Traitement du langage naturel dans les soins de santé : une voie vers l'adoption

Selon l'American Medical Association, le taux d'épuisement professionnel des médecins a atteint près de 63 % en 2021, tandis que les scores d'épanouissement professionnel ont chuté à 22 %. Cela semble être le bon moment pour le secteur médical de chercher une solution.

Que vous ayez déjà de l'expérience avec l'IA ou non, la mise en œuvre du traitement du langage naturel dans le secteur de la santé peut alléger une partie de la charge de travail de vos employés et rationaliser vos opérations.

MarketsandMarkets rapporte que le marché mondial du traitement du langage naturel dans les soins de santé et les sciences de la vie était évalué à 2,2 milliards de dollars en 2022 et devrait atteindre 7,2 milliards de dollars d'ici 2027. Et cette tendance se poursuivra à mesure que de plus en plus d'organisations médicales se tournent vers les sociétés de services PNL pour créer des solutions personnalisées.

Alors, comment la PNL est-elle utilisée dans le domaine de la santé et comment déployer cette technologie ? Continuez à lire pour le savoir.

Qu'est-ce que le traitement automatique du langage naturel dans le domaine de la santé ?

Le traitement du langage naturel (PNL) est une branche de l'IA qui utilise des algorithmes pour extraire le sens du langage humain non structuré présenté sous forme parlée ou écrite. La PNL nécessite des connaissances en linguistique informatique et d'autres compétences en apprentissage automatique.

Le traitement du langage naturel gagne en popularité dans le secteur de la santé car il peut analyser de grandes quantités de données médicales non structurées, telles que des notes de médecin, des dossiers médicaux, des rapports d'essais cliniques et même des avis de service que les patients publient sur les réseaux sociaux. La recherche montre qu'environ 80 % des données de santé ne sont pas structurées et ne sont pas utilisées à leur plein potentiel. La PNL peut changer cela en analysant les données et en extrayant des informations pour guider les médecins et les pharmaciens à prendre des décisions plus éclairées.

Voici quelques-unes des principales techniques de PNL utiles dans les établissements de santé :

• Reconnaissance optique de caractères (OCR) . L'OCR convertit le texte imprimé et manuscrit en un format lisible par machine. Il peut extraire du texte d'images et de tableaux et le transmettre à d'autres algorithmes NLP pour un traitement ultérieur. Si vous souhaitez en savoir plus sur le sujet, consultez notre récent guide sur la reconnaissance optique des caractères .
• Classement de texte . Cette approche consiste à attribuer des étiquettes sémantiques en fonction de catégories prédéfinies. Par exemple, il permet aux médecins d'étiqueter un patient comme "à risque d'hospitalisation" en fonction de certains mots-clés dans leurs notes médicales.
• Reconnaissance de l'entité désignée . Il s'agit d'un modèle d'extraction d'informations qui peut identifier des entités dans le texte. Les médecins peuvent utiliser cette technique pour extraire des entités, telles que « traitement » et « symptômes », à partir d'un tas de données médicales.
• Modélisation thématique . Cette technique peut trier les informations en fonction de sujets communs. Par exemple, il peut regrouper toutes les notes des médecins concernant des patients souffrant d'un trouble particulier.
• Extraction de relations . Cette méthode NLP peut établir des relations sémantiques entre entités. Par exemple, il peut indiquer qu'un patient particulier a été traité dans cet hôpital sous la supervision de ce médecin.

Cas d'utilisation de la PNL dans le domaine de la santé

Après avoir appris ce qu'est la PNL dans le domaine de la santé et comment elle fonctionne, voyons comment elle peut contribuer au domaine de la santé.

Gestion de la documentation clinique

La recherche montre que les médecins passent en moyenne 16 minutes sur les DSE pour chaque patient qu'ils voient. Ce temps aurait pu être consacré aux soins des patients. Au lieu de cela, il est gaspillé sur l'écran et contribue à l'épuisement professionnel du médecin.

