6 способов применения NLP в здравоохранении
Использование NLP в здравоохранении улучшает клиническую документацию, ускоряет подбор участников для испытаний и поддерживает клинические решения, помогая предоставлять пациентам лучший уход.
Диагностика заболеваний. Разработка планов лечения. Оптимизация опыта пациента.
Это примеры из возможных применений обработки естественного языка (NLP) в здравоохранении. В связи с этим поставщики медицинских услуг и практикующие врачи внедряют NLP, чтобы разобраться с большими объемами неструктурированных данных, содержащихся в электронных медицинских записях, и предложить пациентам комплексную помощь. По данным недавнего отчета, мировой рынок NLP в здравоохранении и биологических науках, как ожидается, достигнет 3,7 миллиарда долларов к 2025 году, при среднегодовом росте в 20,5%.
В этом блоге мы подробно рассмотрим NLP в здравоохранении — что это такое, как это работает и как поставщики медицинских услуг могут воспользоваться этой технологией.
Это примеры из возможных применений обработки естественного языка (NLP) в здравоохранении. В связи с этим поставщики медицинских услуг и практикующие врачи внедряют NLP, чтобы разобраться с большими объемами неструктурированных данных, содержащихся в электронных медицинских записях, и предложить пациентам комплексную помощь. По данным недавнего отчета, мировой рынок NLP в здравоохранении и биологических науках, как ожидается, достигнет 3,7 миллиарда долларов к 2025 году, при среднегодовом росте в 20,5%.
В этом блоге мы подробно рассмотрим NLP в здравоохранении — что это такое, как это работает и как поставщики медицинских услуг могут воспользоваться этой технологией.
Обработка естественного языка и принцип её работы
Обработка естественного языка (NLP) — это специализированная отрасль искусственного интеллекта, с помощью которой компьютеры понимают и интерпретируют человеческую речь.
Работает это так: NLP предварительно обрабатывает данные, сначала «очищая» их набор. Это включает в себя организацию в логичную структуру — например, разбиение текста на мелкие семантические единицы, или «токены», в процессе, называемом токенизацией. Предварительная обработка делает набор легче для интерпретации NLP.
Затем система применяет алгоритмы для интерпретации текста. Два основных алгоритма, используемых в NLP, — это основанные на правилах системы, которые интерпретируют текст на основе заранее заготовленных грамматических правил, и моделях машинного обучения, которые используют статистические методы и «обучаются» со временем, получая обучающие данные.
Несмотря на то, что NLP — значительное технологическое достижение, стоящее на стыке компьютерных наук и лингвистики, оно встречается чаще, чем можно себе представить. Каждый раз, когда происходит взаимодействие с домашним виртуальным ассистентом, таким как Siri, Alexa или Алиса, это на самом деле NLP в действии. Тем не менее, у NLP есть и сложные приложения, например, в здравоохранении, которые мы рассмотрим в этой статье.
Работает это так: NLP предварительно обрабатывает данные, сначала «очищая» их набор. Это включает в себя организацию в логичную структуру — например, разбиение текста на мелкие семантические единицы, или «токены», в процессе, называемом токенизацией. Предварительная обработка делает набор легче для интерпретации NLP.
Затем система применяет алгоритмы для интерпретации текста. Два основных алгоритма, используемых в NLP, — это основанные на правилах системы, которые интерпретируют текст на основе заранее заготовленных грамматических правил, и моделях машинного обучения, которые используют статистические методы и «обучаются» со временем, получая обучающие данные.
Несмотря на то, что NLP — значительное технологическое достижение, стоящее на стыке компьютерных наук и лингвистики, оно встречается чаще, чем можно себе представить. Каждый раз, когда происходит взаимодействие с домашним виртуальным ассистентом, таким как Siri, Alexa или Алиса, это на самом деле NLP в действии. Тем не менее, у NLP есть и сложные приложения, например, в здравоохранении, которые мы рассмотрим в этой статье.
5 техник NLP, которые стоит знать
Прежде чем говорить о способах использования NLP в здравоохранении, сначала определим методы NLP:
Распознавание текста:
Распознавание текста — это метод, при котором компьютер «читает» рукописный или печатный текст и преобразует в цифровой формат, например, сканируя физический документ и превращая в PDF. Распознавание текста также используется для сканирования неструктурированных наборов данных, таких как изображения или текстовые файлы, извлечения текста и таблиц из этих данных и представления в удобном формате. После форматирования данные передаются в систему NLP для дальнейшего анализа. В здравоохранении распознавание текста часто используется для оцифровки клинических заметок, медицинских историй, форм приема пациентов, выписок, медицинских тестов и т.д.
