人工智能協(xié)助記錄電子健康記錄

醫(yī)生目前花費(fèi)大量時(shí)間撰寫有關(guān)患者的說明并將其插入電子健康記錄(EHR)系統(tǒng)。根據(jù)2016年的一項(xiàng)研究，醫(yī)生花費(fèi)大約兩個(gè)小時(shí)進(jìn)行行政工作，每個(gè)小時(shí)花在患者身上。借助先進(jìn)的人工智能工具，這種筆記寫入過程可以很快實(shí)現(xiàn)自動(dòng)化，幫助醫(yī)生更好地管理他們的班次并使他們免于這項(xiàng)繁瑣的任務(wù)。

Google Brain的研究員Peter Liu最近開發(fā)了一種新的語言建模任務(wù)，可以通過分析患者的醫(yī)療記錄來預(yù)測(cè)新筆記的內(nèi)容，其中包括人口統(tǒng)計(jì)學(xué)，實(shí)驗(yàn)室測(cè)量，藥物和過去的筆記等數(shù)據(jù)。在他早期發(fā)表在arXiv上的研究中，他使用MIMIC-III(重癥監(jiān)護(hù)醫(yī)療信息市場(chǎng))EHR數(shù)據(jù)集訓(xùn)練生成模型，然后將模型生成的注釋與數(shù)據(jù)集中的實(shí)際注釋進(jìn)行比較。

通常采用的方法可以減少臨床醫(yī)生花在筆記上的時(shí)間，包括使用聽寫服務(wù)和雇傭可以為他們寫筆記的助理。人工智能工具可以幫助解決這個(gè)問題，減少花在額外人員和資源上的成本。

“筆記的輔助寫作功能，例如自動(dòng)完成或錯(cuò)誤檢查，受益于語言模型，”劉在他的論文中寫道。“ 模型越強(qiáng)，這些特征就越有效。因此，本文的重點(diǎn)是建立臨床筆記的語言模型。”

劉使用兩種語言模式：第一種叫變壓器的架構(gòu)，并在去年在發(fā)表的一項(xiàng)研究中引入在神經(jīng)信息處理系統(tǒng)的進(jìn)步刊物。由于該模型在較短的文本(例如單個(gè)句子)中表現(xiàn)更好，他還測(cè)試了最近引入的基于變壓器的模型，稱為具有記憶壓縮關(guān)注的變換器(T-DMCA)，其被發(fā)現(xiàn)對(duì)于更長(zhǎng)的序列更有效。

他在MIMIC-III數(shù)據(jù)集上訓(xùn)練了這些模型，其中包含來自三級(jí)醫(yī)院重癥監(jiān)護(hù)病房的39,597名患者的去識(shí)別EHR。這是目前最全面的EHR數(shù)據(jù)集，可公開獲取，并且可以在線輕松訪問。

“我們基于HER數(shù)據(jù)為臨床筆記引入了一種新的語言建模任務(wù)，并展示了如何將多模態(tài)數(shù)據(jù)上下文表示給模型，”劉在他的論文中解釋道。“我們提出了該任務(wù)的評(píng)估指標(biāo)，并提出了令人鼓舞的結(jié)果，顯示了這些模型的預(yù)測(cè)能力。”

這些模型能夠有效地預(yù)測(cè)醫(yī)生筆記的很多內(nèi)容。將來，它們可以幫助開發(fā)更復(fù)雜的拼寫檢查和自動(dòng)完成功能。然后可以將這些功能集成到幫助臨床醫(yī)生完成管理工作的工具中。雖然這項(xiàng)研究的結(jié)果是有希望的，但在模型可以更大規(guī)模使用之前仍然需要克服一些挑戰(zhàn)。

“在許多情況下，EHR提供的最大背景不足以完全預(yù)測(cè)音符，”劉在他的論文中解釋道。“最明顯的案例是MIMIC-III缺乏成像數(shù)據(jù)用于放射學(xué)報(bào)告。對(duì)于非成像筆記，我們也缺乏有關(guān)最新患者 - 提供者互動(dòng)的信息。未來的工作可能會(huì)試圖用超出EHR的數(shù)據(jù)來增加注釋背景例如，成像數(shù)據(jù)或患者與醫(yī)生之間的相互作用。盡管我們?cè)贓HR軟件中討論了錯(cuò)誤糾正和自動(dòng)完成功能，但它們對(duì)用戶生產(chǎn)率的影響并未在臨床環(huán)境中進(jìn)行測(cè)量，我們將其作為未來的工作。