paint-brush
Processamento de linguagem natural na área da saúde: um caminho para a adoçãopor@itrex
720 leituras
720 leituras

Processamento de linguagem natural na área da saúde: um caminho para a adoção

por ITRex11m2023/05/15
Read on Terminal Reader

Muito longo; Para ler

De acordo com a American Medical Association, a taxa de esgotamento médico atingiu quase 63% em 2021, enquanto os índices de realização profissional despencaram para 22%. Este parece ser o momento certo para o setor médico buscar uma solução.
featured image - Processamento de linguagem natural na área da saúde: um caminho para a adoção
ITRex HackerNoon profile picture
0-item
1-item

De acordo com a American Medical Association, a taxa de esgotamento médico atingiu quase 63% em 2021, enquanto os índices de realização profissional despencaram para 22%. Este parece ser o momento certo para o setor médico buscar uma solução.


Quer você já tenha experiência com IA ou não, a implementação do processamento de linguagem natural na área da saúde pode tirar um pouco da carga dos ombros de seus funcionários e agilizar suas operações.


A MarketsandMarkets relata que o mercado global de processamento de linguagem natural no mercado de saúde e ciências da vida foi avaliado em US$ 2,2 bilhões em 2022 e deve chegar a US$ 7,2 bilhões em 2027. E essa tendência continuará à medida que mais organizações médicas recorrerem a empresas de serviços de PNL para criar soluções personalizadas.


Então, como a PNL é usada na área da saúde e como implantar essa tecnologia? Continue lendo para descobrir.

O que é processamento de linguagem natural na área da saúde?

O processamento de linguagem natural (PNL) é um ramo da IA que usa algoritmos para extrair significado da linguagem humana não estruturada apresentada em formato falado ou escrito. A PNL requer conhecimento de linguística computacional e outras habilidades de aprendizado de máquina.


O processamento de linguagem natural está ganhando popularidade na área da saúde, pois pode analisar grandes quantidades de dados médicos não estruturados, como anotações médicas, registros médicos, relatórios de ensaios clínicos e até análises de serviços que os pacientes publicam nas mídias sociais. A pesquisa mostra que cerca de 80% dos dados de saúde não são estruturados e não são utilizados em todo o seu potencial. A PNL pode mudar isso analisando dados e extraindo insights para orientar médicos e farmacêuticos a tomar decisões mais informadas.


Aqui estão algumas das principais técnicas de PNL que são úteis em ambientes de saúde:

Fonte

  • Reconhecimento óptico de caracteres (OCR) . O OCR converte texto impresso e manuscrito em um formato legível por máquina. Ele pode extrair texto de imagens e tabelas e passá-lo para outros algoritmos NLP para processamento posterior. Se você quiser saber mais sobre o assunto, confira nosso guia recente sobre reconhecimento óptico de caracteres .
  • Classificação do texto . Essa abordagem envolve a atribuição de rótulos semânticos com base em categorias predefinidas. Por exemplo, permite que os médicos rotulem um paciente como “em risco de hospitalização” com base em determinadas palavras-chave em suas anotações médicas.
  • Reconhecimento de entidades nomeadas . Este é um modelo de extração de informações que pode identificar entidades no texto. Os médicos podem usar essa técnica para extrair entidades, como “tratamento” e “sintomas”, de uma pilha de dados médicos.
  • Modelagem de tópicos . Essa técnica pode classificar informações com base em tópicos comuns. Por exemplo, pode agrupar todas as notas dos médicos sobre pacientes que sofrem de um determinado distúrbio.
  • Extração de relacionamento . Este método NLP pode estabelecer relações semânticas entre entidades. Por exemplo, pode apontar que um determinado paciente foi tratado naquele hospital sob a supervisão desse médico.

Casos de uso da PNL na área da saúde

Depois de aprender sobre o que é a PNL na área da saúde e como ela funciona, vamos ver como ela pode contribuir para a área da saúde.

Gestão de documentação clínica

A pesquisa mostra que os médicos gastam 16 minutos em EHRs, em média, para cada paciente que atendem. Este tempo poderia ter sido gasto cuidando de pacientes. Em vez disso, é desperdiçado na tela e contribui para o desgaste do médico.

Aprimorando a documentação clínica por meio do reconhecimento de fala

O processamento de linguagem natural na área da saúde pode ajudar os médicos a trabalhar com registros eletrônicos de saúde (EHRs). Os médicos podem usar ferramentas de conversão de fala em texto com recursos NLP integrados para transcrever suas anotações e inseri-las nos campos EHR da patente correspondente. Além disso, a equipe médica pode consultar as ferramentas de PNL para extrair dados relevantes dos EHRs.


