NLPがリスクのある患者、SDOH、ポップヘルスにどのように役立つか

Centers for Medicare&Medicaid Servicesの新しい相互運用性と患者アクセスの最終規則では、フルテキストの医療記録の相互運用性が必要です。

CMSによると、「患者のアクセスと相互運用性の最終規則では、患者が最も必要なときに、最もよく使用できる方法で健康情報にアクセスできるようにすることで、患者を最優先します」と述べています。

「この最終規則は、メディケアアドバンテージ、メディケイド、児童医療保険プログラム、および連邦政府が促進する交換に関する適格な健康保険の発行者を規制するCMSの権限を使用して患者データを解放することにより、相互運用性と患者の健康情報へのアクセスを促進することに焦点を当てました。

もちろん、電子医療記録には構造化されていないテキストがたくさんあります。 その結果、医療提供者の組織は、CMSルールに準拠するためにそのすべてのテキストを解析する方法を必要としています。

より多くのベンダーが注目しているテクノロジーの1つは、人工知能の一種である自然言語処理です。 NLPは、フリーテキストをスキャンして構造化テキストに変換することでこれを実現し、エンドユーザーと患者にとってはるかにアクセスしやすく使いやすいものにします。

Calum Yacoubian博士は、IQVIA企業であるLinguamaticsのヘルスケア戦略のアソシエイトディレクターであり、自然言語処理に基づく人工知能プラットフォームを開発しています。

彼はNLPについて簡単に紹介し、このテクノロジーが臨床医がリスクのある患者を特定するのにどのように役立つか、そして臨床医と健康ITリーダーが健康の社会的決定要因に関する洞察を明らかにし、人口の健康への取り組みを進めるのにどのように役立つかを説明しました。

Q.NLPが非構造化テキストでどのように機能するかを簡単に説明してください。

A。 NLPは、人間が使用および理解する言語を理解するコンピューターまたはマシンの能力と考えてください。 キーワードを検索するだけでなく、それらの単語を識別し、それらの意味とそれらが書かれている文脈を理解することでもあります。

過去10年ほどで、NLPは私たちの多くが認識しているよりもはるかに主流になりました。 SiriやAlexaなどの製品を取り上げます。これらはNLPを使用して人間の言語を理解する「マシン」の例です。

ヘルスケアでは、臨床NLPは臨床言語のニュアンスと癖をミックスに追加し、医師が患者の医療記録を文書化する独自の方法を解読する機能をマシンに提供します。 簡単な例は、拒否を理解するNLPの機能です。

たとえば、喫煙歴を考えてみましょう。「彼女は元喫煙者です」、「彼女は喫煙を拒否します」、「彼女は1日に10本のタバコを吸います」という言葉には非常によく似た言葉が含まれていますが、3つの異なる意味があります。 NLPはこれらの違いを認識し、各ステートメントを正しく分類します。

NLPの大きな利点は、このテキストの「読み取り」を非常に高速かつ大規模に実行できることです。 最新のNLPシステムは、1時間あたり数百万のドキュメントを疲れることなく分析できます。

NLPは医師がこれを行うことができないため、患者により良いサービスを提供し、健康状態を改善するために、大量の複雑な医療記録から情報を統合しようとしている医療チームにとって素晴らしい仲間になることができます。

Q. NLPは、医師がリスクのある患者を特定するのにどのように役立ちますか?

A。 ここで最初に注意することは、病気、病気の重症度、および病気の進行の多くの危険因子は、償還に影響を与えないため、コード化できないか、ほとんどコード化されない機能であるということです。Medicare、Medicaidによる健康保険、または民間医療。 カバレッジ。

これらの兆候、症状、および健康の社会的決定要因は、臨床医によって医療記録に記録されますが、構造化データに存在するものに変換されることはめったにありません。 したがって、リスクの特定に役立つ情報がフリーテキストに含まれていることがわかります。 これを知り、NLPとは何かを理解することで、臨床医がリスクのある患者を特定するのにNLPが役立つ多くの方法を理解し始めることができます。

まず、病気の危険因子がわかっている場合を考えてみましょう。 NLPは、これらの既知の要因について医療記録を検索し、これらの特性が存在する患者を特定するように構成できます。

