医疗保健中的自然语言处理：采用的途径

根据美国医学协会的数据，2021 年医生的倦怠率达到近 63%，而专业成就感分数直线下降至 22%。这似乎是医疗部门寻求解决方案的合适时机。

无论您是否已经拥有 AI 经验，在医疗保健领域实施自然语言处理都可以减轻您员工的一些负担并简化您的运营。

MarketsandMarkets 报告称，2022 年全球医疗保健和生命科学市场的自然语言处理价值为 22 亿美元，预计到 2027 年将达到 72 亿美元。随着越来越多的医疗组织转向NLP 服务公司构建定制解决方案，这一趋势将继续下去。

那么，NLP 如何应用于医疗保健，以及如何部署这项技术？继续阅读以找出答案。

什么是医疗保健中的自然语言处理？

自然语言处理 (NLP) 是人工智能的一个分支，它使用算法从以口头或书面形式呈现的非结构化人类语言中提取意义。 NLP 需要计算语言学和其他机器学习技能的知识。

自然语言处理在医疗保健领域越来越受欢迎，因为它可以分析大量非结构化医疗数据，例如医生笔记、医疗记录、临床试验报告，甚至是患者在社交媒体上发布的服务评论。研究表明，大约80% 的医疗保健数据是非结构化的，没有充分发挥其潜力。 NLP 可以通过分析数据和提取见解来改变这种状况，以指导医生和药剂师做出更明智的决定。

以下是一些在医疗保健环境中有用的主要 NLP 技术：

• 光学字符识别 (OCR) 。 OCR 将打印和手写的文本转换为机器可读的格式。它可以从图像和表格中提取文本，并将其传递给其他 NLP 算法进行进一步处理。如果您想了解有关该主题的更多信息，请查看我们最近的光学字符识别指南。
• 文本分类。这种方法涉及根据预定义的类别分配语义标签。例如，它允许医生根据医疗笔记中的某些关键字将患者标记为“有住院风险”。
• 命名实体识别。这是一个信息抽取模型，可以精确定位文本中的实体。医生可以使用这种技术从大量医疗数据中提取实体，例如“治疗”和“症状”。
• 主题建模。该技术可以根据共同主题对信息进行排序。例如，它可以将所有医生关于患有特定疾病的患者的笔记组合在一起。
• 关系提取。这种 NLP 方法可以建立实体之间的语义关系。例如，它可以指出某位患者是在该医生的监督下在该医院接受治疗的。

NLP 在医疗保健中的用例

在了解了什么是医疗保健 NLP 及其工作原理之后，让我们看看它如何为医疗保健领域做出贡献。

临床文档管理

研究表明，医生平均会在 EHR 上花费 16 分钟看每位患者。这段时间本可以用来照顾病人。相反，它浪费在屏幕上并导致医生倦怠。

通过语音识别增强临床文档

医疗保健中的自然语言处理可以帮助医生处理电子健康记录 (EHR)。医生可以使用具有内置 NLP 功能的语音到文本转换工具来转录他们的笔记并将其输入到相应专利的 EHR 字段中。此外，医务人员可以查询 NLP 工具以从 EHR 中提取相关数据。

例如，Nuance 的Dragon Medical One解决方案是一种基于云的语音识别工具，可帮助医务人员在其 EHR 中记录患者的故事。该公司声称，部署他们的解决方案将使花在临床文档上的时间减少一半。 Concord Hospital 部署了 Dragon Medical One， 75% 的员工报告了更准确的临床文档。

支持医生的决策

NLP 解决方案还可以分析临床文档并支持医生进行实时决策。例如，在分析医生的记录后，系统可以预测医院的床位需求，从而让医院工作人员有时间准备和接待即将到来的病人。

医疗编码和计费

医疗编码意味着从临床记录中提取可计费信息并将其转换为标准化医疗代码。传统上，人类编码员会执行此任务。但手动编码速度慢且容易出错，这意味着提供商可能无法索赔并获得全额赔偿。

NLP 支持的计算机辅助编码 (CAC) 工具可以从医生笔记和患者 EHR 中获取有关他们遇到的不同疗法和程序的信息，并提供相应的保险代码以巩固索赔。

医疗保健中 CAC 自然语言处理的一个例子是3M 360 Encompass System 。该公司雇用了 150 多名编码专家，并紧跟最新法规。该解决方案通过汇总和分析患者文档、提供自动建议的标签以及全面的审查和批准工具来协助编码人员。

