医疗NLP:非结构化数据的秘密的全部潜力

这份报告是基于2018年研讨会由温迪·查普曼博士,椅子,生物医学信息学、犹他大学医学院和迈克道,技术总监健康催化剂,名为,“利用自然语言处理的潜在医疗。”世界杯葡萄牙vs加纳即时走地

随着EHR采用增加健康数据丰富,医疗组织有更多analytics-driven机会来改善卫生保健供给和结果。卫生系统,然而,很难使用所有可用的数据充分发挥作用。文本(非结构化)数据是一个特别的挑战,因为它是更大,更复杂,更比结构化数据来源和存储位置。但随着越来越多地使用自然语言处理(NLP),组织越来越得到更多可行的见解从医疗数据的能力。

NLP利用人工智能(AI)来帮助理解和处理非结构化数据分析系统。能力承诺从电子医疗纪录中提取有用的数据,甚至给电子病历临床医生访问期间语音识别功能。电子医疗纪录,然而,目前令人沮丧的临床医生,因为他们花时间远离病人参与和改善病人的治疗。一个美国医学协会民意调查医生表明,大约一半的受访者不满意他们的EHR的能力改善成本、效率和生产力。

本文描述了NLP的潜力最大化EHR的价值和医疗数据,使数据的一个关键和信任组件在改善健康结果。

医疗NLP的承诺改善结果

NLP过程不同来源的非结构化数据(例如,电子病历、文学和社会媒体),以便分析系统可以解释它(图1)。一旦NLP将文本转换为结构化数据,卫生系统可以使用它来分类的病人,提取的见解和总结信息。

四个领域的医疗NLP可以改善功能和,最终,保健里需要包括EHR可用性,预测分析,表现型,和质量改进:

NLP改善EHR数据可用性

典型的EHR安排病人信息,很难找到关键的病人信息(例如,社会历史再入院的重要因素)。NLP可以使一个EHR的界面,使病人遇到信息临床医生更容易找到。

通过组织接口部分,包括与问题相关的词汇描述患者在接触,界面填充页面的其余部分与这个词相关的信息。例如,所有提到的疲劳将显示在页面的顶部,时间表和文字将显示在一个盒子里的笔记页面的底部。的接口,使临床医生更容易找到埋藏的数据和作出诊断,否则他们可能会错过。

NLP可以预测分析

NLP更令人兴奋的好处之一是能够使预测分析改善重要的人口的健康问题。例如,根据最近的报告,自杀美国一直在上涨。医疗保健专业人士正在努力理解风险,这样他们就可以干预。一个2018研究使用NLP预测自杀企图通过监测社交媒体。结果显示清晰的指标即将自杀企图通过Twitter用户发布emojis文本较少,有限emojis某些类型(例如,蓝色或破碎的心符号),或增加帖子的愤怒或悲伤tweet之前试图自杀(图2)。该系统有一个70%的预测率只有10%的假阳性率。

NLP促进表现型功能

表型是一个可观测的物理或生物化学表达式有机体的一个特定的特征。这些特征可能与外表,生化过程或行为。表现型帮助临床医生组或分类的病人提供更深入、更有针对性的调查数据(例如,清单的病人分享某些特征)和比较病人群体的能力。目前,大多数分析师和表型出现临床医生使用结构化数据,因为它很容易提取进行分析。NLP给分析师一个工具来提取和分析非结构化数据(例如,后续任命,要害,指控,订单,遇到,和症状),一些专家估计占80%的病人数据可用。对非结构化数据的访问使更多的信息为病人创造表型组。

NLP还允许更丰富的表型。例如,病理报告包含很多信息,比如一个病人的病情,位置的增长,阶段的癌症,过程(s),药物,和遗传状态。虽然传统的分析不能访问该数据从病理报告,NLP使分析师提取这种类型的数据来回答复杂,具体问题(例如,癌组织类型与某些基因突变)。

NLP使卫生系统质量改进

联邦政府和相关机构要求所有医院报告某些结果的措施。必需的措施之一是腺瘤检出率(ADR),这是医生的速度在结肠镜检查时发现腺瘤。当前进程报告要有人分析是一个小样本的病人图表、阅读病理报告和计算ADR。NLP自动化和加速这个过程,增加病人的样本大小图表和允许实时分析。

临床医生了成绩单使用NLP自动计算ADR。研究表明,当医生可以看到他们的表现的量化结果,他们倾向于改变他们的行为。在这种情况下,医生接收反馈的ADR改变他们的行为来提高检出率。这是很重要的,因为每增加1%的ADR,结肠癌死亡率下降了3%。

虽然NLP的四个方面提高医疗数据显示显著的价值承诺,NLP还有很长的路要去广泛采用和大规模的影响结果的改进。

挑战和NLP的局限性

多数卫生系统还没有开始使用NLP以充分发挥其潜力。这可能是因为实现NLP成功带来重大挑战:

