720 測定値

医療における自然言語処理: 導入への道

に ITRex11m2023/05/15

長すぎる; 読むには

米国医師会によると、2021年の医師の燃え尽き症候群率はほぼ63%に達し、一方、職業充実度スコアは22%まで急落した。医療業界が解決策を模索するのに今が適切な時期のように思えます。

すでに AI の経験があるかどうかに関係なく、医療分野に自然言語処理を実装すると、従業員の肩の負担が軽減され、業務が合理化されます。

MarketsandMarkets の報告によると、ヘルスケアおよびライフサイエンスにおける世界の自然言語処理市場は 2022 年に 22 億ドルと評価され、2027 年までに 72 億ドルに達すると予測されています。そして、より多くの医療機関がカスタムソリューションを構築するためにNLP サービス会社に頼るようになるため、この傾向は続くでしょう。

では、NLP はヘルスケアでどのように使用され、このテクノロジーをどのように展開するのでしょうか?読み続けて調べてください。

医療における自然言語処理とは何ですか?

自然言語処理 (NLP) は、アルゴリズムを使用して、話し言葉または書き言葉で表現された非構造化人間の言語から意味を抽出するAI の一分野です。 NLP には、計算言語学の知識とその他の機械学習スキルが必要です。

自然言語処理は、医師の記録、医療記録、臨床試験レポート、さらには患者がソーシャルメディアに投稿するサービスレビューなど、大量の非構造化医療データを分析できるため、医療分野での人気が高まっています。調査によると、医療データの約 80% は構造化されておらず、その可能性を最大限に活用できていません。 NLP は、データを分析して洞察を抽出し、医師や薬剤師がより多くの情報に基づいた意思決定を行えるように導くことで、この状況を変えることができます。

医療現場で役立つ主な NLP テクニックの一部を以下に示します。

光学式文字認識 (OCR) 。 OCR は、印刷されたテキストと手書きのテキストを機械可読形式に変換します。画像や表からテキストを抽出し、それを他の NLP アルゴリズムに渡してさらなる処理を行うことができます。このトピックについてさらに詳しく知りたい場合は、光学式文字認識に関する最新のガイドを参照してください。
テキストの分類。このアプローチには、事前定義されたカテゴリに基づいて意味ラベルを割り当てることが含まれます。たとえば、医師が医療記録内の特定のキーワードに基づいて患者に「入院の危険がある」というラベルを付けることができます。
固有表現認識。これは、テキスト内のエンティティを正確に特定できる情報抽出モデルです。医師はこの技術を使用して、大量の医療データから「治療」や「症状」などのエンティティを抽出できます。
トピックモデリング。この手法では、共通のトピックに基づいて情報を分類できます。たとえば、特定の疾患に苦しむ患者に関するすべての医師のメモをグループ化できます。
関係抽出。この NLP メソッドでは、エンティティ間の意味論的な関係を確立できます。たとえば、特定の患者がその病院でその医師の監督の下で治療されたことを指摘できます。

医療における NLP の使用例

ヘルスケア NLP とは何か、そしてその仕組みについて学んだ後、それがヘルスケア分野にどのように貢献できるかを見てみましょう。

臨床文書管理

調査によると、医師は診察する患者ごとに平均 16 分を EHR に費やしています。この時間は患者のケアに費やすことができたかもしれません。むしろ、画面上で無駄になり、医師の燃え尽き症候群の一因となります。

音声認識による臨床文書の強化

医療における自然言語処理は、医師が電子医療記録 (EHR) を扱うのに役立ちます。医師は、NLP 機能が組み込まれた音声からテキストへの変換ツールを使用してメモを文字に起こし、対応する特許の EHR フィールドに入力できます。また、医療スタッフは NLP ツールにクエリを実行して、EHR から関連データを抽出できます。

たとえば、ニュアンスのDragon Medical Oneソリューションは、医療従事者が患者の話を EHR に文書化するのに役立つクラウドベースの音声認識ツールです。同社は、ソリューションを導入することで臨床文書作成に費やす時間を半分に削減できると主張しています。コンコード病院は Dragon Medical One を導入し、従業員の 75% がより正確な臨床文書を報告しました。