Améliorer la documentation clinique grâce à la reconnaissance vocale

Le traitement du langage naturel dans les soins de santé peut aider les médecins à travailler avec les dossiers de santé électroniques (DSE). Les médecins peuvent utiliser des outils de conversion parole-texte avec des capacités NLP intégrées pour transcrire leurs notes et les saisir dans les champs EHR du brevet correspondant. De plus, le personnel médical peut interroger les outils NLP pour extraire les données pertinentes des DSE.

Par exemple, la solution Dragon Medical One de Nuance est un outil de reconnaissance vocale basé sur le cloud qui aide le personnel médical à documenter les histoires des patients dans leurs DSE. La société affirme que le déploiement de sa solution réduira de moitié le temps consacré à la documentation clinique. L'hôpital Concord a déployé Dragon Medical One et 75 % des employés ont signalé une documentation clinique plus précise.

Accompagnement des médecins dans la prise de décision

Les solutions NLP peuvent également analyser des documents cliniques et aider les médecins à prendre des décisions en temps réel. Par exemple, après avoir analysé les notes du médecin, le système peut prédire les demandes de lits d'hôpitaux, ce qui donne au personnel hospitalier le temps de se préparer et d'accueillir les patients entrants.

Codage médical et facturation

Le codage médical consiste à dériver des informations facturables à partir de notes cliniques et à les transférer dans des codes médicaux normalisés. Traditionnellement, un codeur humain effectuerait cette tâche. Mais le codage manuel est lent et sujet aux erreurs, ce qui signifie que le fournisseur peut ne pas être en mesure de réclamer et de recevoir le montant total des compensations.

Les outils de codage assisté par ordinateur (CAC) alimentés par la PNL peuvent tirer des informations des notes du médecin et des DSE des patients sur les différentes thérapies et procédures qu'ils ont rencontrées, et fournir les codes d'assurance correspondants pour solidifier les réclamations.

Un exemple de traitement du langage naturel CAC dans le domaine de la santé est le système 3M 360 Encompass . L'entreprise emploie plus de 150 experts en codage et reste à jour avec les dernières réglementations. Cette solution aide les codeurs en agrégeant et en analysant la documentation des patients, en offrant des balises suggérées automatiquement et des outils complets d'examen et d'approbation.

Gestion des essais cliniques

Des études révèlent qu'environ 80 % des essais cliniques sont retardés ou interrompus parce qu'ils ne peuvent pas recruter suffisamment de participants. La PNL médicale peut accélérer le recrutement en scannant les données médicales des patients à la recherche de candidats éligibles. La technologie peut également aider les personnes qui souhaitent participer à des essais cliniques. Il peut transformer les critères d'éligibilité en questions, permettant aux candidats de filtrer rapidement de nombreux essais. Basée au Canada, Inspirata a développé une solution qui utilise le traitement du langage naturel dans les soins de santé pour faciliter le recrutement des patients . Son moteur NLP extrait des documents cliniques et transfère des données non structurées en informations structurées sur l'éligibilité des patients.

Une autre plate-forme PNL réussie, Linguamatics NLP , peut non seulement aider à recruter des patients, mais également à concevoir des essais et à sélectionner des sites. Il peut analyser une variété de sources, telles que des flux d'actualités, des brevets, de la littérature médicale et des descriptions d'essais similaires.

Consultez notre article sur l'IA dans les essais cliniques pour découvrir comment d'autres sous-disciplines de l'IA contribuent à ce domaine.

Analyse des sentiments des patients

L'application de la PNL dans les soins de santé aide le personnel médical à regrouper et à analyser les avis et opinions des clients provenant de différentes plateformes de médias sociaux. Les outils de traitement du langage naturel peuvent traiter des milliers d'avis pour évaluer l'attitude des patients envers les soins qu'ils ont reçus. De tels outils peuvent identifier les aspects qui frustrent les patients, les segmenter en fonction de la fréquence et commencer à mettre en œuvre des améliorations pour les commentaires négatifs les plus récurrents.