Por exemplo, a solução Dragon Medical One da Nuance é uma ferramenta de reconhecimento de fala baseada em nuvem que ajuda o pessoal médico a documentar as histórias dos pacientes em seus EHRs. A empresa afirma que a implantação de sua solução reduzirá pela metade o tempo gasto com documentação clínica. O Concord Hospital implantou o Dragon Medical One e 75% dos funcionários relataram documentação clínica mais precisa.

Apoiar os médicos na tomada de decisão

As soluções de PNL também podem analisar documentos clínicos e apoiar os médicos na tomada de decisões em tempo real. Por exemplo, depois de analisar as anotações do médico, o sistema pode prever as demandas de leitos hospitalares, o que dá tempo à equipe do hospital para preparar e acomodar os pacientes que chegam.

Codificação médica e faturamento

Codificação médica significa derivar informações faturáveis de notas clínicas e transferi-las para códigos médicos padronizados. Tradicionalmente, um codificador humano executaria essa tarefa. Mas a codificação manual é lenta e propensa a erros, o que significa que o provedor pode não conseguir reivindicar e receber o valor total em compensações.


As ferramentas de codificação assistida por computador (CAC) alimentadas por NLP podem derivar informações de anotações médicas e EHRs de pacientes sobre diferentes terapias e procedimentos que eles encontraram e fornecer os códigos de seguro correspondentes para solidificar as reivindicações.


Um exemplo de processamento de linguagem natural CAC na área da saúde é o 3M 360 Encompass System . A empresa emprega mais de 150 especialistas em codificação e mantém-se atualizada com os regulamentos mais recentes. Essa solução auxilia os codificadores agregando e analisando a documentação do paciente, oferecendo etiquetas sugeridas automaticamente e ferramentas abrangentes de revisão e aprovação.

Fonte

Gestão de ensaios clínicos


Estudos revelam que cerca de 80% dos ensaios clínicos são adiados ou encerrados porque não conseguem recrutar participantes suficientes. A PNL médica pode acelerar o recrutamento ao escanear os dados médicos dos pacientes em busca de candidatos elegíveis para testes. A tecnologia também pode ajudar as pessoas que desejam participar de ensaios clínicos. Ele pode transformar os critérios de elegibilidade em perguntas, permitindo que os candidatos filtrem rapidamente vários testes. Com sede no Canadá, a Inspirata desenvolveu uma solução que emprega processamento de linguagem natural na área da saúde para facilitar o recrutamento de pacientes . Seu mecanismo de NLP extrai documentos clínicos e transfere dados não estruturados para insights estruturados sobre a elegibilidade do paciente.

Fonte

Outra plataforma de PNL bem-sucedida, a Linguamatics NLP , pode não apenas ajudar a recrutar pacientes, mas também auxiliar no desenho do estudo e na seleção do local. Ele pode analisar uma variedade de fontes, como feeds de notícias, patentes, literatura médica e descrições de ensaios semelhantes.

Consulte nosso artigo sobre IA em ensaios clínicos para descobrir como outras subdisciplinas da IA contribuem para esse campo.

Análise de sentimento do paciente

A aplicação da PNL na área da saúde ajuda a equipe médica a agregar e analisar avaliações e opiniões de clientes de diferentes plataformas de mídia social. As ferramentas de processamento de linguagem natural podem processar milhares de revisões para avaliar a atitude dos pacientes em relação ao atendimento recebido. Tais ferramentas podem identificar aspectos que frustram os pacientes, segmentá-los com base na frequência e começar a implementar melhorias para os feedbacks negativos mais recorrentes.


Por exemplo, um comentário como “ esperei 30 minutos no telefone para falar com a recepcionista ” indica uma experiência negativa com o administrativo.


Outra forma de se beneficiar do NLP de assistência médica na análise de sentimentos é processar os resultados da pesquisa. Em vez de depender das mídias sociais, os estabelecimentos de saúde podem compor pesquisas direcionadas, distribuí-las entre os pacientes e usar soluções de PNL para revisar automaticamente todas as respostas.

Em um estudo recente, uma equipe de pesquisadores desenvolveu uma solução de PNL que pode escanear os resultados da pesquisa para determinar como os pacientes se sentem em relação ao seu profissional de saúde. A equipe elaborou uma pesquisa com perguntas abertas, distribuiu-a em pacientes com schwannoma vestibular e recebeu 534 respostas. O algoritmo classificou as respostas em dois grupos – sentimentos positivos e negativos. Esta classificação teve uma sobreposição de 90% com a classificação manual produzida por especialistas humanos.


Confira nosso artigo de blog se quiser saber mais sobre como a análise de sentimento pode melhorar seu atendimento ao cliente .

Descoberta de drogas

Para encontrar drogas candidatas eficazes, os cientistas precisam primeiro identificar as origens biológicas e entender a doença. Isso inclui revisar grandes quantidades de literatura médica, dados de pacientes e muito mais. O processamento de linguagem natural na área da saúde pode filtrar rapidamente todas essas informações, extrair o que é relevante e apresentá-las aos pesquisadores em um formato atraente para que possam aprender sobre doenças semelhantes e como foram tratadas.


