AI-assisteret notetagning til elektroniske sundhedsjournaler

Læger bruger i øjeblikket meget tid på at skrive notater om patienter og indsætte dem i elektroniske journalsystemer (EPJ). Ifølge en undersøgelse fra 2016, læger bruger cirka to timer på administrativt arbejde for hver time, der er sammen med en patient. Takket være banebrydende kunstig intelligens-værktøjer, denne noteskrivningsproces kan snart blive automatiseret, hjælpe læger til bedre at styre deres vagter og fritage dem fra denne kedelige opgave.

Peter Liu, en forsker hos Google Brain, har for nylig udviklet en ny sprogmodelleringsopgave, der kan forudsige indholdet af nye notater ved at analysere patientjournaler, som omfatter data såsom demografi, laboratoriemålinger, medicin og tidligere notater. I sit studie, forudgivet på arXiv, han trænede generative modeller ved hjælp af MIMIC-III (Medical Information Mart for Intensive Care) EPJ-datasæt, og sammenlignede derefter noterne genereret af modellerne med rigtige noter fra datasættet.

Almindelig anvendte metoder til at reducere den tid, klinikere bruger på at tage notater, omfatter brugen af ​​dikteringstjenester og ansættelse af assistenter, der kan skrive notater til dem. Værktøjer til kunstig intelligens kunne hjælpe med at løse dette problem, reducere omkostninger brugt på yderligere personale og ressourcer.

"Hjælpefunktioner til noter, såsom autofuldførelse eller fejlkontrol, drage fordel af sprogmodeller, " skriver Liu i sit papir. "Jo stærkere modellen er, jo mere effektive vil sådanne funktioner sandsynligvis være. Dermed, fokus i denne artikel er at bygge sprogmodeller til kliniske noter."

Liu brugte to sprogmodeller:den første kaldes transformerarkitektur, og blev introduceret i en undersøgelse offentliggjort sidste år i Fremskridt inden for neurale informationsbehandlingssystemer tidsskrift. Da denne model klarer sig bedre med kortere tekster, såsom individuelle sætninger, han testede også en nyligt introduceret transformer-baseret model, kaldet transformer med hukommelseskomprimeret opmærksomhed (T-DMCA), hvilket viste sig at være mere effektivt til længere sekvenser.

Han trænede disse modeller på MIMIC-III-datasættet, indeholdende afidentificeret EPJ på 39, 597 patienter fra intensivafdelingen på et tertiært hospital. Dette er i øjeblikket det mest omfattende EPJ-datasæt, der er offentligt tilgængeligt og nemt kan tilgås online.

"Vi har introduceret en ny sprogmodelleringsopgave for kliniske noter baseret på HER-data og viste, hvordan man repræsenterer den multimodale datakontekst til modellen, " Liu forklarede i sit papir. "Vi foreslog evalueringsmetrikker for opgaven og præsenterede opmuntrende resultater, der viser sådanne modellers forudsigelsesevne."

Modellerne var effektivt i stand til at forudsige meget af indholdet i lægens notater. I fremtiden, de kunne hjælpe med udviklingen af ​​mere sofistikerede stavekontrol- og autofuldførelsesfunktioner. Disse funktioner kan derefter integreres i værktøjer, der hjælper klinikere med at udføre administrativt arbejde. Selvom resultaterne af denne undersøgelse er lovende, nogle udfordringer mangler stadig at blive overvundet, før modellerne kan anvendes i større skala.

"I mange tilfælde, den maksimale kontekst, som EPJ giver, er utilstrækkelig til fuldt ud at forudsige notatet, " Liu forklarer i sit papir. "Det mest oplagte tilfælde er manglen på billeddata i MIMIC-III til radiologirapporter. For ikke-billeddannende notater mangler vi også information om de seneste interaktioner mellem patient og udbyder. Fremtidigt arbejde kunne forsøge at udvide notatkonteksten med data ud over EPJ, f.eks. billeddata, eller udskrifter af patient-læge interaktioner. Selvom vi diskuterede fejlkorrektion og autofuldførelsesfunktioner i EPJ-software, deres virkninger på brugerens produktivitet blev ikke målt i den kliniske kontekst, som vi forlader som fremtidigt arbejde."

© 2018 Tech Xplore