临床试验管理

研究表明，大约80% 的临床试验因无法招募到足够的参与者而被推迟或终止。医学 NLP 可以通过扫描患者的医疗数据来寻找符合条件的试验候选人，从而加快招募速度。该技术还可以帮助想要参与临床试验的人。它可以将资格标准转化为问题，使候选人能够快速筛选许多试验。总部位于加拿大的 Inspirata 构建了一个解决方案，该解决方案在医疗保健领域采用自然语言处理来促进患者招募。其 NLP 引擎挖掘临床文件并将非结构化数据转换为有关患者资格的结构化见解。

另一个成功的 NLP 平台Linguamatics NLP不仅可以帮助招募患者，还可以辅助试验设计和选址。它可以解析各种来源，例如新闻提要、专利、医学文献和类似的试验描述。

请参阅我们关于 AI 在临床试验中的文章，了解 AI 的其他分支学科如何为该领域做出贡献。

患者情绪分析

将 NLP 应用于医疗保健有助于医务人员汇总和分析来自不同社交媒体平台的客户评论和意见。自然语言处理工具可以处理数以千计的评论，以衡量患者对他们所接受护理的态度。此类工具可以识别让患者感到沮丧的方面，根据频率对其进行细分，并开始针对最反复出现的负面反馈实施改进。

例如，“我在电话里等了 30 分钟才与接待员交谈”这样的评论表明对行政人员的负面体验。

在情绪分析中受益于医疗保健 NLP 的另一种方法是处理调查结果。医疗机构不依赖社交媒体，而是可以编写有针对性的调查，将其分发给患者，并使用 NLP 解决方案自动审查每个响应。

在最近的一项研究中，一组研究人员构建了一个 NLP 解决方案，可以扫描调查结果以确定患者对其医疗保健提供者的看法。该团队设计了一项带有开放式问题的调查，并将其分发给前庭神经鞘瘤患者，并收到了 534 份回复。该算法将回答分为两组——积极情绪和消极情绪。该分类与人类专家的人工分类有 90% 的重叠。

如果您想详细了解情绪分析如何提升您的客户服务，请查看我们的博客文章。

药物发现

为了找到有效的候选药物，科学家需要首先确定生物起源并了解疾病。这包括查阅大量医学文献、患者数据等。医疗保健中的自然语言处理可以快速筛选所有这些信息，提取相关信息，并以引人注目的格式呈现给研究人员，以便他们了解类似疾病及其治疗方法。

例如，位于德克萨斯州的Lymba提供了一种人工智能软件，该软件可以通过应用 NLP 分析来自多个来源的非结构化数据来协助药物发现，例如基因卡、PubMed 出版物、专有的全球研究数据存储库、临床试验文档等.在吸收了可用的疾病相关知识后，该工具构建了现有药物的本体论，突出了有前途的研究领域，以发现新的有效药物。

此外，NLP 可以分析社交媒体提要和患者的医疗记录，以衡量不同药物的副作用。有些工具甚至可以将药物的副作用与消耗的剂量和使用频率相关联。

有关AI 在药物发现中更多令人兴奋的应用，您可以参考我们的博客。

NLP 在医疗保健领域实施的挑战

在医疗保健中应用自然语言处理有很多好处。但是，如果您决定使用这项技术加强您的实践，那么您可能会遇到以下挑战。

医疗保健领域的特定语言要求

医生在撰写临床记录和其他医疗文件时有其特定的方式。这种风格通常充满行话、首字母缩略词和缩写词，并且上下文有限。更令人困惑的是，统一医学语言系统 Metathesaurus 中三分之一的临床缩写都有多种含义。

即使是完整拼写的单词也可能令人困惑。例如，“出院”可以表示从医院出院或体液出院，具体取决于上下文。

如果你想将 NLP 在医疗保健中的应用扩展到你的诊所之外，并用它来分析患者在社交媒体上的反馈，那么你需要熟悉人们用来表达情感而不是文字的特定缩写和表情符号。

如果您获得现成的通用 NLP 算法，您将需要重新训练它们以在医疗环境中运行。更好的是，让他们熟悉医生使用的词汇。

与人类语言复杂性相关的问题

部署 NLP 算法来发现明确提及且明确的术语相对容易。但人类语言并不总是那么直截了当。有时，算法需要处理以下内容：

• 推论。医疗保健中的自然语言处理模型必须能够从输入文本中推断出信息。例如，如果您想知道患者是否有社会支持，他们的医疗记录中可能没有明确提及。但是，可能会有类似“床边亲戚”之类的东西，这意味着患者有某种形式的支持。
• 超越关键字的语义。基本的关键字驱动的 NLP 会将“妻子帮助患者用药”和“患者帮助妻子用药”这两个语句视为相同，而实际上这两种情况的语义非常不同。
• 否定。临床医生经常使用否定来表示没有医疗条件。例如，医生可能会写下“排除了脑恶性肿瘤”来记录未发现恶性脑肿瘤的事实。医学 NLP 算法不能将其误认为是疾病的存在。