Par exemple, un commentaire du type « J'ai attendu 30 minutes au téléphone pour parler à la réceptionniste » indique une expérience négative avec le personnel administratif.

Une autre façon de bénéficier de la PNL de la santé dans l'analyse des sentiments consiste à traiter les résultats des enquêtes. Au lieu de s'appuyer sur les médias sociaux, les établissements de santé peuvent composer des sondages ciblés, les distribuer aux patients et utiliser des solutions de PNL pour examiner automatiquement chaque réponse.

Dans une étude récente, une équipe de chercheurs a mis au point une solution de PNL capable d'analyser les résultats d'enquêtes pour déterminer ce que les patients pensent de leur fournisseur de soins de santé. L'équipe a conçu une enquête avec des questions ouvertes, l'a distribuée aux patients atteints de schwannome vestibulaire et a reçu 534 réponses. L'algorithme a classé les réponses en deux groupes - sentiments positifs et négatifs. Cette classification avait un chevauchement de 90 % avec la classification manuelle produite par des experts humains.

Consultez notre article de blog si vous souhaitez en savoir plus sur la façon dont l'analyse des sentiments peut améliorer votre service client .

Découverte de médicament

Pour trouver des médicaments candidats efficaces, les scientifiques doivent d'abord identifier les origines biologiques et comprendre la maladie. Cela comprend l'examen de grandes quantités de littérature médicale, de données sur les patients, etc. Le traitement du langage naturel dans le domaine de la santé peut rapidement passer au crible toutes ces informations, extraire ce qui est pertinent et le présenter aux chercheurs dans un format convaincant afin qu'ils puissent en savoir plus sur des maladies similaires et sur la manière dont elles ont été traitées.

Par exemple, Lymba , basée au Texas, propose un logiciel alimenté par l'IA qui peut aider à la découverte de médicaments en appliquant la PNL pour analyser des données non structurées provenant de plusieurs sources, telles que des cartes génétiques, des publications PubMed, des référentiels de données de recherche mondiaux exclusifs, la documentation d'essais cliniques, etc. . Après avoir absorbé les connaissances disponibles sur la maladie, l'outil construit une ontologie des médicaments existants qui met en évidence les domaines de recherche prometteurs pour découvrir de nouveaux médicaments efficaces.

De plus, la PNL peut analyser les flux de médias sociaux et les dossiers médicaux des patients pour évaluer les effets indésirables de différents médicaments. Certains outils peuvent même corréler les effets secondaires d'un médicament à la dose consommée et à la fréquence d'utilisation.

Pour des applications plus intéressantes de l'IA dans la découverte de médicaments, vous pouvez vous référer à notre blog.

Défis de la mise en œuvre de la PNL dans les soins de santé

L'application du traitement du langage naturel dans les soins de santé présente de nombreux avantages. Mais si vous décidez d'améliorer votre pratique avec cette technologie, voici les défis que vous êtes susceptibles de rencontrer.

Exigences linguistiques spécifiques au domaine de la santé

Les médecins ont leur propre façon de rédiger les notes cliniques et autres documents médicaux. Ce style est généralement chargé de jargon, d'acronymes et d'abréviations, et a un contexte limité. Pour ajouter à la confusion, un tiers des abréviations cliniques présentes dans le métathésaurus du système de langage médical unifié ont plusieurs significations chacune .

Même les mots épelés en toutes lettres peuvent prêter à confusion. Par exemple, la « sortie » peut signifier soit la sortie d'un hôpital, soit des fluides corporels, selon le contexte.

Et si vous souhaitez étendre l'application de la PNL dans les soins de santé au-delà de votre clinique et l'utiliser pour analyser les commentaires des patients sur les réseaux sociaux, vous devez vous familiariser avec les abréviations et les émoticônes spécifiques que les gens utilisent pour exprimer leurs émotions au lieu de mots.

