6月2017

NLP:一个不断发展的听写机会
Selena Chavis著
郑重声明
第二十九卷第六页

形成性研究结果表明，改进了医生的工作流程。

HIT运动揭示了关于文档最佳实践的两个事实:结构化文档对信息共享和分析具有巨大的希望，并且以自由文本形式呈现的患者叙述是最佳护理交付的关键组成部分。虽然在这两种文档模式之间取得适当的平衡并非易事，但近年来，自然语言处理(NLP)——利用人工智能在计算机语言和人类语言之间进行翻译——作为解决这一持续难题的潜在答案出现了。

最近发表在《科学》杂志上的一项研究进一步强调了NLP的机会医学互联网研究杂志:医学信息学发现支持nlp的EHR听写有可能减少文档所需的时间并提高可用性。考虑到越来越多的证据表明，电子病历未能提供预期的工作流程增强，这些发现对于今天的医生来说可能是个好消息，总的来说，他们对电子病历的使用感到沮丧。

“文档工作继续占据医生工作时间的很大一部分。如果记录变得更有效，医生将能够看到更多的病人，”该研究的作者之一、ZyDoc的主席詹姆斯·麦塞尔博士说。“从医院或诊所的角度来看，这增加了收入和利润。从社会的角度来看，医生效率的提高可以减缓医疗保健成本的增长速度。”

该研究的主要作者、亚利桑那州立大学生物医学信息系副教授戴夫·考夫曼博士表示，记录已经成为一个繁重的过程，医生们常常将其视为一种终结，因为他们努力履行与患者记录相关的要求和义务。虽然电子病历毫无疑问是很有前途的，但他指出，它们也非常复杂，并且与结构化文档相关的可用性很差。因此，临床医生倾向于用叙事或自由文本来表达自己。

考夫曼说:“(自由文本)更难分析。”他解释说，从分析和数据共享的角度来看，自由文本阻碍了电子病历发挥其潜力，因为分析人员很难处理叙述，因为重要信息可能被隐藏在叙述中。“你需要一个能够解析并实际进行NLP并恢复结构的系统。电子病历可以有多种用途。它们用于临床目的，但也可以重新用于质量保证和研究。”

iMedX的首席技术官Gilles-Andre Morin承认NLP和人工智能在临床工作流程中的前景，他表达了谨慎的乐观态度，他指出:“这种技术很难融入医生的实践模式，而不会对医生的习惯产生重大影响。”

他指出，大多数电子病历的标准输入法需要点击式工作流程。然而，医生讨厌浪费时间，这是司空见惯的，当使用EHR标准文档方法。虽然NLP可能会改善工作流程，但它通常需要通过前端语音识别进行语音输入，这迫使医生成为编辑——他们通常认为这一角色比花在点击式电子病历界面上的时间更令人恼火。莫林说:“因此，在急症护理环境中采用前端语音识别和NLP，因为文档的成本不是医生的责任，很可能会遇到阻力。”

研究:更深入的观察
“用于电子健康记录输入的自然语言处理和传统数据捕获方法:一项可用性比较研究”试图评估使用口述和从转录文件中提取数据的nlp数据捕获方法的有效性。研究人员考虑了该方法与标准电子病历键盘和鼠标数据输入相比的记录时间、记录质量和可用性。

形成性研究调查了NLP和标准EHR数据输入方法的四种组合，比较了基于口述的结构化数据捕获协议与标准结构化数据协议以及两种混合协议。研究包括31名参与者，包括神经学家、心脏病学家和肾病学家，他们使用四种文件协议生成四份会诊或入院记录。同时，研究人员记录了完成任务的时间、文档质量(使用医师文档质量仪器PDQI-9)和文档过程的可用性。

该研究检验了一种电子病历记录的方法，通过这种方法，医生口述，口述被转录或进行语音识别，NLP工具(MediSpaien)从转录中生成结构化数据，然后将结构化数据和文本插入电子病历。

值得注意的是，该论文的研究结果表明，与目前通过键盘和鼠标输入完成的主流EHR文档实践相比，使用支持nlp的听写的EHR文档方法有可能减少文档编写时间，提高可用性，同时保持文档质量。Maisel说:“基于nlp的方法比使用键盘和鼠标的标准电子病历记录节省了大约60%的时间。”“这种差异可以解释为听写的速度比使用键盘和鼠标输入数据的速度更快，而不是NLP的参与。”

Maisel补充说，这项研究表明，使用基于nlp的方法和涉及打字和使用鼠标的标准方法生成的文档质量之间没有显著差异。他说:“很可能通过要求作者遵循更具体的口述模板，或者通过改进将自然语言处理的输出翻译成遭遇录的过程，人们将能够进一步提高使用基于自然语言处理的文档方法生成的文档的质量。”

最后，基于nlp的听写方法比通过打字和使用鼠标的电子病历文档产生更高的可用性评级。

考夫曼强调将形成性研究置于语境中的重要性。“就像很多这类研究一样，研究结果总是暂时的，”他说。“它们通常是非常背景化的，但它们提供了想法。这些发现表明，这是一种可行的方法。”

Morin表示同意。他说:“对我来说，涉及使用NLP和人工智能技术的新模式对记录临床遭遇的努力产生积极影响，这并不奇怪。”“细节决定成败。我对这项研究的一个大问题是，它的结果是在真空中使用这项技术的结果。”

同时，麦塞尔指出了该研究的一些局限性，包括以下几点:

•研究中用于将nlp生成的数据移动到患者记录中的模拟手动界面与现实生活中使用的自动化界面不同。

•医生在最终确定之前没有机会审查通过支持nlp的听写方法生成的文件。在现实世界中，他们会的。

•医生根据虚构的病人遭遇的书面测试脚本生成研究文件，而不是通过收集各种来源的信息来评估真实的病人，包括书面记录、与同事和病人的对话以及成像结果。

•研究了三个医学专业(心脏病学、肾脏病学和神经学)。由于招募挑战，心脏病学和肾脏病学的样本量很小，但所有结果在统计上都是有效的。

•由于该研究的方法学以自由文本格式向受试者提供测试脚本，因此它可能倾向于要求医生生成自由文本的文档方法(即，在键盘上打字和听写)，而不赞成其他文档方法，如通过鼠标输入数据。

工作流集成的机遇与挑战
业界专业人士一致认为，尽管支持nlp的听写概念值得进一步研究，但工作流集成存在机遇和挑战。

考夫曼指出，近年来，大量新想法和工作流程解决方案的出现导致了人们对it的普遍厌倦。他说:“临床医生不断被介绍这个新功能或那个新功能，或者这种新的记录方式，本应改善他们的生活，使工作更容易，但有时却达不到预期的效果。”“他们对引进新方法变得有些谨慎。”

在解决完整的NLP有效负载接口挑战之前，Maisel建议医生需要购买支持NLP的听写文档方法。换句话说，实现团队必须让他们相信解决方案更快——不仅在理论上，而且在实践中——并且它不会导致文档质量的恶化。他说:“这可以通过一个部门的最终用户研究来完成，移动部分级别的文本，然后迅速扩展。”“实施的主要障碍是电子病历公司允许这样做，并收取一些费用。”

Maisel承认，新的工作流程总是伴随着实施方面的挑战，但他也指出了机遇。他解释说，医生们渴望将听写作为一种获取数据的手段，他们可以将文件上的任何剩余工作委托给他人。这种听写模式也为医生提供了随时随地记录的便利。

麦塞尔说:“这个解决方案可以通过一个智能手机应用程序来实现，该应用程序可以将听写与预约时间表相结合。”“电话听写和掌上录音机也被广泛接受，因此一旦实施，不需要进行重大培训和快速采用。在口述之后，医生可以选择将编码和文件质量改进委托给其他人，然后在转录系统中签署文件，或者在文件插入电子病历之后。”

为了减轻医生的负担，Morin还设想了一种工作流程，可以使用前端语音识别和NLP来捕获临床遇到的选择性部分，但当自我编辑变得过于繁琐时，可以选择将听写发送给转录。他说:“这样的工作流程必须针对每种类型的EHR实施进行设计，从NLP技术供应商的角度来看，可能无法很好地扩展。”“但这将促进新模式的采用。”

对他的影响
考夫曼说，支持nlp的听写对他来说是个好消息，他指出，任何有助于从自由文本中恢复结构的东西都能提高这些专业人士的工作效率。他说:“当重要信息隐藏在文本中时，很难进行质量保证或查看治疗费用的效果。”

Morin对此表示赞同，并指出:“改进文档的价值会影响到收入周期管理业务的其他方面，从改进收款和减少拒绝到更好的运营指标，如DFNB(未最终计费)、质量、核心指标等。”

Maisel说，支持nlp的文档处理过程将生成大量结构化数据，这可能会满足或帮助HIM自动化一些工作，例如联邦政府规定的报告、账单、人口监测、警报和管理报告。此外，ICD-10代码的生成可以为编码和指定文档节省大量劳动力，这些文档不足以满足账单的特殊性。

成本是多少?
像任何新计划一样，在实现nlp听写的任何回报之前，该行业可以预期初始投资。考夫曼指出了软件、培训和可能的硬件成本。“当你实施任何新事物时，总是会有停机时间。你必须考虑到这一点，”他说。“员工必须接受培训，达到一定程度的软件熟练程度。另一方面，医生一直在做记录，所以我认为这不会太令人望而却步。”

除了将NLP推向市场和实施的相关成本外，Morin还指出，该技术需要特定领域的培训，这意味着它在急性护理环境中的实用性是特定专业的。他表示:“不管底层引擎是基于规则还是机器学习，训练引擎都是有成本的，而且这种成本很可能会转嫁给客户。”

Maisel指出，在NLP和EHR系统之间开发和维护接口的初始和持续成本。NLP过程本身以及将听写转换为文本(无论是通过转录还是语音识别)的价格也不菲。他说:“这大约是转录成本加上NLP处理、插入设置和维护的少量费用。”EHR可能对接口收费，也可能不收费。它对AthenaHealth是免费的，eClinicalWorks是1万美元的基本接口。”

下一个步骤
最重要的是，这个初步的形成性研究为进一步的研究提供了足够的积极结论。自研究以来，Maisel和他的团队在几家医院和诊所实施工作流模型处于不同的阶段。他说:“我们正在与几家电子病历公司合作，以增强他们将更多结构化数据转移到系统中的能力。”“我们将继续展示nlp生成的电子病历之外的数据对个人和人群的价值。”

- Selena Chavis是佛罗里达州的一名自由撰稿人，她的文章经常出现在各种贸易和消费者出版物上，内容涵盖从企业和管理到医疗保健和旅游的所有主题。