استخراج دانش کاربردی از پرونده‌ی پزشکی بیمار

در این مطلب ما در مورد این مسئله بحث می‌کنیم که صنعت مراقبت از سلامت، چگونه برای دستیابی به نوعی بینش از نوشته‌های ساختارنیافته اطلاعات بیمار، از پردازش زبان طبیعی استفاده می‌کند.

چالش‌های مراقبت از سلامت

اطلاعات الکترونیکی مراقبت از سلامت امروزه بسیار پیچیده و غنی شده است، اما با وجود این پیشرفت‌ها، پزشکان هنوز از سادگی خلاصه‌های متنی نوشته شده از برخورد با بیمارانشان بدون استفاده از فرم کلینیکی، لذت می‌برند. به همین دلیل است که ۸۰ درصد داده‌های حوزه سلامت ساختارنیافته هستند.

علاوه بر این، برای بسیاری از سازمان‌های حوزه سلامت، فهم همه جانبه اطلاعات بیمار از طریق داده‌‌ها بسیار دشوار است، چرا که این داده‌ها در منابع مختلفی ذخیره شده‌اند. به علاوه، حجم بالای این داده به طور گسترده مورد پردازش و استفاده قرار نمی‌گیرد و این موضوع چالشی فنی در زمینه استفاده و پردازش تاریخچه داده‌‎هایی با قدمت ۱۰ تا ۲۰ سال ایجاد کرده‌ است.

سوالات مهمی که سازمان‌های مراقبت از سلامت از خود می‌پرسند، شامل موارد زیر می‌شود:

• چگونه می توانیم از یادداشت های بالینی (که ۸۰٪ اطلاعات بیمار در آن قرار دارد) ارزش افزوده‌ی بیشتری بدست آوریم؟
• چگونه می توانیم داده‌های بالینی را با مطالبه‌ها و سایر داده ها ادغام کنیم تا دیدی کلی درباره بیماران بدست آوریم؟
• چگونه حجم عظیمی از داده ها را طوری مدیریت کنیم که بتوانیم به طور مقیاس‌پذیری از آن استفاده کنیم؟

پردازش زبان طبیعی (NLP) چگونه می‌تواند به ما کمک کند؟

سازمان‌های بهداشت و درمان برای بهبود عملکردها و نتایج نهایی وضعیت بیماران و افزایش درآمد، بایستی بتوانند روایت‌ها و متون ساختار نیافته (به عنوان نمونه ملاقات بیمار یا تصویربرداری) را به یک قالب ساختاری تبدیل کنند. این امر به ثبت کدها و اصطلاحات بالینی ارزشمند می‌انجامد که به راحتی قابل جستجو و تحلیل هستند.

این روش به تحلیلگران و محققان بالینی این امکان را می دهد تا از داده های نوشته شده در یادداشت‌های بالینی پزشک استفاده کنند و اطلاعات بیمار را سریع‌تر پیدا کنند. وقتی محتوا ساختارمند باشد، داده‌های آن را می‌توان برای تحلیل پیشگویانه مورد استفاده قرار داد و ریسک‌های بیماران فردی یا گروهی از بیماران خاص را می‌توان به راحتی شناسایی و مدیریت کرد.

برای حل این مشکل ، سه تکه مهم پازل وجود دارد:

• توانایی انجام پردازش زبان طبیعی (NLP) و اعمال قوانین پیچیده بالینی برای استخراج بینش و ذخیره آن به عنوان مفاهیم بالینی ساختارمند.
• امکان انجام عملیات NLP در مقیاس مناسب برای رسیدگی به تعداد زیادی از داده‌های بدون ساختار و یکپارچه سازی این داده‌ها با انواع دیگر داده‌های باارزش مانند مطالبه‌ها یا ژنومیک‌ها.
• توانایی ایجاد واسط‌ کاربری دقیق و ساده که از گردش کار بالینی پشتیبانی کرده و امکان جستجوی و تجزیه و تحلیل سریع را فراهم می‌کنند.

فرصت‌های ایجاد شده به واسطه‌ ترکیب داده‌های بالینی با انواع دیگر داده‌های ارزشمند

سازمان‌های بهداشت و درمان با یکپارچه سازی داده‌های مطالبه ها و بینش های عمیق به دست آمده از یادداشت های بالینی‌، می توانند با برخی از چالش های گردش کار تحلیلی و بالینی خود رو به رو شوند که شامل موارد زیر می‌شود:

• رمزگذاری یا کدگذاری.
• رسیدگی به موقع به بیمار بخصوص بیماران پرخطر.
• شناسایی سریع بیماران نیازمند به رسیدگی و انجام مراقبت‌های بهتر.
• تنظیم دقیق ریسک برای موارد پیچیده به ویژه در مورد بیمارانی که دارای علائم بیماری‌های مختلف هستند.

استفاده از NLP برای مدیریت کدگذاری اشتباه

کدگذاری و رمزگذاری مهمترین چالش های سازمان های بهداشتی علاقمند به استفاده از NLP هستند.

کدگذاری تشخیص ها ، رویه ها ، ارزیابی ها و خدمات مدیریت زمانی اتفاق می افتد که کدهای ثبت شده نشان دهنده دامنه کامل کارهایی نباشد که توسط پزشک یا مرکز انجام می شود. در مواردی که بیمار دارای مشکلات قبلی یا شرایط پیچیده باشد یا چندین بار مورد مداوا قرار گرفته باشد، چنین اتفاقی رخ می‌دهد.