Por exemplo, Lymba , com sede no Texas, oferece um software baseado em IA que pode auxiliar na descoberta de medicamentos, aplicando o NLP para analisar dados não estruturados de várias fontes, como cartões genéticos, publicações PubMed, repositórios de dados de pesquisa globais proprietários, documentação de ensaios clínicos e muito mais . Depois de absorver o conhecimento disponível relacionado a doenças, a ferramenta cria uma ontologia de medicamentos existentes que destaca áreas de pesquisa promissoras para descobrir novos medicamentos eficazes.


Além disso, a PNL pode analisar feeds de mídia social e registros médicos de pacientes para avaliar os efeitos adversos de diferentes medicamentos. Algumas ferramentas podem até correlacionar os efeitos colaterais de um medicamento à dosagem consumida e à frequência de uso.


Para aplicações mais empolgantes da IA na descoberta de medicamentos, você pode consultar nosso blog.

Desafios da implementação da PNL na área da saúde

A aplicação do processamento de linguagem natural na área da saúde tem muitos benefícios. Mas se você decidir aprimorar sua prática com essa tecnologia, aqui estão os desafios que provavelmente encontrará.

Requisitos de linguagem específicos da área de saúde

Os médicos têm sua maneira específica de escrever notas clínicas e outros documentos médicos. Esse estilo geralmente é carregado de jargões, acrônimos e abreviações e tem um contexto limitado. Para aumentar a confusão, um terço das abreviaturas clínicas presentes no Metathesaurus do Sistema Unificado de Linguagem Médica tem vários significados cada .


Mesmo as palavras escritas por extenso podem ser confusas. Por exemplo, “alta” pode significar alta de um hospital ou fluidos corporais, dependendo do contexto.


E se você quiser estender a aplicação da PNL na área da saúde além de sua clínica e usá-la para analisar o feedback do paciente nas mídias sociais, precisará familiarizá-la com as abreviações e emoticons específicos que as pessoas usam para expressar suas emoções em vez de palavras.

Se você adquirir algoritmos de PNL de uso geral prontos, precisará treiná-los novamente para operar em ambientes de assistência médica. E melhor ainda, familiarize-os com o vocabulário usado por seus médicos.

Questões relacionadas à complexidade da linguagem humana

É relativamente fácil implantar algoritmos de NLP para detectar termos explicitamente mencionados e inequívocos. Mas a linguagem humana nem sempre é tão direta. Às vezes, os algoritmos precisam lidar com o seguinte:


  • Inferências . Os modelos de processamento de linguagem natural na área da saúde devem ser capazes de inferir informações do texto de entrada. Por exemplo, se você quiser saber se um paciente tem apoio social, pode não haver uma menção clara a isso em suas anotações médicas. No entanto, pode haver algo como “parente à beira do leito”, o que implica que o paciente tem uma forma de apoio.
  • Semântica além das palavras-chave . Uma PNL básica baseada em palavras-chave perceberá as duas declarações “esposa ajuda paciente com medicação” e “paciente ajuda esposa com medicação” como idênticas, enquanto na realidade a semântica em ambos os casos é muito diferente.
  • Negação . Os médicos costumam usar a negação para indicar a ausência de condições médicas. Por exemplo, um médico pode escrever “uma malignidade cerebral foi descartada” para documentar o fato de que um tumor cerebral maligno não foi encontrado. Os algoritmos da PNL médica não podem confundir isso com a presença da doença.


Decida o quão avançado seus algoritmos precisam ser com base nos casos de negócios de destino. E se você optar por soluções mais básicas, fique atento às suas limitações.

Preconceito e explicabilidade

Como qualquer outra tecnologia de IA, a PNL na área médica pode adquirir diferentes tipos de viés durante o treinamento em conjuntos de dados desbalanceados ou quando continua a aprender no trabalho. O viés de gênero é um dos tipos mais proeminentes em ferramentas baseadas em processamento de linguagem natural. Por exemplo, o GPT-3 tende a associar os homens a trabalhos que exigem educação de alto nível, como médico, enquanto as mulheres estão ligadas a ocupações menos intensivas em conhecimento, como enfermeira.


Infelizmente, o viés da IA não é incomum na área da saúde. Por exemplo, um algoritmo que deveria determinar a gravidade da doença dos pacientes minimizou significativamente o nível de cuidado necessário para pacientes negros apenas porque, historicamente, mais dinheiro foi gasto nas necessidades dos pacientes brancos.