Распознавание именованных объектов:
Это техника извлечения информации, которая выделяет именованные объекты— реальные объекты, такие как человек, место, организация или продукт — и относит к предопределенным категориям. РИО также известна как сегментация, извлечение или идентификация объектов. Мы рассмотрим некоторые примеры применения РИО в здравоохранении далее.
Анализ настроений:
Анализ настроений применяет комбинацию NLP, текстового анализа, вычислительной лингвистики и биометрии к тексту, чтобы определить его настроение. Поэтому анализ настроений часто называют определением настроений или майнингом мнений.
Пример, и, возможно, самый распространенный случай использования, — это когда компании применяют анализ настроений к социальным сетям. Таким образом, можно лучше понять, как общественность воспринимает продукты, услуги или бренд в целом. Поставщик медицинских услуг теоретически может сделать то же самое, анализируя комментарии пациентов об учреждении в социальных сетях, чтобы получить точное представление о пациентском опыте.
Классификация текста:
Эта техника NLP используется для анализа текста и присвоения тегов или меток семантическим единицам или предложениям на основе предопределенных категорий. Например, медики могут использовать классификацию текста для выявления пациентов в группе риска на основе ключевых слов или фраз в медицинских записях.
Моделирование тем:
Моделирование тем — это форма статистического моделирования и NLP, используемая для классификации коллекций документов, то есть группировки на основе общих слов или фраз для выявления семантических структур, или «тем». Распространенная форма моделирования тем, латентное распределение Дирихле, использует алгоритмы для выявления семантических отношений между словами и фразами.
Из пяти описанных техник NLP распознавание текста и распознавание именованных объектов — самые распространенные в здравоохранении.
Распознавание текста:
Распознавание текста — это метод, при котором компьютер «читает» рукописный или печатный текст и преобразует в цифровой формат, например, сканируя физический документ и превращая в PDF. Распознавание текста также используется для сканирования неструктурированных наборов данных, таких как изображения или текстовые файлы, извлечения текста и таблиц из этих данных и представления в удобном формате. После форматирования данные передаются в систему NLP для дальнейшего анализа. В здравоохранении распознавание текста часто используется для оцифровки клинических заметок, медицинских историй, форм приема пациентов, выписок, медицинских тестов и т.д.
Распознавание именованных объектов:
Это техника извлечения информации, которая выделяет именованные объекты— реальные объекты, такие как человек, место, организация или продукт — и относит к предопределенным категориям. РИО также известна как сегментация, извлечение или идентификация объектов. Мы рассмотрим некоторые примеры применения РИО в здравоохранении далее.
Анализ настроений:
Анализ настроений применяет комбинацию NLP, текстового анализа, вычислительной лингвистики и биометрии к тексту, чтобы определить его настроение. Поэтому анализ настроений часто называют определением настроений или майнингом мнений.
Пример, и, возможно, самый распространенный случай использования, — это когда компании применяют анализ настроений к социальным сетям. Таким образом, можно лучше понять, как общественность воспринимает продукты, услуги или бренд в целом. Поставщик медицинских услуг теоретически может сделать то же самое, анализируя комментарии пациентов об учреждении в социальных сетях, чтобы получить точное представление о пациентском опыте.
Классификация текста:
Эта техника NLP используется для анализа текста и присвоения тегов или меток семантическим единицам или предложениям на основе предопределенных категорий. Например, медики могут использовать классификацию текста для выявления пациентов в группе риска на основе ключевых слов или фраз в медицинских записях.
Моделирование тем:
Моделирование тем — это форма статистического моделирования и NLP, используемая для классификации коллекций документов, то есть группировки на основе общих слов или фраз для выявления семантических структур, или «тем». Распространенная форма моделирования тем, латентное распределение Дирихле, использует алгоритмы для выявления семантических отношений между словами и фразами.
Из пяти описанных техник NLP распознавание текста и распознавание именованных объектов — самые распространенные в здравоохранении.
Помощь NLP здравоохранению
Хотя нет ограничений на то, как NLP может помогать медицине, давайте рассмотрим три основных случая использования:
- В документации: Вместо того чтобы тратить время на ручной обзор сложных электронных медицинских записей, NLP использует диктовку речи в текст и формализованный ввод для извлечения важной информации в момент оказания медицинской помощи. Это не только позволяет врачам сосредоточиться на предоставлении пациентам необходимой помощи, но и обеспечивает актуальность документации.