医師の意思決定をサポート

NLP ソリューションは、臨床文書を分析し、医師のリアルタイムの意思決定をサポートすることもできます。たとえば、医師の記録を分析した後、システムは病院のベッド需要を予測できるため、病院スタッフは入院患者の準備と対応に時間を費やすことができます。

医療コーディングと請求

医療コーディングとは、臨床ノートから請求可能な情報を導き出し、それを標準化された医療コードに変換することを意味します。従来、人間のプログラマーがこのタスクを実行していました。しかし、手動コーディングは時間がかかり、エラーが発生しやすいため、プロバイダーは補償金の全額を請求して受け取ることができない可能性があります。

NLP を利用したコンピューター支援コーディング (CAC) ツールは、医師のメモや患者の EHR から、患者が受けたさまざまな治療法や手順に関する情報を導き出し、対応する保険コードを提供して請求を強化できます。

ヘルスケアにおける CAC 自然言語処理の一例は、 3M 360 Encompass Systemです。同社は 150 名を超えるコーディング専門家を雇用し、最新の規制を常に把握しています。このソリューションは、患者の文書を集約して分析し、自動提案タグと包括的なレビューおよび承認ツールを提供することでプログラマーを支援します。

臨床試験管理

研究によると、十分な参加者を集めることができないために、臨床試験の約 80% が遅延または中止されています。 Medical NLP では、患者の医療データをスキャンして適格な治験候補者を探すことで、採用を迅速化できます。このテクノロジーは、臨床試験に参加したい人にも役立ちます。資格基準を質問に変換できるため、候補者は多くの治験を迅速にフィルタリングできます。カナダに本社を置く Inspirata は、医療分野で自然言語処理を採用し、患者の募集を容易にするソリューションを構築しました。その NLP エンジンは臨床文書をマイニングし、非構造化データを患者の適格性に関する構造化された洞察に変換します。

もう 1 つの成功した NLP プラットフォームであるLinguamatics NLP は、患者の募集だけでなく、治験の設計や施設の選択にも役立ちます。ニュースフィード、特許、医学文献、同様の治験の説明など、さまざまなソースを解析できます。

AI の他の分野がこの分野にどのように貢献しているかを確認するには、臨床試験における AI に関する記事を参照してください。

患者感情分析

NLP を医療に適用すると、医療スタッフがさまざまなソーシャルメディアプラットフォームから顧客のレビューや意見を集約して分析することができます。自然言語処理ツールは、何千ものレビューを処理して、受けたケアに対する患者の態度を評価できます。このようなツールを使用すると、患者をイライラさせる側面を特定し、頻度に基づいてセグメント化し、最も頻繁に発生する否定的なフィードバックに対する改善の実装を開始できます。

たとえば、「受付係と話すために電話で 30 分待ちました」などのコメントは、管理スタッフに対する否定的な経験を示しています。

感情分析においてヘルスケア NLP を活用するもう 1 つの方法は、調査結果を処理することです。ソーシャルメディアに依存する代わりに、医療施設は対象を絞った調査を作成し、患者に配布し、NLP ソリューションを使用してすべての回答を自動的にレビューできます。

最近の研究では、研究者チームは、調査結果をスキャンして患者が医療提供者についてどう感じているかを判断できるNLP ソリューションを構築しました。研究チームは自由回答形式の質問を含む調査を設計し、前庭神経鞘腫患者に配布し、534 件の回答を得た。アルゴリズムは、反応を肯定的な感情と否定的な感情の 2 つのグループに分類しました。この分類は、人間の専門家によって作成された手動分類と 90% 重複していました。

感情分析が顧客サービスをどのように向上させるかについて詳しく知りたい場合は、当社のブログ記事を参照してください。

創薬

効果的な候補薬を見つけるために、科学者はまず生物学的起源を特定し、病気を理解する必要があります。これには、大量の医学文献や患者データなどのレビューが含まれます。医療における自然言語処理は、これらすべての情報を迅速に選別し、関連するものを抽出し、説得力のある形式で研究者に提示できるため、研究者は同様の病気とその治療方法について学ぶことができます。

