NLP如何实现人工智能在医疗保健领域的价值

【蜂耘网  人工智能】在理想的世界里，医疗保健行业将是释放人工智能变革潜力的完美舞台。

复杂的人工智能模型需要大量的数据来学习，而医疗保健数据占所有数据的近三分之一。所有这些信息可以推动算法的发展，这些算法能够检测和诊断疾病，给出预防性治疗方案，并实现无数其他功能，其速度和准确性甚至比最熟练的医生团队都要高得多。有了这样价值，这种力量无疑是值得利用的。

人工智能在医疗保健中的应用

在某些情况下，人工智能的潜力已经实现。例如，配备人工智能工具的放射科医生审查和解读乳腺X线照片的速度比正常情况下快30倍，准确率高达99%。这些结果在整个医疗生态系统的利益相关者中激起了巨大的兴奋。

然而，目前的现实情况是，大多数医疗保健组织都不具备足够的基础设施或数据管理能力来训练能够在临床环境中可靠部署的算法。

此外，该行业复杂、支离破碎的性质，以及满足现状的不当激励措施，进一步阻碍了技术创新，并创造了其他行业根本不存在的障碍。当然，转型的潜力依然存在。

寻找解决方案

尽管在临床环境中部署人工智能仍有巨大的障碍，但这些障碍对于其他应用案例来说并不那么重要。其中最有前途的一个领域是医疗编程，特别是涉及到风险调整时。随着医疗数据的数量呈指数级增长，医疗程序员的需求仍然很高——但供应不足。

幸运的是，配备了自然语言处理能力的人工智能工具可以帮助减轻一些编程负担，使卫生计划能够克服不断扩大的人才差距，同时提高编程速度和准确性。

目前，许多仅依赖人力团队(通常人手不足)的组织倾向于认为速度和准确性是负相关的（欲速则不达）。然而，一个优秀的AI/NLP（人工智能/自然语言处理）引擎不会出现这样的问题。

加快编程

利用人工智能加快医疗编程速度，让人类编程人员有更多时间修正代价高昂的错误，提高准确性，并可能让医疗机构将更多资源用于最需要它们的地方。NLP在过去五年中取得了显著的进步。利用该技术的编程工具可以提高代码的准确性，并通过删除不应该存在的代码来解决过度编程的问题。

从表面上看，这类应用程序可能相对平淡无奇，但它的意义确实可能对医疗计划、提供者和患者产生革命性的影响。

对速度的需求

长期以来，医疗编程速度缓慢一直是健康计划的痛点。手工检查和处理图表笔记以识别相关信息可能需要数周、数月甚至数年的时间。此外，患有持续或慢性疾病的患者需要治疗，而卫生计划和提供者则需要努力确定最准确的分级疾病类别(HCC)代码。

许多计划使用并行的、回顾性的图表回顾来处理同一日历年中的这些情况。不过，随着医疗保健数据量、变化和复杂性的增加，我们迫切需要更好的解决方案。这就是为什么越来越多的组织转向NLP来快速搜索、分析和解释大量的患者数据集。

缓解了工作流程

AI/NLP引擎通过使这些专业人员专注于更有意义的工作(如发现数据中的异常趋势和模式)，将医疗编程员的专业知识转化为对医疗计划更有用的资产。

随着程序员对人工智能工具的熟悉，他们的编程速度将随着时间的推移而不断提高，从而降低编写图表的成本，使这些人类员工对他们的组织越来越有价值。

没有人能记住所有的等级状态分类代码(这些代码在过去的几十年里迅速扩展)。尽管如此，在人工智能的帮助下，人类团队可以更快地将代码匹配到相应的条件。

自满的代价

相比之下，继续依赖传统编程工具的组织将会遇到更多困扰该领域多年的相同障碍。考虑到超过9,500个ICD-10代码映射到大约80个HCC，不能依赖NLP强大的搜索能力的医疗编程人员更有可能丢失代码。

使用机器学习算法的NLP医疗记录甚至可以发现以前可能没有编程的疾病——这是发现HCC疾病的一个基本特征。

此外，从管理的角度来看，手动分配图表给编程人员是很昂贵的，并且使得将项目扩展到大型团队具有挑战性。

这也让程序员处于一个严重的劣势：如果没有NLP的优先级划分，他们必须手动梳理图表，这通常会导致疲劳和倦怠。除此之外，由于传统工具通常只提供有限的报告功能，使用它们的团队将继续与项目监督和性能管理作斗争。

利用先进的算法

因为他们可以利用先进的算法，机器学习（ML）和NLP引擎可以帮助团队从之前被认为隐藏在文本形式中的数据中收集相关的见解和概念。

通过表达非结构化数据，这些工具可以更好地理解数据质量、持续流程改进、提高风险调整的准确性和更好的患者预后。

和任何新兴技术一样，NLP引擎也不是万能的。如果没有足够的培训，他们可能会错过有价值的代码，而事实是，许多NLP编程工具都是在有限数量的医疗记录上进行培训的。因此，他们经常与不太常见的疾病和电子病历格式作斗争。

此外，大多数NLP工具的用户界面并没有优化以满足编程人员的需求。这并不是一个小问题，因为一个糟糕的UI设计可能会导致程序员失去与临床记录相关的上下文，从而产生更多的错误。

这些工具的有效性在很大程度上也取决于围绕它们设计的工作流。

用一刀切的方法构建的NLP编程工具是有风险的。例如，大多数都不提供对供应商工作进行审计的功能。因此，优先考虑速度而不是准确性的NLP工具将丢失代码，并将组织暴露于合规问题和损失收入的风险。

选择速度往往导致提交不适当的代码，这具有多米诺骨牌效应，因为较低的支付或风险调整数据验证审计最终阻碍了健康计划，从而阻碍了其支持患者健康的能力。

AI/NLP引擎只要设计合理、实现合理，就可以提高医疗编程的速度和准确性。它们允许编程人员实现显著更快的编程速度，同时减少人为错误的实例以及随之而来的众多风险。

通过大大提高从医生笔记中提取信息和分配医疗代码的效率，这些工具加快了速度，并确保部署它们的组织能够在未来很好地照顾病人的健康。

（蜂耘人工智能网  责任编辑：尧光）