根据目标业务案例确定您的算法需要达到的高级程度。如果您选择更基本的解决方案，请注意它们的局限性。

偏见和可解释性

与任何其他 AI 技术一样，医学领域的 NLP 在对不平衡数据集进行训练或在工作中继续学习时，可能会获得不同类型的偏差。性别偏见是基于自然语言处理的工具中最突出的类型之一。例如， GPT-3 倾向于将男性与需要高学历的工作相关联，例如医生，而女性则与知识密集程度较低的职业相关联，例如护士。

不幸的是，人工智能偏见在医疗保健领域并不少见。例如，一种本应确定患者疾病严重程度的算法大大淡化了黑人患者所需的护理水平，因为从历史上看，更多的钱花在了白人患者的需求上。

当算法是无法解释其得出结论的方式的“黑匣子”模型时，很难发现偏差。这个问题的一个解决方案是部署可解释的人工智能。借助这项技术，医疗保健自然语言处理工具证明了它们的建议是合理的，让您可以验证它们是否有偏见。

另一种发现偏见的方法是使用科学家设计的精选数据集来检测特定类型的偏见。此解决方案不可扩展到大型应用程序，但在有限的使用情况下运行良好。

除了上面提到的三个特定于 NLP 的挑战之外，您可能会遇到与实施任何人工智能技术相关的一般障碍，例如：

• 与遗留系统集成。许多医疗保健组织仍然依赖过时的遗留系统，这些系统不是为使用 AI 驱动技术和处理大量数据而构建的。
• 训练数据不足。医疗机构努力提供足够、高质量的数据来忠实地代表目标人群。
• 伦理考虑和道德风险。医院在使用 AI 所带来的责任上苦苦挣扎，例如谁对选择正确的治疗有最终决定权，以及如果治疗无效由谁负责。

如需更详细的解释，请查看我们关于AI 实施的主要挑战的文章。

在医疗保健中逐步实施自然语言处理

如果你想在医疗保健中使用 NLP，你可以按照以下步骤操作：

• 确定潜在的用例。确定您希望使用 NLP 解决哪些问题，以及您是否需要高级语言处理能力，例如否定和推理。
• 构建/购买 NLP 解决方案。决定是要获取现成的 NLP 工具还是构建自己的定制产品。现成的解决方案适用于资金有限且内部流程灵活且可以适应外部产品的公司。如果您有严格的工作流程，正在寻找可扩展的东西，并且需要将新工具与遗留系统集成，请考虑定制解决方案。在后一种情况下，您需要寻找值得信赖的AI 医疗保健解决方案公司进行合作。
• 准备训练数据集。即使您在上一步中选择了现成的解决方案，您仍然需要对其进行重新训练以获得最佳性能，因为主流 NLP 模型并非旨在处理医疗保健行业的具体情况。您将需要准备一个无偏差且能代表目标人群的训练数据集。
• 训练和验证模型。测试工具的偏见、可用性以及它如何与工作流的其余部分集成。
• 确保您的算法合规。如果您想在医疗领域构建和/或采用 AI 模型，合规性至关重要。您的工具需要遵守美国食品和药物管理局 (FDA)、通用数据保护条例 (GDPR) 以及您运营所在国家/地区的任何其他监管机构。您可以在我们最近关于医疗保健 IT 标准的文章中找到有关该主题的更多信息。
• 与您现有的系统集成。如果您选择了定制的医疗保健解决方案并聘请了技术供应商，他们将根据您系统的具体情况设计和构建 NLP 工具。他们还将帮助您将解决方案与您的遗留系统集成。
• 不断监控和调整算法。这项工作并不止于在医疗保健领域部署自然语言处理。您需要审核 NLP 模型以确保它们仍在产生所需的结果并更新它们以反映目标用例中的任何变化。

结语

NLP 在医疗保健领域有很多应用。它可以帮助节省医学编码时间，促进临床试验参与者的招募，通过情绪分析让患者开心等等。

要在医疗保健领域成功部署自然语言处理，请花时间寻找具有医疗领域经验的值得信赖的机器学习供应商。技术合作伙伴将帮助您：

• 创建和训练自定义 NLP 模型：
  • 没有偏见
  • 与系统的其余部分无缝配合
  • 根据您的实践词汇量身定制并具有所需的复杂程度
• 遵守医疗保健行业的隐私要求
• 在需要时支持您审核和更新算法

希望通过 NLP 加强您的医疗实践？给我们写信！我们将帮助您构建适合您的内部系统和词汇的合规解决方案。