Natuurlijke taalverwerking biedt een aantal opwindende mogelijkheden in de gezondheidszorg om door de enorme hoeveelheid gegevens die momenteel onaangetast zijn te zwemmen en deze te benutten om de resultaten te verbeteren, de kosten te optimaliseren en een betere kwaliteit van zorg te leveren.

In het eerste deel van deze tweedelige serie ontdekten we de Rijders van NLP in de gezondheidszorg. De tak van AI lijkt van cruciaal belang te zijn voor het navigeren door het groeiende volume aan gegevens die al in silo's zitten en dagelijks worden gegenereerd. Het artikel schetst de factoren die de groei en implementatie van natuurlijke taalverwerking in de gezondheidszorg aansturen, de plausibele voordelen van de implementatie en de toekomst van kunstmatige intelligentie en machine learning in de gezondheidszorg.

Laten we verder onderzoeken hoe volwassen machine learning en AI zich in het gezondheidsdomein bevinden, de verschillende lopende en onder de loep genomen use-cases van natuurlijke taalverwerking in de gezondheidszorg, en een paar praktijkvoorbeelden waarin deze technologieën de zorgverlening verbeteren.

Natuurlijke taalverwerking kan in lekentermen worden omschreven als de automatische verwerking van de natuurlijke menselijke taal door een machine. Het is een gespecialiseerde tak van kunstmatige intelligentie die zich voornamelijk richt op interpretatie en door mensen gegenereerde gegevens - op tekst of spraak gebaseerd. De technologie heeft verschillende subdisciplines, waaronder Natural Language Query, Natuurlijke taalgeneratieen begrip van natuurlijke taal.

In het begin, als het gaat om gezondheidszorg, heeft de technologie twee use-cases:

• Menselijke spraak begrijpen en de betekenis ervan extraheren.
• Ontsluiting van ongestructureerde gegevens in databases en documenten door essentiële concepten en waarden in kaart te brengen en artsen in staat te stellen deze informatie te gebruiken voor besluitvorming en analyse.

Het merendeel van alle aanvullende use-cases van machine learning en NLP in de gezondheidszorg zullen uit deze twee primaire functies van de technologie voortkomen.

Gebruik gevallen van natuurlijke taalverwerking in de gezondheidszorg

In een rapport van Chillmark Researchheeft het bedrijf 12 use-cases geschetst in drie stadia van volwassenheid als het gaat om use-cases:

Steungevallen van natuurlijke taalverwerking in de gezondheidszorg met een bewezen ROI -

• Spraakherkenning - NLP heeft in de loop der jaren zijn use-case bij spraakherkenning volwassen gemaakt door clinici in staat te stellen aantekeningen te transcriberen voor nuttige EHR-gegevensinvoer. Front-end spraakherkenning elimineert de taak van artsen om aantekeningen te dicteren in plaats van op een zorgpunt te moeten zitten, terwijl back-end-technologie werkt om eventuele fouten in de transcriptie te detecteren en te corrigeren voordat deze wordt doorgegeven voor menselijke proefneming. De markt is bijna verzadigd met spraakherkenningstechnologieën, maar een paar startups verstoren de ruimte met diepgaande leeralgoritmen in mijnbouwtoepassingen, waardoor uitgebreidere mogelijkheden worden ontdekt.

• Verbetering in klinische documentatie - Machine learning in de gezondheidszorg heeft de klinische documentatie geraakt, waardoor artsen zijn bevrijd van de handmatige en complexe structuur van EPD's, waardoor ze zich meer kunnen concentreren op de zorgverlening. Dit is mogelijk gemaakt door spraak-naar-tekst dicteren en geformuleerde gegevensinvoer die gegevens vastlegt op het zorgpunt. Naarmate machine learning in de gezondheidszorg vordert, zullen we relevante gegevens uit andere opkomende bronnen kunnen halen en analyses kunnen verbeteren die worden gebruikt om PHM- en VBC-inspanningen te stimuleren.

• Dataminingonderzoek - De integratie van datamining in gezondheidszorgsystemen stelt organisaties in staat om de mate van subjectiviteit bij besluitvorming te verminderen en nuttige medische knowhow te bieden. Eenmaal gestart, kan datamining een cyclische technologie worden voor kennisontdekking, die elke HCO kan helpen een goede bedrijfsstrategie te creëren om patiënten betere zorg te bieden.

• Computerondersteunde codering - NLP-gedreven CAC belooft de nauwkeurigheid van de coder te verbeteren. Computerondersteunde codering haalt informatie op over procedures en therapieën om elke code vast te leggen en claims te maximaliseren. Onderzoek heeft ons ertoe gebracht te ontdekken dat de huidige leveranciers in de markt die CAC-oplossingen bouwen hun oplossingen zullen moeten verschuiven om de uitdagingen van een op waarden gebaseerd paradigma aan te gaan en ervoor te zorgen dat ze werken zoals verwacht.