たとえば、テキサスに拠点を置くLymba は、遺伝子カード、PubMed 出版物、独自のグローバル研究データリポジトリ、臨床試験文書などの複数のソースからの非構造化データを分析するために NLP を適用することで、創薬を支援できる AI 搭載ソフトウェアを提供しています。。このツールは、利用可能な疾患関連の知識を吸収した後、効果的な新薬を発見するための有望な研究領域を強調する既存薬のオントロジーを構築します。

さらに、NLP はソーシャルメディアのフィードや患者の医療記録を分析して、さまざまな薬の副作用を評価できます。一部のツールでは、薬の副作用を摂取量や使用頻度と相関させることもできます。

創薬における AIのさらにエキサイティングな応用については、当社のブログを参照してください。

医療における NLP 実装の課題

自然言語処理を医療分野に適用すると、多くの利点があります。しかし、このテクノロジーを使って実践を強化しようと決めた場合、遭遇する可能性が高い課題は次のとおりです。

医療分野の特定の言語要件

医師には、臨床記録やその他の医療文書の書き方に特有の方法があります。このスタイルは通常、専門用語、頭字語、略語が多用されており、文脈が限られています。さらに混乱を招くのは、統一医療言語システム Metathesaurus に存在する臨床略語の 3 分の 1 が、それぞれ複数の意味を持っていることです。

完全に綴られた単語であっても、混乱を招く可能性があります。たとえば、「退院」は状況に応じて、病院からの退院または体液のいずれかを意味します。

また、クリニックを超えてヘルスケアにおける NLP の適用を拡張し、ソーシャルメディア上の患者のフィードバックの分析に NLP を使用したい場合は、人々が言葉の代わりに感情を表現するために使用する特定の略語や絵文字に慣れる必要があります。

既製の汎用 NLP アルゴリズムを取得した場合は、医療現場で動作するように再トレーニングする必要があります。さらに良いのは、医師が使用する用語を理解してもらうことです。

人間の言語の複雑さに関連する問題

NLP アルゴリズムを導入して、明示的に言及され、明確な用語を見つけるのは比較的簡単です。しかし、人間の言語は必ずしもそれほど単純ではありません。場合によっては、アルゴリズムで次のような処理が必要になることがあります。

推論。医療における自然言語処理モデルは、入力テキストから情報を推測できなければなりません。たとえば、患者が社会的サポートを受けているかどうかを知りたい場合、医療記録にそのことが明確に記載されていない可能性があります。ただし、「ベッドサイドの親戚」など、患者が何らかの形でサポートを受けていることを示唆するものがあるかもしれません。
キーワードを超えたセマンティクス。基本的なキーワード駆動型 NLP は、「妻が患者の薬を飲むのを手伝う」と「患者が妻の薬を飲むのを手伝う」という 2 つのステートメントを同一のものとして認識しますが、実際には、両方の場合の意味論は大きく異なります。
否定。臨床医は、病状がないことを示すために否定を使用することがよくあります。たとえば、医師は、悪性脳腫瘍が見つからなかったという事実を記録するために、「脳の悪性腫瘍は除外されました」と書くかもしれません。医療 NLP アルゴリズムは、これを病気の存在と間違えることはありません。

対象となるビジネスケースに基づいて、アルゴリズムをどの程度高度にする必要があるかを決定します。また、より基本的なソリューションを選択する場合は、その制限に注意してください。

バイアスと説明可能性

他の AI テクノロジーと同様、医療分野の NLP は、不均衡なデータセットでのトレーニング中、または業務中に学習を継続しているときに、さまざまな種類のバイアスを取得する可能性があります。ジェンダーバイアスは、自然言語処理ベースのツールで最も顕著なタイプの 1 つです。たとえば、 GPT-3 は男性を医師などの高度な教育を必要とする仕事と関連付ける傾向がある一方、女性は看護師などの知識集約型ではない職業と関連付けている傾向があります。

