Además de los tres desafíos específicos de PNL presentados anteriormente, es posible que encuentre obstáculos generales asociados con la implementación de cualquier tecnología impulsada por IA, como:

• Integración con sistemas heredados . Muchas organizaciones de atención médica aún confían en sistemas heredados obsoletos que no están diseñados para funcionar con tecnología impulsada por IA y manejar grandes cantidades de datos.
• Datos de entrenamiento insuficientes . Las instalaciones médicas luchan por proporcionar datos suficientes y de alta calidad que representen fielmente a la población objetivo.
• Consideraciones éticas y riesgos morales . Los hospitales luchan con la responsabilidad que conlleva el uso de IA, como quién tiene la última palabra sobre la selección del tratamiento correcto y quién es responsable si el tratamiento no funcionó.

Para obtener una explicación más detallada, consulte nuestro artículo sobre los principales desafíos de implementación de IA .

Implementación paso a paso del procesamiento del lenguaje natural en el cuidado de la salud

Si desea utilizar la PNL en el cuidado de la salud, puede seguir estos pasos:

• Identificar posibles casos de uso . Determine qué problemas desea resolver con NLP y si necesita capacidades avanzadas de procesamiento de lenguaje, como negación e inferencia.
• Cree/compre una solución de PNL . Decide si quieres adquirir una herramienta de PNL lista para usar o crear tu propio producto personalizado. Las soluciones listas para usar son adecuadas para empresas con fondos limitados y procesos internos flexibles que se pueden adaptar para acomodar un producto externo. Considere una solución personalizada si tiene flujos de trabajo rígidos, está buscando algo escalable y necesita integrar la nueva herramienta con sistemas heredados. En el último caso, deberá buscar una empresa confiable de soluciones de atención médica de IA para colaborar.
• Prepare el conjunto de datos de entrenamiento . Incluso si optó por una solución lista para usar en el paso anterior, deberá volver a capacitarla para obtener un rendimiento óptimo, ya que los modelos de NLP convencionales no están diseñados para manejar las especificaciones del sector de la salud. Deberá preparar un conjunto de datos de capacitación que no tenga sesgos y sea representativo de su población objetivo.
• Entrenar y validar el modelo . Pruebe la herramienta en busca de sesgo, usabilidad y cómo se integra con el resto del flujo de trabajo.
• Asegúrese de que sus algoritmos sean compatibles . Si desea construir y/o adoptar modelos de IA en el sector médico, el cumplimiento es de suma importancia. Sus herramientas deben cumplir con la Administración de Drogas y Alimentos de los EE. UU. (FDA), las Regulaciones generales de protección de datos (GDPR) y cualquier otro organismo regulador en los países de sus operaciones. Puede encontrar más información sobre el tema en nuestro artículo reciente sobre estándares de TI para el cuidado de la salud .
• Integre con sus sistemas existentes . Si optó por una solución de atención médica personalizada y contrató a un proveedor de tecnología, ellos diseñarán y construirán la herramienta NLP teniendo en cuenta las especificaciones de su sistema. También lo ayudarán a integrar la solución con sus sistemas heredados.
• Supervise y ajuste los algoritmos constantemente . El esfuerzo no termina con la implementación del procesamiento del lenguaje natural en el cuidado de la salud. Debe auditar los modelos NLP para asegurarse de que todavía están produciendo los resultados deseados y actualizarlos para reflejar cualquier cambio en los casos de uso objetivo.

Pensamientos concluyentes

La PNL tiene muchas aplicaciones en el cuidado de la salud. Puede ayudar a ahorrar tiempo en la codificación médica, facilitar el reclutamiento de participantes para ensayos clínicos, mantener contentos a los pacientes a través del análisis de sentimientos y mucho más.

Para implementar con éxito el procesamiento del lenguaje natural en el cuidado de la salud, dedique tiempo a encontrar un proveedor confiable de aprendizaje automático que tenga experiencia en el campo médico. Un socio tecnológico lo ayudará con:

• Crear y entrenar modelos personalizados de PNL que:
  • Están libres de prejuicios
  • Se adapta perfectamente al resto de su sistema
  • Adaptarse al vocabulario de su práctica y tener el grado deseado de complejidad
• Cumplir con los requisitos de privacidad del sector sanitario
• Apoyarlo en la auditoría y actualización de los algoritmos cuando sea necesario

¿Busca mejorar su práctica médica con PNL? ¡Déjanos una línea ! Le ayudaremos a crear una solución compatible adaptada a sus sistemas y vocabulario internos.