Si vous acquérez des algorithmes de PNL à usage général prêts à l'emploi, vous devrez les recycler pour qu'ils fonctionnent dans les établissements de santé. Et mieux encore, familiarisez-les avec le vocabulaire utilisé par vos médecins.

Problèmes liés à la complexité du langage humain

Il est relativement facile de déployer des algorithmes NLP pour repérer les termes explicitement mentionnés et sans ambiguïté. Mais le langage humain n'est pas toujours aussi simple. Parfois, les algorithmes devront traiter les éléments suivants :

• Inférences . Les modèles de traitement du langage naturel dans le domaine de la santé doivent pouvoir déduire des informations à partir du texte d'entrée. Par exemple, si vous voulez savoir si un patient bénéficie d'un soutien social, il se peut que cela ne soit pas clairement mentionné dans ses notes médicales. Cependant, il peut y avoir quelque chose comme « parent au chevet », ce qui implique que le patient bénéficie d'une forme de soutien.
• Sémantique au-delà des mots-clés . Un PNL de base basé sur des mots-clés percevra les deux déclarations "la femme aide le patient avec des médicaments" et "le patient aide sa femme avec des médicaments" comme identiques, alors qu'en réalité la sémantique dans les deux cas est très différente.
• Négation . Les cliniciens utilisent souvent la négation pour indiquer l'absence de conditions médicales. Par exemple, un médecin peut écrire « une tumeur maligne au cerveau a été exclue » pour documenter le fait qu'une tumeur maligne au cerveau n'a pas été détectée. Les algorithmes médicaux de la PNL ne peuvent pas confondre cela avec la présence de la maladie.

Décidez du degré d'avancement de vos algorithmes en fonction des analyses de rentabilisation ciblées. Et si vous optez pour des solutions plus basiques, soyez conscient de leurs limites.

Biais et explicabilité

Comme toute autre technologie d'IA, la PNL dans le domaine médical peut acquérir différents types de biais lors de la formation sur des ensembles de données déséquilibrés ou lorsqu'elle continue à apprendre sur le tas. Les préjugés sexistes sont l'un des types les plus répandus dans les outils basés sur le traitement du langage naturel. Par exemple, le GPT-3 a tendance à associer les hommes à des emplois exigeant une formation de haut niveau, comme un médecin, tandis que les femmes sont liées à des professions moins intensives en connaissances, comme une infirmière.

Malheureusement, le biais de l'IA n'est pas rare dans les soins de santé. Par exemple, un algorithme censé déterminer la gravité de la maladie des patients a considérablement minimisé le niveau de soins requis pour les patients noirs simplement parce que, historiquement, plus d'argent était dépensé pour les besoins des patients blancs.

Il peut être difficile de repérer les biais lorsque les algorithmes sont des modèles « boîte noire » qui n'expliquent pas comment ils arrivent à leurs conclusions. Une solution à ce problème consiste à déployer une IA explicable . Avec cette technologie, les outils de traitement du langage naturel de la santé justifient leurs recommandations, vous permettant de vérifier si elles sont biaisées ou non.

Une autre façon de repérer les biais consiste à utiliser un ensemble de données organisé que les scientifiques ont conçu pour détecter des types spécifiques de biais. Cette solution n'est pas évolutive pour les grandes applications mais fonctionne bien avec une utilisation limitée.

En plus des trois défis spécifiques à la PNL présentés ci-dessus, vous pouvez rencontrer des obstacles généraux associés à la mise en œuvre de toute technologie alimentée par l'IA, tels que :

• Intégration avec les systèmes hérités . De nombreux organismes de santé s'appuient encore sur des systèmes hérités obsolètes qui ne sont pas conçus pour fonctionner avec la technologie basée sur l'IA et traiter de grandes quantités de données.
• Données de formation insuffisantes . Les établissements médicaux ont du mal à fournir des données suffisantes et de haute qualité qui représentent fidèlement la population cible.
• Considérations éthiques et aléas moraux . Les hôpitaux sont aux prises avec la responsabilité qui accompagne l'utilisation de l'IA, comme qui a le dernier mot sur le choix du bon traitement et qui est responsable si le traitement n'a pas fonctionné.