- Подбора участников для клинических испытаний: С помощью NLP медицинские учреждения могут автоматически просматривать объемы неструктурированных данных пациентов и выявлять подходящих кандидатов для клинических испытаний. Пациенты получают доступ к экспериментальному лечению, которое может улучшить их состояние и жизнь, а также поддерживает инновации в медицине.
- Поддержка решений: NLP делает доступ к информации, связанной со здоровьем, быстрым и легким для врачей, позволяя принимать обоснованные решения в момент оказания медицинской помощи.
6 областей применения NLP в медицине
После рассмотрения основ, давайте теперь обсудим приложения NLP в конкретных условиях здравоохранения. Прежде чем использовать NLP все документы должны быть переведены в цифровой формат с помощью распознавания текста.
После этого применяем следующие методы:
Моделирование клинических результатов:
МКР позволяет медицинским работникам анализировать заметки и определять, испытывает ли пациент проблему, а также эта проблема присутствующая, отсутствующая или условная. По этой причине МКР часто используются для диагностики и лечения пациентов.
Например, пациентка говорит врачу, что у нее уже две недели болит голова и она чувствует тревогу, когда быстро ходит. После осмотра пациента врач отмечает, что у нее нет симптомов алопеции и она не выглядит как испытывающая боль.
Позже врач использует комбинацию распознавания именованных объектов и классификации текста для анализа заметок с этого приема и отмечает "головная боль", "тревога", "алопеция" и "боль" как ПРОБЛЕМЫ. Затем врач дополнительно классифицирует эти проблемы, делая утверждения о том, присутствуют ли они, условные или отсутствуют. В данном случае головная боль будет присутствующей, тревога — условной, а алопеция и боль — отсутствующими.
Как видно из этого примера, такое применение NLP в здравоохранении оптимизирует уход за пациентами, выявляя насущные проблемы и оказывая лечение.
Деидентификация:
Поставщики медицинских услуг, страховые компании и другие уполномоченные организации обязаны защищать конфиденциальную информацию о здоровье пациентов и не разглашать без согласия или ведома пациента.
Исключение из этого правила — данные, которые были деидентифицированы — то есть данные, из которых удалены идентификаторы личности, такие как имя, адрес, номер телефона и т.д. Деидентифицированные данные больше не считаются защищенной медицинской информацией, так как не содержат никакой информации, которая могла бы нарушить конфиденциальность пациента.
Поставщики медицинских услуг используют NLP для выявления фрагментов контента, содержащих эту информацию, и деидентифицировать или скрывать её, заменяя семантическими метками. Таким образом, медицинские организации избегают несоблюдения требований закона.
Классификация объектов:
Используя обработку естественного языка, поставщики медицинских услуг извлекают информацию о различных состояниях и диагнозах из записей пациентов и присваивать им код ICD-10 Clinical Modification (ICD-10-CM).
ICD-10-CM — это ценный ресурс, который помогает врачам принимать обоснованные решения, сопоставляя симптомы и диагнозы с кодами ICD-10-CM. Присваивая соответствующий код, врачи отслеживают медицинскую статистику, результаты качества, статистику смертности и многое другое для конкретного состояния. Это позволяет лучше понимать медицинские осложнения, лучше разрабатывать лечение и лучше определять результат ухода.
Модель распознавания объектов:
Подобно модели клинических объектов, поставщики медицинских услуг используют этот вариант для анализа клинических заметок, извлечения ключевых слов и присвоения их конкретным объектам, таким как ПРОБЛЕМА, ТЕСТ или ЛЕЧЕНИЕ.
Модель распознавания клинических объектов для дозировки — конкретная версия модели клинического распознавания именных объектов. Обе версии этого приложения используются для помощи в клинических испытаниях, идентифицируя пациентов по классификации лекарств и дозировок.
Модель извлечения клинических связей:
Поставщики медицинских услуг могут использовать NLP для определения силы, частоты, формы и продолжительности применения конкретного лекарства. Модель клинического извлечения достигается путем установления связей между объектами, обнаруженными алгоритмами NLP. Это применение NLP в здравоохранении поддерживает клиническую документацию, выявляя данные на основе отношений между ключевыми словами и фразами.