残念ながら、AI の偏見は医療分野では珍しいことではありません。たとえば、患者の病気の重症度を判断するはずだったアルゴリズムは、歴史的に白人患者のニーズにより多くのお金が費やされてきたという理由だけで、黒人患者に必要なケアのレベルを大幅に軽視していました。

アルゴリズムが「ブラックボックス」モデルであり、結論にどのように到達するかを説明していない場合、バイアスを特定するのは難しい場合があります。この問題に対する 1 つの解決策は、説明可能な AIを導入することです。このテクノロジーを使用すると、医療用自然言語処理ツールがその推奨事項を正当化し、その推奨事項が偏っていないかどうかを検証できるようになります。

バイアスを特定するもう 1 つの方法は、特定のタイプのバイアスを検出するために科学者が設計した厳選されたデータセットを使用することです。このソリューションは大規模なアプリケーションには拡張できませんが、限られた用途ではうまく機能します。

上記の 3 つの NLP 固有の課題に加えて、AI を活用したテクノロジーの実装に関連して、次のような一般的な障害に遭遇する可能性があります。

レガシーシステムとの統合。多くの医療機関は依然として、AI 主導テクノロジーと連携して大量のデータを処理するように構築されていない時代遅れのレガシーシステムに依存しています。
トレーニングデータが不十分です。医療施設は、対象集団を忠実に表す十分な高品質のデータを提供するのに苦労しています。
倫理的配慮とモラルハザード。病院は、適切な治療法を選択する最終決定権を誰が持つのか、治療法がうまくいかなかった場合の責任は誰にあるのかなど、AI の使用に伴う責任に苦しんでいます。

より詳細な説明については、 AI 実装の主な課題に関する記事を確認してください。

医療における自然言語処理の段階的な実装

ヘルスケアで NLP を使用したい場合は、次の手順に従うことができます。

潜在的な使用例を特定します。 NLP でどの問題を解決したいのか、また、否定や推論などの高度な言語処理機能が必要かどうかを決定します。
NLP ソリューションを構築/購入します。既製の NLP ツールを入手するか、独自にカスタマイズした製品を構築するかを決定します。既製のソリューションは、資金が限られており、外部製品に対応できる柔軟な内部プロセスを持つ企業に適しています。ワークフローが厳格で、スケーラブルなものを探しており、新しいツールを従来のシステムと統合する必要がある場合は、カスタム構築ソリューションを検討してください。後者の場合、協力できる信頼できるAI ヘルスケアソリューション会社を探す必要があります。
トレーニングデータセットを準備します。前のステップで既製のソリューションを選択した場合でも、主流の NLP モデルはヘルスケア分野の特性を処理できるように設計されていないため、最適なパフォーマンスを得るために再トレーニングする必要があります。バイアスがなく、ターゲット母集団を代表するトレーニングデータセットを準備する必要があります。
モデルをトレーニングして検証します。ツールのバイアス、使いやすさ、ワークフローの他の部分との統合方法をテストします。
アルゴリズムが準拠していることを確認してください。医療分野で AI モデルを構築および/または導入したい場合は、コンプライアンスが最も重要です。ツールは、米国食品医薬品局 (FDA)、一般データ保護規則 (GDPR)、および事業を展開する国のその他の規制機関に準拠する必要があります。このトピックについて詳しくは、医療 IT 標準に関する最近の記事をご覧ください。
既存のシステムと統合します。カスタムヘルスケアソリューションを選択し、テクノロジーベンダーを雇った場合、ベンダーはシステムの詳細を念頭に置いて NLP ツールを設計および構築します。また、ソリューションをレガシーシステムと統合するのにも役立ちます。
アルゴリズムを常に監視して調整します。この取り組みは、自然言語処理を医療分野に導入するだけでは終わりません。 NLP モデルを監査して、期待どおりの結果が得られていることを確認し、ターゲットユースケースの変更を反映するようにモデルを更新する必要があります。