Nie jest to żadna nowość ani statystyka, że ponad 80% danych medycznych dostępnych dla interesariuszy ma charakter nieustrukturyzowany. Rozwój elektronicznej dokumentacji medycznej (EHR) wykładniczo ułatwił pracownikom służby zdrowia dostęp do interoperacyjnych danych, ich przechowywanie i modyfikowanie do własnych celów. Aby przedstawić krótki przykład różnych typów nieustrukturyzowanych danych dostępnych w EHR, oto krótka lista:
Notatki kliniczne pacjentów, recepty, diagnozy, opisy objawów, metod leczenia i wiele więcej
Podsumowania wypisów ze szpitala zawierające informacje na temat hospitalizacji pacjenta, przyjmowanych leków, diagnozy, prognozy, zaleceń dotyczących dalszej opieki i inne
Raporty patologiczne i radiologiczne
Obrazy medyczne, takie jak zdjęcia rentgenowskie, rezonans magnetyczny, tomografia komputerowa, USG i inne
Jednak konwencjonalne metody ekstrakcji kluczowych informacji z EHR były przeważnie ręczne i wymagały poświęcenia wielu godzin pracy na identyfikację poszczególnych parametrów, informacji i atrybutów w celu uzyskania wglądu. Jednak wraz ze wzrostem wykorzystania sztucznej inteligencji (AI) w opiece zdrowotnej, a w szczególności klinicznych modeli przetwarzania języka naturalnego (NLP) opartych na AI , profesjonaliści z branży opieki zdrowotnej łatwiej znaleźli i wyodrębnili nieustrukturyzowane dane z EHR.
W tym artykule wyjaśnimy, dlaczego jest to korzystne, jak można to zrobić bezproblemowo (w trybie sztucznej inteligencji ) i jakie wyzwania wiążą się z tym procesem.
Zalety wykorzystania przetwarzania języka naturalnego (NLP) do ekstrakcji informacji klinicznych z EHR
Zwiększona wydajność
Ludzie są podatni na błędy i często napotykają problemy z zarządzaniem czasem, co skutkuje opóźnieniami w dostarczaniu danych medycznych lub ich terminowym dostarczaniem przy obniżonej jakości. Automatyzacja zadań za pomocą modeli przetwarzania języka naturalnego (NLP) w trybie sztucznej inteligencji (AI) pozwala ograniczyć liczbę takich przypadków. Automatyzacja redukuje nakład pracy ręcznej, przyspiesza ekstrakcję danych, takich jak leki, wyniki badań laboratoryjnych, alergie itp., umożliwiając klinicystom i analitykom danych skupienie się na podejmowaniu decyzji, a nie na ich przetwarzaniu.
Zwiększona kompletność danych
Krytyczne wnioski z nieustrukturyzowanych danych, które mogłyby zostać przeoczone przez ludzi, mogą zostać wykryte i skompilowane przez modele sztucznej inteligencji trenowane na dużych, zróżnicowanych zbiorach danych. W rezultacie powstają kompleksowe bazy danych wniosków i spostrzeżeń, które wspomagają rzetelne badania naukowe, innowacje, diagnostykę i opiekę medyczną – zwłaszcza gdy modele są precyzyjnie dostrojone do zadań NLP w opiece zdrowotnej.
Terminowa identyfikacja ryzyka
Kliniczne przetwarzanie języka naturalnego (NLP) oparte na sztucznej inteligencji (AI) pozwala na szybką identyfikację potencjalnych zagrożeń, takich jak interakcje leków czy zdarzenia niepożądane, umożliwiając szybką interwencję. Modele oparte na technikach analityki predykcyjnej i sztucznej inteligencji (AI) w trybie wykrywania ryzyka mogą nawet przewidywać wystąpienie niektórych chorób dziedzicznych lub chorób związanych ze stylem życia w oparciu o dostępne dane z elektronicznej dokumentacji medycznej (EHR).
