Эксперт по обработке естественного языка объясняет, почему, по его мнению, недостатки технологии устранены, ее рентабельность доказана и для здравоохранения настало подходящее время воспользоваться преимуществами инструментов извлечения информации.


Обработка естественного языка – это субдисциплина искусственного интеллекта, которая может быть очень полезна в здравоохранении, которая извлекает клинические самородки из всего свободного текста в электронных медицинских картах и хранилищах данных.

Марти Элиско, генеральный директор Augintel, компании, занимающейся НЛП в сфере здравоохранения, считает, что НЛП станет мейнстримом в 2023 году по трем причинам: перегибы устранены, ценность доказана и время выбрано правильно.

Healthcare IT News поговорили с Элиско, чтобы заставить его подробнее остановиться на этих причинах и помочь ИТ-директорам здравоохранения и другим руководителям ИТ-служб здравоохранения понять, почему 2023 год может стать годом NLP.

В. Одна из причин, по которой вы предполагаете, что в 2023 году все больше организаций, предоставляющих медицинские услуги, перейдут на технологию обработки естественного языка, заключается в том, что перегибы были устранены. Пожалуйста, расскажите о перегибах, о которых, по вашим словам, позаботились, и о том, как это будет способствовать усыновлению.

О. Во-первых, давайте выровняем определение НЛП. НЛП относится к области компьютерных наук, занимающейся предоставлением компьютерам способности понимать текст и произносимые слова почти так же, как это делают люди.

НЛП может быть применено в нескольких контекстах. Это может относиться к распознаванию голоса в текст. Он также может быть использован для распознавания рукописного ввода. Но в нашем сегменте и в контексте этого обсуждения мы используем НЛП для анализа содержания – или извлечения информации – написанного слова.

Около пяти лет назад технология машинного обучения сделала гигантский скачок вперед. Стало возможным экономически эффективно обучать алгоритмы с использованием огромных объемов данных. Это нововведение позволило использовать НЛП для анализа контента. Машинное обучение начинало применяться к огромным объемам повествовательных данных для построения моделей НЛП, которые могли бы идентифицировать ключевые концепции, описанные в тексте.

За последние пару лет, поскольку затраты на разработку модели снизились, стало экономически целесообразным разрабатывать отраслевые модели.

Например, в юридической индустрии НЛП используется для электронного обнаружения. Юристы используют NLP для анализа документации, предоставленной на этапе обнаружения, чтобы облегчить использование соответствующего контента. И совсем недавно был достигнут прогресс в использовании НЛП в здравоохранении – поведенческом здоровье и, в частности, в сфере здравоохранения и социальных служб.

Первоначальные усилия по анализу контента в сфере здравоохранения и социальных служб, как правило, представляли собой индивидуальные проекты, которые предназначались для анализа данных в определенный момент времени, а не для предоставления инструмента, к которому можно было бы получить доступ на ежедневной основе. Опыт и усилия, необходимые для "обучения" глубокому контексту здравоохранения, были слишком обременительными для многих и привели к провалу проекта – или вообще к его не началу.

Примерно за последний год отраслевые решения стали коммерчески доступными, поскольку завершились пилотные проекты по их апробации. Эти пилотные проекты выиграли от сотрудничества между специалистами по обработке данных и заказчиками / пользователями, которые усовершенствовали языковую модель в соответствии с потребностями отрасли.

Итак, перегибы были устранены. Технология является зрелой и стабильной, инновационные технологические компании создали легко доступные SaaS-решения для конкретных задач с глубоким контекстом, и клиенты теперь пожинают плоды.

В. Вы также говорите, что ценность НЛП была доказана. Пожалуйста, приведите пару примеров того, как НЛП доказывает свою состоятельность.

A. Рентабельность инвестиций, достигнутая организациями, использующими НЛП, была достигнута.

В качестве одного из примеров, соцработники в округе Аллегейни продолжали обнаруживать, что так много богатой информации скрыто в записях случаев и неструктурированных данных. Из-за перегрузки информацией соцработникам потребовалось так много времени, чтобы найти соответствующие данные.

Они хотели решить эту проблему – проблему быстрого доступа к важным данным в нужное время с конечной целью помочь улучшить услуги для семей и детей, которым они помогают. Они знали, что возможность быстрого и легкого доступа к лучшим аналитическим данным позволит нарисовать картину всего дела без необходимости тратить часы на просмотр заметок.

Одна соцработница, в частности, утверждала, что только платформа NLP сэкономила ей пять часов в неделю на административных задачах.

Платформа НЛП также помогла округу Аллегейни лучше понять социальные детерминанты здоровья. Как правило, требуется тщательный анализ всей истории болезни, чтобы понять такие вещи, как история употребления наркотиков или ненадежность жилья – два фактора SDOH, которые значительно влияют на общее благополучие. Но со всеми цветами, деталями и более глубокими описаниями, содержащимися в неструктурированных данных, инструмент НЛП позволяет соцработникам видеть ранние предупреждающие знаки в режиме реального времени.

Излишне говорить, что семьям невероятно полезно, когда соцработники могут извлекать подобную информацию из неструктурированных данных на ранних стадиях процесса.

В. И, наконец, вы говорите, что с 2023 годом время для НЛП в здравоохранении самое подходящее. Пожалуйста, поподробнее.

Ответ: Ни для кого не секрет, что нехватка персонала и эмоциональное выгорание в последние годы стали реальной проблемой для организаций здравоохранения по всем направлениям. Согласно исследованию, опубликованному в журнале Mayo Clinic Proceedings, уровень эмоционального выгорания среди врачей США резко возрос в течение первых двух лет пандемии COVID-19 после шести лет снижения.

Кроме того, исследование показало, что выгорание врачей составило 62,8% в 2021 году по сравнению с 38,2% в 2020 году. Тенденция очевидна.

Дополнительные исследования показали, что 64% случаев эмоционального выгорания связаны с административной нагрузкой, что, безусловно, способствует переломным моментам у соцработников. При таком напряжении соцработников выбытие остается высоким.

Некоторые организации сообщают о 30%-ном сокращении персонала в квартал. При истощении происходит потеря знаний о конкретных случаях, и эта потеря напрямую влияет на результаты. Когда назначаются новые лица, осуществляющие уход, у них просто нет времени читать целые файлы, что может привести к перерывам в непрерывном уходе, особенно в сложных случаях.

Итак, у вас есть соцработники и клиницисты, которые проводят слишком много времени вдали от людей, находящихся на их попечении, и с них хватит. В сочетании с влиянием утраченных знаний о случаях на результаты становится ясно, что статус-кво просто не может продолжаться, если мы хотим сохранить надежную и функционирующую систему здравоохранения.

В то же время существуют значительные достижения в области экономически эффективных инструментов машинного обучения, в частности НЛП, которые могут частично облегчить этот стресс. Для медицинских работников настало время опираться на доступные инструменты. Поэтому я верю, что 2023 год станет годом взлета НЛП.