五月2019

新兴的声音
萨拉·埃尔金斯
郑重声明
第三十一卷第五页

自然语言处理是医疗保健行业进军数据检索技术背后的催化剂。

十年后，一个男人可能会发现自己坐在咖啡馆里，手腕上的个人健康监测器向他的手机发送了一条通知。该设备收集的生物特征数据显示了他生理上的一个小问题。

“也许你应该和你的医生预约一下，”文章建议。

从他的手机，他导航到他的医生的网站，在那里，一个机器人进行了简短的对话。机器人通过一系列问题帮助他决定，他的症状是否需要亲自预约，还是需要远程医疗视频电话。根据他的回答，通过日历集成自动安排门诊预约。

他还没来得及说“玛奇朵”，就已经在去医生办公室的路上了。但在此之前，医生已经收到了一份后续问题清单。这些问题是从机器人聊天收集的数据中推断出来的。

当她走近病人正在等待的诊疗室时，医生正在说话，似乎没有对任何人说话。“问题清单上有什么?”她问道。她的左耳上戴着一个小巧的耳塞，而另一个机器人正在用只有她能听到的简洁自然的语言传递病人的健康史。

医生的手是空的;没有笔记本电脑被推车推到房间里。在其他方面，这种检查可能看起来很平常，除了——感谢自然语言处理(NLP)的进步——电子健康档案(EHR)正在自我普及。复选框被选中，评估和护理计划是根据在遭遇过程中所说的话写的。

许多专家认为，不久之后，医疗保健也会像现在这样。

与科技对话
Siri和Alexa即将进入医学院，这对医疗保健的影响已经很明显。事实上，10年可能是一个保守的估计，当谈到多久医疗保健将类似于上述情况。人们已经在开发采用类似人类的推理和交流的技术，以改善护理的提供。

医学博士Yaa kummah - crystal是范德比尔特大学医学中心的生物医学信息学和儿科内分泌学助理教授《星际迷航》和霹雳游侠他说:“直觉上，能够与技术对话并让它做出反应的概念对我来说非常有意义。”

Kumah-Crystal正在研究如何重新设计电子病历，以更好地提供患者护理。她的主要项目是范德比尔特电子病历语音助手(EVA)。她的目标吗?她说，设计“使用语音技术和自然语言界面的聪明方法，从电子病历中获取信息。”

医生大声问道:“问题清单上有什么?”并得到一个答案并不是那么未来——kumah - crystal今天就能做到。这项技术正在儿科内分泌学患者的低风险应用中进行测试。

Kumah-Crystal对EVA从电子病历中准确提取信息的能力充满信心。当然，信任这项技术将数据导入电子病历完全是另一回事，但很快范德比尔特大学的团队就会进行试点。今年春天，它将开始测试EVA在健康维护方面的医生订单效果。

在试点应用程序中，医生将能够大声地问:“这个病人今天需要做检查吗?”

EVA可能会回答:“看起来这个病人应该做糖化血红蛋白检查了。你想点这个吗?”

医生只需说“是的”，一个待处理的订单就会生成，并通过一键确认完成。

这种交流可能看起来并不比告诉Alexa播放斯普林斯汀更复杂，但根据Kumah-Crystal的说法，节省的时间是巨大的。她说，在目前的状态下，“你实际上必须浏览表格，查看所有已经完成的实验，在脑子里做一些计算，找出它们最后一次截止日期是什么时候，找出是否有截止日期，然后转到顺序部分，输入顺序，绘制实验，签名，然后对每个单独的实验重复这一步骤。”

聊天机器人学习客户服务
目前，并不是所有的NLP应用都涉及大声说话和接受口头反馈。在普罗维登斯圣约瑟夫健康中心，一个名叫格蕾丝的机器人正在通过在线聊天帮助病人决定他们应该寻求什么级别的护理。

格蕾丝会根据病人对她问题的回答提出建议。根据病人的投诉，机器人将帮助病人决定是去诊所、使用远程医疗还是要求家访。格蕾丝并没有为病人做任何决定，但她正在帮助他们对自己的选择有一个更清晰的认识。