Pour une explication plus détaillée, consultez notre article sur les principaux défis de mise en œuvre de l'IA .

Mise en œuvre étape par étape du traitement du langage naturel dans les soins de santé

Si vous souhaitez utiliser la PNL dans le domaine de la santé, vous pouvez suivre ces étapes :

• Identifier les cas d'utilisation potentiels . Déterminez les problèmes que vous souhaitez résoudre avec la PNL et si vous avez besoin de fonctionnalités avancées de traitement du langage, telles que la négation et l'inférence.
• Construire/acheter une solution NLP . Décidez si vous souhaitez acquérir un outil de PNL prêt à l'emploi ou créer votre propre produit personnalisé. Les solutions prêtes à l'emploi conviennent aux entreprises disposant de fonds limités et de processus internes flexibles pouvant être adaptés pour accueillir un produit externe. Envisagez une solution sur mesure si vous avez des flux de travail rigides, recherchez quelque chose d'évolutif et devez intégrer le nouvel outil aux systèmes existants. Dans ce dernier cas, vous devrez rechercher une entreprise de solutions de soins de santé IA de confiance avec laquelle collaborer.
• Préparez le jeu de données d'entraînement . Même si vous avez opté pour une solution prête à l'emploi à l'étape précédente, vous devrez toujours la recycler pour des performances optimales, car les modèles NLP traditionnels ne sont pas conçus pour gérer les spécificités du secteur de la santé. Vous devrez préparer un ensemble de données d'entraînement non biaisé et représentatif de votre population cible.
• Former et valider le modèle . Testez l'outil pour le biais, la convivialité et la façon dont il s'intègre au reste du flux de travail.
• Assurez-vous que vos algorithmes sont conformes . Si vous souhaitez créer et/ou adopter des modèles d'IA dans le secteur médical, la conformité est de la plus haute importance. Vos outils doivent être conformes à la Food and Drugs Administration (FDA) des États-Unis, au Règlement général sur la protection des données (RGPD) et à tout autre organisme de réglementation dans les pays de vos opérations. Vous pouvez en savoir plus sur le sujet dans notre récent article sur les normes informatiques de la santé .
• Intégration avec vos systèmes existants . Si vous avez opté pour une solution de soins de santé personnalisée et engagé un fournisseur de technologie, il concevra et construira l'outil NLP en tenant compte des spécificités de votre système. Ils vous aideront également à intégrer la solution à vos systèmes hérités.
• Surveillez et ajustez les algorithmes en permanence . L'effort ne s'arrête pas au déploiement du traitement du langage naturel dans les soins de santé. Vous devez auditer les modèles NLP pour vous assurer qu'ils produisent toujours les résultats souhaités et les mettre à jour pour refléter tout changement dans les cas d'utilisation cibles.

Pensées finales

La PNL a de nombreuses applications dans le domaine de la santé. Cela peut aider à gagner du temps sur le codage médical, faciliter le recrutement de participants pour les essais cliniques, satisfaire les patients grâce à l'analyse des sentiments, et bien plus encore.

Pour déployer avec succès le traitement du langage naturel dans les soins de santé, consacrez du temps à trouver un fournisseur d'apprentissage automatique de confiance qui a de l'expérience dans le domaine médical. Un partenaire technique vous aidera avec :

• Créer et entraîner des modèles de PNL personnalisés qui :
  • Sont exempts de préjugés
  • S'intègre parfaitement au reste de votre système
  • Adaptez-vous au vocabulaire de votre pratique et ayez le degré de complexité souhaité
• Se conformer aux exigences de confidentialité du secteur de la santé
• Vous accompagner dans l'audit et la mise à jour des algorithmes en cas de besoin

Vous cherchez à améliorer votre pratique médicale avec la PNL? Écrivez-nous ! Nous vous aiderons à construire une solution conforme adaptée à vos systèmes internes et à votre vocabulaire.