Модель распознавания финансовых объектов:
Это применение NLP работает аналогично другим примерам, за исключением того, что применяется к финансовым документам для идентификации организаций, лиц, денежных сумм, дат и так далее. Модель распознавания финансовых объектов помогает страховым компаниям автоматизировать процесс проверки финансовых контрактов и выявлять возможные ошибки или мошенническую информацию.
После этого применяем следующие методы:
Моделирование клинических результатов:
МКР позволяет медицинским работникам анализировать заметки и определять, испытывает ли пациент проблему, а также эта проблема присутствующая, отсутствующая или условная. По этой причине МКР часто используются для диагностики и лечения пациентов.
Например, пациентка говорит врачу, что у нее уже две недели болит голова и она чувствует тревогу, когда быстро ходит. После осмотра пациента врач отмечает, что у нее нет симптомов алопеции и она не выглядит как испытывающая боль.
Позже врач использует комбинацию распознавания именованных объектов и классификации текста для анализа заметок с этого приема и отмечает "головная боль", "тревога", "алопеция" и "боль" как ПРОБЛЕМЫ. Затем врач дополнительно классифицирует эти проблемы, делая утверждения о том, присутствуют ли они, условные или отсутствуют. В данном случае головная боль будет присутствующей, тревога — условной, а алопеция и боль — отсутствующими.
Как видно из этого примера, такое применение NLP в здравоохранении оптимизирует уход за пациентами, выявляя насущные проблемы и оказывая лечение.
Деидентификация:
Поставщики медицинских услуг, страховые компании и другие уполномоченные организации обязаны защищать конфиденциальную информацию о здоровье пациентов и не разглашать без согласия или ведома пациента.
Исключение из этого правила — данные, которые были деидентифицированы — то есть данные, из которых удалены идентификаторы личности, такие как имя, адрес, номер телефона и т.д. Деидентифицированные данные больше не считаются защищенной медицинской информацией, так как не содержат никакой информации, которая могла бы нарушить конфиденциальность пациента.
Поставщики медицинских услуг используют NLP для выявления фрагментов контента, содержащих эту информацию, и деидентифицировать или скрывать её, заменяя семантическими метками. Таким образом, медицинские организации избегают несоблюдения требований закона.
Классификация объектов:
Используя обработку естественного языка, поставщики медицинских услуг извлекают информацию о различных состояниях и диагнозах из записей пациентов и присваивать им код ICD-10 Clinical Modification (ICD-10-CM).
ICD-10-CM — это ценный ресурс, который помогает врачам принимать обоснованные решения, сопоставляя симптомы и диагнозы с кодами ICD-10-CM. Присваивая соответствующий код, врачи отслеживают медицинскую статистику, результаты качества, статистику смертности и многое другое для конкретного состояния. Это позволяет лучше понимать медицинские осложнения, лучше разрабатывать лечение и лучше определять результат ухода.
Модель распознавания объектов:
Подобно модели клинических объектов, поставщики медицинских услуг используют этот вариант для анализа клинических заметок, извлечения ключевых слов и присвоения их конкретным объектам, таким как ПРОБЛЕМА, ТЕСТ или ЛЕЧЕНИЕ.
Модель распознавания клинических объектов для дозировки — конкретная версия модели клинического распознавания именных объектов. Обе версии этого приложения используются для помощи в клинических испытаниях, идентифицируя пациентов по классификации лекарств и дозировок.
Модель извлечения клинических связей:
Поставщики медицинских услуг могут использовать NLP для определения силы, частоты, формы и продолжительности применения конкретного лекарства. Модель клинического извлечения достигается путем установления связей между объектами, обнаруженными алгоритмами NLP. Это применение NLP в здравоохранении поддерживает клиническую документацию, выявляя данные на основе отношений между ключевыми словами и фразами.
Модель распознавания финансовых объектов:
Это применение NLP работает аналогично другим примерам, за исключением того, что применяется к финансовым документам для идентификации организаций, лиц, денежных сумм, дат и так далее. Модель распознавания финансовых объектов помогает страховым компаниям автоматизировать процесс проверки финансовых контрактов и выявлять возможные ошибки или мошенническую информацию.
Вывод
Применение обработки естественного языка в здравоохранении улучшает качество медицинского обслуживания. От улучшения клинической документации до ускорения подбора участников для клинических испытаний и поддержки клинических решений — NLP помогает медицинским учреждениям оптимизировать работу и предоставить пациентам лучший уход.
Получите оценку проекта
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности
Оцените свой проект! Заполните форму ниже
Похожие статьи
© ООО «АЛЛ СИИ», 2024