Pode ser difícil detectar viés quando os algoritmos são modelos de “caixa preta” que não explicam como chegam a suas conclusões. Uma solução para esse problema é implantar IA explicável . Com essa tecnologia, as ferramentas de processamento de linguagem natural da área da saúde justificam suas recomendações, permitindo verificar se são tendenciosas ou não.


Outra maneira de identificar o viés é usar um conjunto de dados curado que os cientistas projetaram para detectar tipos específicos de viés. Essa solução não é escalável para aplicativos grandes, mas funciona bem com uso limitado.

Além dos três desafios específicos da PNL apresentados acima, você pode encontrar obstáculos gerais associados à implementação de qualquer tecnologia baseada em IA, como:


  • Integração com sistemas legados . Muitas organizações de assistência médica ainda dependem de sistemas legados desatualizados que não foram criados para funcionar com tecnologia orientada por IA e lidar com grandes quantidades de dados.
  • Dados de treinamento insuficientes . As instalações médicas lutam para fornecer dados suficientes e de alta qualidade que representem fielmente a população-alvo.
  • Considerações éticas e riscos morais . Os hospitais lutam com a responsabilidade que advém do uso da IA, como quem tem a palavra final na seleção do tratamento certo e quem é responsável se o tratamento não funcionar.


Para obter uma explicação mais detalhada, consulte nosso artigo sobre os principais desafios de implementação de IA .

Implementação passo a passo do processamento de linguagem natural na área da saúde

Se você deseja usar a PNL na área da saúde, siga estas etapas:


  • Identifique possíveis casos de uso . Determine quais problemas você deseja resolver com o NLP e se precisa de recursos avançados de processamento de linguagem, como negação e inferência.
  • Construir/comprar uma solução de PNL . Decida se deseja adquirir uma ferramenta de PNL pronta ou construir seu próprio produto personalizado. Soluções prontas para uso são adequadas para empresas com fundos limitados e processos internos flexíveis que podem ser adaptados para acomodar um produto externo. Considere uma solução personalizada se você tiver fluxos de trabalho rígidos, estiver procurando algo escalável e precisar integrar a nova ferramenta a sistemas legados. Neste último caso, você precisará procurar uma empresa confiável de soluções de saúde em IA para colaborar.
  • Prepare o conjunto de dados de treinamento . Mesmo que você tenha optado por uma solução pronta na etapa anterior, ainda precisará treiná-la novamente para obter um desempenho ideal, pois os modelos de NLP convencionais não são projetados para lidar com as especificidades do setor de saúde. Você precisará preparar um conjunto de dados de treinamento livre de viés e representativo de sua população-alvo.
  • Treine e valide o modelo . Teste a ferramenta quanto a viés, usabilidade e como ela se integra ao restante do fluxo de trabalho.
  • Certifique-se de que seus algoritmos sejam compatíveis . Se você deseja construir e/ou adotar modelos de IA no setor médico, a conformidade é de extrema importância. Suas ferramentas precisam estar em conformidade com a Food and Drugs Administration (FDA) dos EUA, com os Regulamentos Gerais de Proteção de Dados (GDPR) e com quaisquer outros órgãos reguladores nos países em que você opera. Você pode encontrar mais informações sobre o assunto em nosso artigo recente sobre padrões de TI para assistência médica .
  • Integre-se com seus sistemas existentes . Se você optou por uma solução de assistência médica personalizada e contratou um fornecedor de tecnologia, eles projetarão e construirão a ferramenta de PNL com as especificidades do seu sistema em mente. Eles também irão ajudá-lo a integrar a solução com seus sistemas legados.
  • Monitore e ajuste os algoritmos constantemente . O esforço não termina na implantação do processamento de linguagem natural na área da saúde. Você precisa auditar os modelos de NLP para garantir que eles ainda estejam produzindo os resultados desejados e atualizá-los para refletir quaisquer alterações nos casos de uso de destino.

Considerações finais

A PNL tem muitas aplicações na área da saúde. Ele pode ajudar a economizar tempo na codificação médica, facilitar o recrutamento de participantes para ensaios clínicos, manter os pacientes satisfeitos por meio da análise de sentimentos e muito mais.


Para implantar com sucesso o processamento de linguagem natural na área da saúde, dedique tempo para encontrar um fornecedor confiável de machine learning com experiência na área médica. Um parceiro técnico irá ajudá-lo com:


  • Criando e treinando modelos personalizados de PNL que:
    • Estão livres de preconceito
    • Encaixe perfeitamente com o resto do seu sistema
    • Adapte o vocabulário da sua prática e tenha o grau de complexidade desejado
  • Cumprindo os requisitos de privacidade do setor de saúde
  • Apoiando você na auditoria e atualização dos algoritmos quando necessário


Procurando aprimorar sua prática médica com a PNL? Deixe-nos cair uma linha ! Ajudaremos você a criar uma solução compatível adaptada aos seus sistemas e vocabulário internos.


Publicado também aqui .