رمزگذاری دستی این نوع برخوردها می تواند منجر به خطای انسانی شود؛ خصوصاً وقتی رمزگذار پرستار روزانه صدها پرونده بیمار را مرور می کند. به این ترتیب ، کم کردن کد می تواند باعث از دست رفتن درآمد و بازپرداخت شود. این همان جایی است که استخراج بینش از یادداشت های بالینی می تواند به رفع اختلاف بین نوشته‌های پزشک و نوشته‌های اصلی کمک کند. پرداختن به ایجاد کد کمک می کند تا ارائه دهندگان مراقبت های بهداشتی فرصت های درآمدی پیدا کنند و اطمینان حاصل کنند که ادعای آنها با خدمات و معالجه دقیقی که ارائه شده است مطابقت دارد.

کدگذاری بیشتر تشخیص‌ها ، رویه ها ، ارزیابی ها و کدهای مدیریت زمانی اتفاق می افتد که کدها به روشی گزارش شوند که منجر به پرداخت بالاتری نسبت به خدمات یا درمانی می شود که توسط یک ارائه دهنده فراهم شده است. هنگامی که این مسئله به عمد انجام شود ، کلاهبرداری تلقی می شود ، اما غالباً کدگذاری بیش‌ از حد حین خطای دستی ، نظارت و یا اطلاعات مفقود شده در پرونده بیمار رخ می‌دهد.

NLP با خودکار کردن فرآیند بررسی و کدگذاری سوابق بیمار ، احتمال بروز این شرایط را به میزان قابل توجهی کاهش می دهد. وقتی اطلاعات بیمار گم می‌شود، NLP می تواند به عنوان ابزاری در برنامه های بهبود اسناد بالینی (CDI) استفاده شود. این امر فرصتی را برای بیمارستان فراهم می کند تا شیوه های فعلی فرآیند‌های خود را مرور کند و اطمینان حاصل کند که هر جنبه از معالجه بیمار در هر مرحله از کار مستند است.

چگونه هوش مصنوعی ، ابر و یا فن آوری های مترقی می توانند به ما کمک کنند؟

سازمان ها برای به دست آوردن یک دیدگاه جامع از بیمار یا بخشی از بیماران ، باید یادداشت های بالینی را با سایر داده های با ارزش بالا مانند مطالعه‌ها ، تصاویر و یا ژنومیک ادغام کنند. با انجام این کار می‌توان الگوها و همبستگی‌های مربوط به وضعیت بیمار، صورتحساب‌ها یا مراقبت‌هایی را شناسایی کرد که در بررسی دستی خسته کننده نمودارهای بیمار قابل تشخیص نیستند. برای انجام این کار راه حل‌های آسانی وجود دارد:

• قالبهای پیچیده و بدون ساختار از این نوع داده ها که اغلب می توانند نامتجانس یا نادرست باشند.
• کیفیت داده های این نوع داده ها که ممکن است نیاز به پاکسازی یا تصحیح داده ها داشته باشد.
• حجم زیاد این نوع داده های بدون ساختار و سوابق طولانی مدت بیمار
• هزینه ایجاد یک محیط برای حمایت از این ادغام و هرگونه تحلیل نتیجه

خوشبختانه ، فناوری های مترقی مانند آپاچی اسپارک ، پلتفرم گوگل کلود ، کوبرنتس ، الاستیک و ری اکت هنگام مواجهه با چالش هایی مانند این مسئله به کمک ما می‌آیند. استفاده از اسپارک می تواند به ساده تر کردن داده های مربوط به مصرف و فعالیت های ادغامی کمک کند که اغلب به توسعه قابل توجه ETL نیاز دارند. اسپارک همراه با فن آوری های ابری مانند پلتفرم گوگل کلود و کوبرنتس با مقیاس بندی پردازش، به انجام محاسبه مورد نیاز برای اجرای فعالیت ETL کمک می کند و این کار را با هزینه ای مناسب انجام می دهد. این فناوری‌ها همچنین در زمینه استقرار سریع و اتوماسیون به توسعه دهندگان کمک می کنند تا آن‌ها بتوانند به سرعت فرآیند اشکال زدایی و تکرار را انجام دهند. اسپارک با داشتن قابلیت های چتری ، ویژگی های یادگیری ماشینی را نیز برای پشتیبانی از NLP مورد نیاز ارائه می دهد و تجزیه و تحلیل پیش بینی پیشگویانه پیشرفته را روی داده های منتقل شده اعمال می کند. الاستیک برای کمک به ایندکس کردن مقادیر گسترده داده های یادداشت‌شده بدون ساختار در مقیاس بزرگ مفید است و نتایج جستجو را به سرعت به ما تحویل می دهد. در نهایت باید گفت که کتابخانه‌های جاوااسکریپت مانند ری اکت در هنگام ایجاد برنامه‌های واکنشگرا (ریسپانسیو) و موبایل پسند بسیار سودمندند چرا که می‌توانند به راحتی تحلیل‌های پیچیده را انجام داده و ارائه دهند. آن‌ها این کار را از طریق تحلیل تعاملی داده‌ها در لبه انجام می‌دهند.

منابع خبر :