Lepsza opieka nad pacjentem
Informacje pozyskane za pomocą przetwarzania języka naturalnego w trybie sztucznej inteligencji (AI) wspierają ukierunkowane interwencje, spersonalizowane plany leczenia i lepszą komunikację między pracownikami służby zdrowia. Na przykład, wcześniejsze sygnalizowanie alergii wysokiego ryzyka lub niepożądanych reakcji na leki umożliwia profilaktykę.
Zwiększony potencjał badawczy
Wykorzystując przetwarzanie języka naturalnego (NLP) oparte na sztucznej inteligencji do wyodrębniania ustrukturyzowanych danych z obszernych, nieustrukturyzowanych elektronicznych systemów dokumentacji medycznej (EHR), naukowcy uzyskują dostęp do obszernych zbiorów danych klinicznych na potrzeby badań epidemiologicznych, ochrony zdrowia populacji i odkrywania spostrzeżeń medycznych, które w przeciwnym razie pozostałyby ukryte.
Wyodrębnianie szczegółów z niestrukturyzowanych danych EHR 101: przykładowy przepływ pracy
Proces pozyskiwania wniosków z nieustrukturyzowanych danych EHR jest systematyczny i musi być przeprowadzany indywidualnie dla każdego przypadku. Wymagania domeny, problemy i wyzwania typowe dla danej organizacji opieki zdrowotnej, aplikacje zorientowane na cel oraz związane z nimi implikacje są subiektywne i właśnie dlatego proces powinien uwzględniać również czynniki wpływające na Twoją organizację i jej wizję.
Jednak, jak każde podejście ma swój specyficzny przepływ pracy lub praktyczną zasadę, przygotowaliśmy również przewodnik, do którego możesz się odwołać.
Akwizycja i wstępne przetwarzanie danych: Pierwszym krokiem jest kompilacja danych z EHR zawierających notatki kliniczne, listy leków, listy alergenów i raporty z zabiegów. Wstępne przetwarzanie w trybie sztucznej inteligencji obejmuje deidentyfikację, czyszczenie, normalizację i tokenizację w celu przygotowania danych w spójnych formatach (formaty tekstowe, ustrukturyzowane i nieustrukturyzowane).
Przetwarzanie NLP / Szkolenie modeli AI: Skompilowane dane są następnie wprowadzane do algorytmów NLP lub modeli AI w celu analizy danych tekstowych i identyfikacji kluczowych jednostek klinicznych, takich jak diagnozy, leki, alergie i procedury. Szkolenie w „trybie AI” obejmuje uczenie nadzorowane, czasami nienadzorowane lub półnadzorowane, z wykorzystaniem oznaczonych zbiorów danych.
Ekstrakcja informacji: W zależności od tego, czy Twój model korzysta ze strategii uczenia nadzorowanego czy nienadzorowanego (lub korzysta z hybrydowego trybu sztucznej inteligencji), wyodrębnia on istotne informacje o każdym obiekcie, w tym jego typ, datę, powiązane szczegóły, stopień ważności, dawkę itp.
Walidacja i nadzór kliniczny: Po wyodrębnieniu informacji przez model oparty na sztucznej inteligencji, muszą one zostać zweryfikowane przez pracowników służby zdrowia pod kątem dokładności klinicznej. Systemy z udziałem człowieka i pętle sprzężenia zwrotnego od ekspertów zapewniają niezawodność procesu.
Integracja i interoperacyjność danych: Ustrukturyzowane dane są następnie integrowane z systemem EHR lub innymi odpowiednimi bazami danych. Zapewnia to zgodność ze standardem HL7 FHIR i innymi standardami opieki zdrowotnej oraz wspiera interoperacyjność.
Wykorzystanie kliniczne i cykl sprzężenia zwrotnego: Integracja umożliwia pracownikom służby zdrowia wykorzystywanie wyodrębnionych informacji do podejmowania decyzji klinicznych, badań i inicjatyw z zakresu zdrowia publicznego. Pętle sprzężenia zwrotnego w trybie sztucznej inteligencji (AI) pomagają z czasem zwiększać dokładność modelu, dostosowując się do nowych typów danych lub wzorców językowych.