NLPを使用したい最も抽象的ながエキサイティングな領域は、未知の危険因子によるリスクのある患者の特定を支援することです。 この場合、NLPでさまざまな手法を使用して、NLPプロセスのさまざまな部分を使用してさまざまな特性を持つレコードにタグを付けることができます。

たとえば、NLPは、「エンティティ認識」と呼ばれる病気、手順、兆候、または症状を判別し、テクノロジーはそれらのエンティティを既知のオントロジーまたは用語とリンクして、潜在的に豊富な機能のセットを作成できます。

次に、これらの機能を標準の構造化データとともに他の機械学習またはクラスタリングパイプラインにフィードして、潜在的にリスクのある患者を特定できます。 機械学習用の機能を作成するためのこのNLPの使用は、強力な組み合わせです。

Q.臨床医と医療ITリーダーは、フリーテキストデータから洞察を得てSDOHを発見するにはどうすればよいですか?

A。 前述のように、患者の健康の社会的決定要因に関する情報は、ほとんどの電子健康記録に十分にコード化されていません。 それにもかかわらず、医療専門家は、その患者の社会史に関する情報を含む、患者の完全な履歴をキャプチャするように訓練されています。

口述またはEHRへの直接入力を通じて、この情報は患者の医療記録のフリーテキスト内に豊富に存在します。 情報がそこにあることを知っているということは、徴候や症状に使用するSDOHレコードを分類および整理するためにまったく同じ手法を使用できることを意味します。

非常に簡単な例を見てみましょう。 医師は入院中の高齢患者について次のように記録している。「この紳士は救急車で運ばれ、家の外に横たわっているのが発見された。彼は一人暮らしで、妻は3年前に亡くなった。彼は通常Zフレームを着用しており、リードできない。 「」

このタイプのドキュメントはヘルスケアで一般的であり、10回のうち9回はEHRのメモセクションに隠されたままです。

NLPを使用すると、このステートメントは、「社会的に孤立している、未亡人である、補助装置を持って歩く、交通機関がない」という構造化されたデータに変換できます。 この情報を1人の患者だけでなく、母集団全体に対して構造化された形式で保持することは、プロバイダーが最大のニーズと最大のリスクを持つ患者をより適切に特定できることを意味します。

Q. NLPはどのように人口の健康への取り組みを促進するのに役立ちますか?

A。 最後のSDOHの例は、NLPが人口の健康にどのように影響するかを示す優れた例ですが、NLPが人口の健康イニシアチブにどのように役立つかを確認するためにSDOHに焦点を当てる必要はありません。

人口の中で最も病気の人が医療費の大部分を占めるという私たちの理解は新しいものではありません。 そのため、患者を早期に特定して管理し、それぞれの病気がそれほど深刻ではない場合に、より多くのリソースを必要とするニーズに患者が進まないようにすることが常に課題でした。

上記のように、これを通知できる患者の医療記録の部分が構造化データに取り込まれることはめったにないため、適切な人口層別化は医療機関にとって大きな課題となっています。 NLPは、信頼性が高く、構成可能で透過的な方法を提供して、より正確な診断キャプチャを可能にし、したがって、病気の真の負担をよりよく理解できるようにします。

うっ血性心不全の架空の例を見てみましょう。 構造化されたデータのみを見ると、この病気が人口に与える影響に関する情報を収集できますが、人口の健康への取り組みに影響を与えるほど詳細なレベルではありません。

償還請求コードを使用すると、CHFの患者が1,000人いることがわかりますが、その症状、ニューヨーク心臓協会の分類、または重症度を識別することはできません。 彼らが入院している場合、心不全の悪化が彼らの入院の主な原因であったかどうかを知ることは非常に困難です。

NLPを適用すると、心不全患者のより多くのコホートを特定できるだけでなく、呼吸困難、下肢の腫れ、睡眠障害の訴え、入院など、心不全患者の重症度に関する情報も取得できます。心不全を悪化させる。 。

これにより、どの患者が危険にさらされているのか、どこでケアのギャップを埋める必要があるのか​​をよりよく理解することができます。 これは、カイザーパーマネンテがNLPを使用する方法の1つです。 で公開されているように JAMA 去年

ツイッター: @SiwickiHealthIT
ライターにメールを送信:[email protected]
Healthcare IT Newsは、HIMSSMediaによって発行されています。

Leave a Reply

Your email address will not be published.