• Geautomatiseerde registerrapportage - Een NLP-use-case is om waarden te extraheren voor elke use-case. Veel IT-systemen voor gezondheidszorg worden belast door rapportage door de regelgeving wanneer maatregelen zoals ejectiefractie niet als afzonderlijke waarden worden opgeslagen. Voor geautomatiseerde rapportage zullen gezondheidssystemen moeten identificeren wanneer een ejectiefractie wordt gedocumenteerd als onderdeel van een notitie, en ook elke waarde opslaan in een vorm die kan worden gebruikt door het analyseplatform van de organisatie voor geautomatiseerde registerrapportage.

Opkomende use-cases van NLP en Machine Learning in de gezondheidszorg die een onmiddellijke impact zullen hebben -

• Klinisch onderzoek matchen - Het gebruik van NLP en machinaal leren in de gezondheidszorg om patiënten te identificeren voor een klinische proef is een opwindende en bovendien een essentiële use-case. Enkele bedrijven proberen nu de uitdagingen op dit gebied op te lossen door NLP-engines te gebruiken voor het matchen van proefversies. Met de huidige vooruitgang lijkt het erop dat NLP de potentie heeft om proefafstemming te automatiseren en er een naadloos proces van te maken.

• Voorafgaande toestemming - Uit een enquête is gebleken dat voorafgaande toestemming van de betaler de eisen aan artsen nemen steeds meer toe. Deze verzoeken verhogen de praktijkoverhead en vertragen de zorgverlening. De kwestie of betalers het eens zullen zijn en de terugbetaling zullen goedkeuren, is mogelijk na enige tijd niet meer mogelijk dankzij natuurlijke taalverwerking. IBM Watson en Anthem werken al aan een NLP-module die door het netwerk van de betaler wordt gebruikt om snel voorafgaande toestemming te bepalen.

• Ondersteuning bij klinische beslissingen - Natuurlijke taalverwerking en machine learning in de gezondheidszorg kunnen artsen helpen betere beslissingen te nemen. Bepaalde gebieden in de gezondheidszorg hebben betere bewakingsmethoden nodig, zoals medische fouten. NLP wordt ook gebruikt om clinici te helpen bij het controleren van symptomen en diagnose.

• Risicocorrectie en hiërarchische conditiecategorieën - Hiërarchische conditiecategoriecodering, een risicocorrectiemodel, was in eerste instantie ontworpen om de toekomstige zorgkosten voor patiënten te voorspellen. In op waarde gebaseerde betalingsmodellen zal HCC-codering steeds vaker voorkomen. HCC vertrouwt op ICD-10-codering om risicoscores aan elke patiënt toe te wijzen. Natuurlijke taalverwerking kan patiënten helpen een risicofactor toe te wijzen en hun score te gebruiken om de kosten van gezondheidszorg te voorspellen.

Next-gen use cases die aan de horizon zijn -

• Ambient virtuele schrijver - Klinische documentatie heeft spraakherkenningssoftware nodig die menselijke schriftgeleerden volledig zou wegdoen. Wanneer dit gebeurt, wordt klinische documentatie een spel dat volledig is veranderd door NLP en kunstmatige intelligentie in de gezondheidszorg.

• Computationele fenotypering en ontdekking van biomarkers - NLP kan mogelijk ook artsen helpen met de complexiteit van fenotypering van patiënten voor analyse. Met NLP worden fenotypen bepaald door de huidige toestand van de patiënt, in tegenstelling tot de kennis van de arts. NLP kan ook worden gebruikt om spraakpatronen te analyseren en neurocognitieve letsels zoals Alzheimer, dementie en andere psychologische aandoeningen op te sporen.

• Bevolkingsbewaking - Een toepassing van NLP op EMR's kan een subset van een etnische of raciale groep identificeren om uiteindelijk gezondheidsverschillen te documenteren en in kaart te brengen. De bestaande administratieve databases missen de granulariteit om kritische sociaal-culturele verschillen te bepalen en uit te voeren bevolkingstoezicht. NLP presenteert echter een vitale use-case op het gebied van verder onderzoek en vooruitgang.

Hoe kunnen zorginstellingen NLP benutten?

Gezondheidszorgorganisaties kunnen NLP gebruiken om de manier waarop ze zorg verlenen te transformeren en oplossingen te beheren. Organisaties kunnen machine learning in de gezondheidszorg gebruiken om de workflows van leveranciers en de resultaten voor patiënten te verbeteren.

Hier volgt een overzicht van het gebruik van natuurlijke taalverwerking in de gezondheidszorg:

• Verbeter de patiëntinteracties met de zorgverlener en het EPD - Op hun beurt kunnen natuurlijke taalverwerkingsoplossingen helpen de kloof te overbruggen tussen complexe medische termen en het begrip van patiënten voor hun gezondheid. NLP kan een uitstekende manier zijn om de EHR-nood te bestrijden. Veel clinici gebruiken NLP als een alternatieve methode voor het typen en handgeschreven notities.