Wyzwania związane z wykorzystaniem przetwarzania języka naturalnego do ekstrakcji danych z EHR
Zadanie wyodrębniania nieustrukturyzowanych danych z EHR jest ambitne i może ułatwić życie interesariuszom w sektorze opieki zdrowotnej. Istnieją jednak wąskie gardła, które mogą utrudniać płynny proces wdrożenia. Przyjrzyjmy się najczęstszym problemom, aby móc proaktywnie opracować strategie ich rozwiązania lub złagodzenia.
Jakość, różnorodność i stronniczość danych: Dokładność ekstrakcji NLP zależy od jakości, spójności i reprezentatywności danych z EHR. Różne formaty, terminologie, niekompletne rekordy lub stronnicze próbki mogą obniżyć wydajność modelu AI.
Prywatność, bezpieczeństwo i zgodność w trybie AI: Należy wdrożyć środki zapewniające prywatność pacjentów i bezpieczeństwo danych podczas przetwarzania i przechowywania danych z wykorzystaniem przetwarzania języka naturalnego/sztucznej inteligencji. Należy przestrzegać wytycznych regulacyjnych, takich jak RODO, HIPAA itp. Obejmuje to anonimizację, bezpieczne przechowywanie i kontrolę dostępu.
Walidacja kliniczna i interpretowalność: Wyodrębnione informacje wymagają walidacji przez pracowników służby zdrowia w celu zapewnienia ich dokładności i znaczenia klinicznego. Złożona terminologia, niejednoznaczne sformułowania lub rzadkie schorzenia mogą wprowadzać zamieszanie w modelach. Ponadto systemy oparte na sztucznej inteligencji muszą być zrozumiałe, aby klinicyści mogli im zaufać.
Integracja, interoperacyjność i standardy: Wyodrębnione dane muszą być płynnie zintegrowane z istniejącymi systemami EHR i innymi systemami informatycznymi opieki zdrowotnej. Modele sztucznej inteligencji powinny obsługiwać standardy HL7, FHIR, SNOMED, RadLex itp., aby zapewnić interoperacyjność.
Skalowalność i konserwacja: W trybie sztucznej inteligencji systemy wymagają ciągłego ponownego szkolenia, monitorowania i wersjonowania, aby uwzględniać nowe praktyki kliniczne, ewoluującą terminologię medyczną lub zmiany w stylu dokumentacji.
Wymagania dotyczące kosztów i zasobów: Opracowywanie, szkolenie, walidacja i wdrażanie systemów przetwarzania języka naturalnego opartych na sztucznej inteligencji wymaga inwestycji w adnotacje danych, nadzór ekspertów, zasoby obliczeniowe i wykwalifikowany personel.
Uwagi końcowe
Krótko mówiąc, potencjał wdrażania przetwarzania języka naturalnego (NLP) opartego na sztucznej inteligencji (AI) do ekstrakcji danych medycznych z EHR jest nieograniczony. Aby zapewnić niezawodne wdrożenia, zalecamy stawienie czoła wyzwaniom, egzekwowanie nadzoru klinicznego i zapewnienie odpowiedzialnego wdrożenia w „trybie AI”.
Jeśli chcesz utorować drogę do ścisłej zgodności z wymogami dotyczącymi danych medycznych i uzyskać najlepsze dane treningowe AI dla swoich modeli, skontaktuj się z nami. Jako pionierzy w branży, rozumiemy domenę, wizje Twojego przedsiębiorstwa i zawiłości związane z trenowaniem klinicznego modelu przetwarzania języka naturalnego (NLP) zoptymalizowanego pod kątem sztucznej inteligencji, natywnego dla opieki zdrowotnej. Skontaktuj się z nami już dziś.