大西雅图地区普罗维登斯圣约瑟夫医疗中心(Providence St. Joseph Health)的首席数字官亚伦·马丁(Aaron Martin)表示，这项技术虽然不是特别引人注目，但正在降低成本，改善客户服务。

“在美国，120美元的初级保健就诊治疗的尿路感染和链球菌性咽喉炎的数量是巨大的。如果你只处理这些简单的用例，你可以从系统中节省很多成本。”

Martin强调了测试早期NLP技术的低风险、高容量用例的重要性。当有大量应用算法的机会时，机器学习得更快。当真正的病人参与进来时，低风险的客户服务互动，就像格蕾丝正在处理的那样，是对这项技术最安全的测试。

虽然未来用机器诊断癌症并非不可能，但格蕾丝还没有准备好让任何人接受手术。然而，她可能会变得足够聪明，建议你尽早去看医生。

将图像翻译成语言
NLP正在改变病人和提供者之间的关系——即使病人不知道机器人加入了谈话。但医疗生态系统的后端和内部运作也从NLP中获益。

Ciox是一家健康信息门户，负责处理付款人、医院法律团队、患者和各种其他请求者的健康记录请求。据该公司首席数字官弗洛里安•奎罗说，NLP正被用于“清理噪音”。

然而，这对Ciox正在积极使用的技术来说有点过于简化了。quarr解释说，Ciox传输的记录中大约有60%是图像:pdf和复杂的阅读文档。在第一关，计算机视觉技术，也称为智能光学字符识别，将图像转换为可理解的文本。然后使用人工智能将规则应用于结构化数据。例如，如果一个字段应该包含社会安全号码，人工智能将确保每个字符实际上是一个数字。如果在一个应该是数字的字段中有一个“B”，则符号将被更正为“8”。

接下来，NLP被用来将笔记翻译成代码，以消除人类语言固有的偏见。“两个不同的护士可能会写出完全不同的观察结果，”这取决于护士的资历、专业甚至性别等变量，quarr说，“当我们浏览数百万行、数百万行记录时，每个记录笔记的人都会产生偏见。”

NLP不仅在努力消除人类语言中的偏见，还通过解释冗长的笔记、决定重要的内容、做出简洁的总结来消除人类的冗长，从而减少阅读时间。

早吸取教训，早警惕
至少在医疗保健应用方面，NLP是一种新技术，就像手机上的语音助手有时会滑稽地错误地得到口头提示一样，这些早期的机器人也是如此。

马丁回忆起他与一个供应商进行的一个实验，其中设计了一个机器人来跟踪病人。他笑着说:“一年后，机器人问我，‘你的头痛怎么样了?’”

即使像这样的小错误也有助于改进技术，但这也正是马丁强调低风险实验重要性的原因。与其在时间评估上犯了危及生命的错误，不如对一个等了一年才问头痛问题的机器人一笑置之。

马丁说:“早期犯下的最大错误是，一些大型科技公司把目光投向了小批量、高边缘的病例，比如癌症，这些病例真的很难解决。”

除了癌症固有的复杂性和可变性外，还没有足够的事件让机器快速学习。学习曲线太陡，成功太少。相反，有足够多的普通感冒病毒漂浮在周围，机器有机会更快地吸收。生命并没有受到威胁。

“NLP和文本听写已经存在了一段时间，但它一直有点不稳定，”库马-克里斯托说，并指出自2016年左右以来，这项技术已经与人类识别语言的能力不相上下。

尽管如此，研究人员和早期采用者对扩大这项技术的决策责任持谨慎态度。“询问信息是一回事，它会误解你，告诉你别的东西。把医嘱或处方写进电子病历，然后发现是错的，这是另一回事。”

quarr敦促用户考虑上下文。“什么时候才足够正确?”如果不比人类代理更好，它什么时候也是正确的?他问道。如果机器人在病人的数据中发现了一种令人不安的趋势或一种不合理的关系，它可能无法推断出诊断结果，但它解析数据、发现不可见的问题并将其传达给决策人员的能力已经足够好了。