• Patiëntbewustzijn vergroten - Zelfs wanneer patiënten toegang hebben tot hun gezondheidsgegevens via een EPD-systeem, heeft een meerderheid van hen moeite om de informatie te begrijpen. Hierdoor kan slechts een fractie van de patiënten hun medische informatie gebruiken om gezondheidsbeslissingen te nemen. Dit kan veranderen met de toepassing van machine learning in de zorg.

• Zorgkwaliteit verbeteren - NLP-tools kunnen een betere voorziening bieden om de zorgkwaliteit te evalueren en te verbeteren. Op waarde gebaseerde vergoeding zou gezondheidszorgorganisaties nodig hebben om de prestaties van artsen te meten en hiaten in de geleverde zorg te identificeren. NLP-algoritmen kunnen HCO's daarbij helpen en ook helpen bij het identificeren van mogelijke fouten in de zorgverlening.

• Identificeer patiënten met kritieke zorgbehoeften - NLP-algoritmen kunnen vitale informatie uit grote datasets halen en artsen de juiste tools bieden om patiënten met complexe problemen te behandelen.

Implementeren van Predictive Analytics in de gezondheidszorg

Identificatie van hoogrisicopatiënten en verbetering van het diagnoseproces kunnen worden gedaan door Predictive Analytics in te zetten samen met natuurlijke taalverwerking in de gezondheidszorg, samen met voorspellende analyses.

Het is van cruciaal belang dat de spoedeisende hulp snel over de volledige gegevens beschikt. Zo leidt de vertraging in de diagnose van de ziekte van Kawasaki tot kritieke complicaties in het geval dat deze op enigerlei wijze wordt weggelaten of verkeerd wordt behandeld. Zoals bewezen door wetenschappelijke resultaten, een op NLP gebaseerd algoritme, identificeerde risicopatiënten van de ziekte van Kawasaki met een gevoeligheid van 93.6% en een specificiteit van 77.5% in vergelijking met de handmatige beoordeling van de aantekeningen van de arts.

Een set van onderzoekers uit Frankrijk werkte aan de ontwikkeling van een ander op NLP gebaseerd algoritme dat ziekenhuisinfecties (HAI) bij patiënten zou monitoren, detecteren en voorkomen. NLP hielp bij het maken van ongestructureerde gegevens die vervolgens werden gebruikt om vroege tekenen en intieme clinici dienovereenkomstig te identificeren.

Evenzo werd een ander experiment uitgevoerd om automatisering van de identificatie en risicovoorspelling voor patiënten met hartfalen die al in het ziekenhuis waren opgenomen. Natural Language Processing is geïmplementeerd om vrije-tekstrapporten van de afgelopen 24 uur te analyseren en het risico van heropname en sterfte van de patiënt over een periode van 30 dagen te voorspellen. Aan het einde van het succesvolle experiment presteerde het algoritme beter dan verwacht en bedroeg de algehele positieve voorspellende waarde van het model 97.45%.

De voordelen van het inzetten van NLP kunnen zeker worden toegepast op andere interessegebieden en een groot aantal algoritmen kunnen worden ingezet om gespecificeerde omstandigheden bij patiënten te identificeren en te voorspellen.

Hoewel de gezondheidszorg in het algemeen zijn datamogelijkheden nog moet verfijnen voordat NLP-tools kunnen worden ingezet, heeft het nog steeds een enorm potentieel om de zorgverlening aanzienlijk te verbeteren en de workflows te stroomlijnen. Langs de lijn zullen natuurlijke taalverwerking en andere ML-tools de sleutel zijn tot superieure ondersteuning van klinische besluitvorming en gezondheidsresultaten voor de patiënt.

Final Word

We zijn al getuige van een groot aantal kritische toepassingen van conversational AI in de zorgis het absoluut noodzakelijk dat NLP goed geplaatst is om de zorgverlening te verbeteren als het gaat om betere klinische besluitvorming en verbeterde patiëntresultaten. De verschillende use-cases van natuurlijke taalverwerking die hier worden besproken, bieden de gezondheidszorg een kans om antieke silo's af te breken en gaten in het zorgsysteem te dichten om vooruitgang te boeken voor het patiëntensegment. Neem contact met ons op of schrijf ons op hello@marutitech.com ons om te ontdekken hoe Maruti Techlabs toonaangevende ziekenhuizen en zorgverleners in staat stelt om een ​​breed scala aan gebruiksscenario's te bieden met NLP- en AI-oplossingen.

Bron: https://marutitech.com/use-cases-of-natural-language-processing-in-healthcare/