垃圾,垃圾

俗话说“垃圾,垃圾”适用于NLP。好,可用数据只能提取如果数据很容易识别。当挖掘电子医疗纪录的数据,分析师经常发现问题与数据输入方式:一般输入类型信息,这就增加了倾向于使用快捷键和创建模板。NLP查找句子,而不是模板,模板内很难处理数据。剪切和粘贴文本提出了另一个挑战;这个快捷方式会导致病人数据传播超过相关(注意膨胀)在医疗记录以及过时的或不准确的信息,使临床医生笔记那么有用。

建模的意义可能是一个挑战

NLP运行在课文a系列的单词串在一起。NLP系统需要能够从文本中提取意义和上下文推断,这并不容易做到。如果开发人员模型NLP系统不好找到意义从一开始,系统不会很好地伸缩。

NLP作用于特定的子语言

子语言,自然语言的一个子集,是NLP的另一个挑战。医学语言是一个子集的子语言的词汇和不同的词汇规则的主要语言。从子语言中提取意义,NLP系统必须了解语言的规则。社会媒体,例如,是子语言。它使用缩写词和符号来表达意思相同的概念(和使用单词)。由于这些差异,分析人士不能运行一个NLP系统训练在社交媒体上报纸文本并期望它提取的意义。

医学语言有不同的子。例如,医学指出博客和临床使用不同的语言。由于这些差异,卫生系统不应该购买现成的NLP系统一次语言,使用它在另一个。开发人员和分析师裁缝NLP系统使用在一个特定的语言(如医疗保健)。,裁剪过程需要时间。

NLP还不能区分语言变异

与语言变异,有很多方法说同样的事情(例如,推导过程中,不同形式的单词也有类似的含义,和同义,哪一个概念有不同的单词)。NLP还不能区分语言变异。

现在医疗组织如何使用NLP吗

尽管NLP挑战来解决,卫生系统仍然可以受益而能力的发展,从更切合实际的目标(成果),搬到更复杂的应用程序(可望水果)。

长在低处的水果:NLP容易识别和处理

有些地区当前NLP已经有效:

• 明确的提到:当NLP寻找胸部疼痛,它将处理这个短语“胸痛”。
• 明确的词汇:话说有一个意义,不论他们在哪里出现。

成功在低处的水果类NLP应用程序是一个现实中一些医疗保健领域,包括预测分析和质量改进。例如,一个研究放射学评估使用NLP过程报告肺栓塞

(PE)和术后静脉血栓栓塞(VTE)。研究发现,NLP比结构化数据和非结构化数据捕获50%的情况下就会识别。

NLP也是一个当前的决策支持作用。例如,NLP可以从EHR国旗病人有一个第一次——或者二级相对历史的乳腺癌或结直肠癌诊断在45岁之前。一旦NLP系统标志的病人,一个病人门户发送电子邮件提醒标记病人的家庭历史和这些癌症的风险增加,建议预防措施。

发展向可望水果

随着NLP的发展和开发人员应对当前挑战NLP,卫生系统分析师将更容易访问,可望水果。到达可望水果需要更多的高级功能:

• 推理:如果临床医生想知道如果病人社会支持,但“社会支持”这个词不是EHR,下一代NLP可以从上下文推断词义。而不是依靠准确的短语“社会支持”,系统将处理一个短语“在床边哥”和知道这意味着病人社会支持。
• 模棱两可的词汇:如果项目分析师NLP系统寻找在床边“兄弟”这个词,它把短语“站在床边”或“兄弟死于心脏病,”它就知道意思不一样,尽管至少一个的词是相同的。与当前NLP系统,这两个短语会带回假阳性的意义一样在床边“兄弟。”
• 语义角色:当前NLP系统斗争与语义角色。“妻子帮助患者药物”这个词非常不同于“病人用药物帮助妻子。“然而,关键字NLP系统不能区分这两个短语,这是一个目前NLP的限制。在未来,NLP系统可以被编程来理解语义角色(例如,谁的主题和对象)。

NLP的承诺来获得更多的医疗数据

尽管NLP的挑战,医疗行业已经开始接受它的潜力得到了关键的见解从各种各样的健康数据。医疗组织已经使用NLP在低处的水果,和主要科技实体利用NLP与健康有关的工具;例如,亚马逊最近发布了一个用户友好的临床NLP工具。

很多开源工具没有cost-allowing用户分类,找到短语,寻找提供线索家族史的上下文信息。但在医疗NLP的潜力最大化,组织需要超越这些现成的解决方案healthcare-specific供应商系统,集成到现有的工作流程。2022卡塔尔世界杯赛程表时间这一战略方法将充分利用NLP提高医疗效果。

更多的阅读

你想了解更多关于这个主题?这里有一些文章我们建议:

1. 医疗NLP:四要素的非结构化数据
2. 医疗文本分析和机器学习如何一起工作来提高患者的治疗效果