因为，正如马丁所说，“有一名初级保健医生支持护理仍然非常重要。”

“如果我们谈论的是全面的准确性，而我在没有质疑系统的情况下盲目地做出决定，比如手术，那可能是危险的，”夸尔罗伊说。

推动创新的三巨头
目前，亚马逊(Amazon)、谷歌(Google)和微软(Microsoft)正准备在NLP这块蛋糕上分一杯羹。亚马逊的understand、谷歌的AutoML自然语言和微软的Azure这三款产品正在以发展缓慢著称的医疗保健领域推动积极的创新。

Martin说:“最棒的是，许多(大型云供应商)正在构建的平台可以跨行业重用，因为它们解决了通用问题。它们并不是医疗保健所特有的。”

他警告说，现在谈论品牌忠诚度还为时过早。“每家公司都在进行不同的投资。他们在不同的算法上取得了不同的进展和进展速度。任何卫生系统都必须建立使用所有这些方法的能力，”Martin说。

夸里格尔对大型供应商的进步充满热情，他说，他们进军这一领域对医疗保健行业是一个积极的因素，并指出他很高兴能保持警惕。

Kumah-Crystal回应了这些观点。“这不是一个零和游戏，”她说。“要做得更好还有很多工作要做。投入的人越多，它就会变得越好。”

她补充说:“我们在范德比尔特大学EVA项目中的作用是建立最佳实践，因为我们是研究人员。我们不是《财富》500强公司。”

那些身处HIT前沿的人似乎明白这一点。他们对来自科技巨头的大预算竞争性进步表示感谢，但在确保通用解决方案达到医疗保健领域所需的合规水平时，他们也保持了适当的谨慎。beplay最新备用网站

谷歌和亚马逊目前都没有符合HIPAA的接口(编者注:亚马逊的Alexa现在符合HIPAA)，这就是为什么我们无法利用他们的技术，但他们正在努力实现这一目标。一旦这些玩家加入，这将有助于验证这一领域。这将推动事情向前发展，”Kumah-Crystal说。

虽然NLP在医疗保健领域的应用必然是狭隘和保守的，但马丁建议保持一个广泛的网络，以便在不同行业之间分享想法。他从新西兰航空公司(Air New Zealand)的一位高管那里得到了一些最好的建议，他说:“跳进来，找到一个狭窄的用例，去找一些开源的(人工智能)，然后开始试验。”

马丁对其他人的建议是什么?他说:“确保你不只是在和其他医疗保健人员交谈。”

NLP的未来
机器已经很擅长从结构化数据中提取和推断结论，但它们还不够擅长从人类生成的长格式文本中进行推断。

Kumah-Crystal解释说:“现在，如果有人做了CT扫描，放射科医生会写下他们的印象。我会问，‘放射科医生怎么说?“我希望(机器)说的是，‘看起来放射科医生担心骨折。目前，它还做不到这一点。它可以把整个放射学报告读给我听，但它还不够聪明，无法推断出这段话的意思。”

然而，她有信心“在10年内，我们将把这件事敲定。”

许多人担心，新的智能技术的普及将导致就业岗位急剧减少。争吵减轻了这些恐惧。“自然语言处理的使用本身并不一定会取代决策护士、笔记员和程序员。但我坚定地相信劳动力的增长，”他补充说，花更少的时间去理解原始信息，花更多的时间做决定是必要的。

马丁指出，进入劳动力市场的医疗服务提供者数量与寻求医疗服务的人数不断增长之间的差距越来越大。他认为，向NLP和类似技术的高级决策能力迈进是一种必要的进化。

“我们面临着巨大的初级保健短缺，我们无法用执业护士来填补这一缺口。如果我们不通过算法来诊断和处理更简单的用例，我们就会遇到问题。”

- Sarah Elkins是西弗吉尼亚州的自由撰稿人。