9月2017

HIT事件:利用NLP提高结果的五种方法
作者:Brian Levy，医学博士
郑重声明
第二十九卷第九页

关于自然语言处理(NLP)的前景，业界正在进行大量讨论。NLP越来越被认为是解锁重要临床数据的强大工具，它将非结构化文档转化为可以分析和采取行动的可共享数据。

现实情况是，大量的患者信息目前存在于免费文本中，这可以显著提高质量改进计划的完整性和准确性。然而，由于基础设施缺乏从自由文本中提取关键信息所需的功能，因此当前的分析策略中缺少这些数据中的大部分。这个缺失的环节对质量的提高是有问题的，因为据一些行业估计，非结构化数据占临床文件的80%。

通过引入HL7、SNOMED CT、LOINC和RxNorm等标准，以及ICD-10的进步，该行业在结构化数据交换方面取得了显著进展。好消息是，NLP的进步现在可以通过检索和共享关键的非结构化患者信息来帮助完成这些努力。

事实上，NLP有广泛的应用。对于许多行业利益相关者来说，问题是，“我如何从实际的角度利用NLP来影响结果和底线?”

今天的许多报告和分析都是围绕患者队列进行的——基本上定义为具有特定特征的患者群体。作为行业质量倡议的焦点，糖尿病就是一个很好的例子。以下患者特征可用于定义糖尿病患者队列:HbA1c实验室值升高，使用二甲双胍等药物，以及口渴和饥饿增加等症状。

定义患者队列有许多原因，例如质量措施报告、疾病管理和人口健康倡议，以及向疾病登记处提交患者信息。然而，任何这些努力的成功都取决于医疗保健组织准确和完全识别队列中具有预定义属性的所有患者的能力。否则，由于数据有限，策略有可能达不到预期的效果。

事实上，医疗保健组织可以通过在各种领域的患者队列策略中利用NLP实现显著的投资回报。以下是利用NLP来改善结果和底线的五个实用策略。

•质量测量报告。质量测量报告的准确性在提供者的报销和提供者和支付者的声誉中起着关键作用。值得注意的是，一项研究发现，与人工审查电子图表相比，ehr衍生的质量测量(只分析结构化数据)可能会低估实践表现。

在支付方和供方部门中，错失患者报告机会的一个例子是医生质量报告系统(PQRS) 116 (nqf58)中的质量测量。当患者因急性支气管炎而接受抗生素治疗时，这一类别的表现得分较低，因为有证据表明这种治疗方法不能改善病情，而且可能造成伤害。然而，对于患有继发性疾病(如囊性纤维化或艾滋病毒)的患者，在该措施的参数范围内存在排除标准。通常，证明二次诊断的文档是在自由文本中找到的，而不是电子病历的结构化区域。如果没有支持nlp的数据挖掘，提供者就没有办法在不手动梳理图表的情况下识别符合这些标准的患者。在这种情况下，NLP提高了准确性，帮助医疗机构计算出更高的分数，避免负支付。

错失机会的第二个例子是:医疗保险公司还通过医疗保健有效性数据和信息集程序报告质量措施。结果影响了保险公司的公共医疗保险和医疗补助服务中心的星级评级，随后影响了他们的报销。这些质量措施还包括急性支气管炎等疾病的纳入和排除标准(上文讨论了PQRS措施)。至关重要的是，支付方要找到最佳数量的患者进行报告，这要求他们能够访问来自电子病历的提供者数据。这个数据提取必须包括在自由文本注释中找到的信息。NLP可以减少识别合适患者以及确定排除标准所需的手工图表抽象量。

•疾病管理/人口健康倡议。基于价值的护理要求提供者和支付方提高护理管理战略，以更好地解决慢性病和人口健康问题。然而，如果行业利益相关者不能识别所有符合这些参数的患者，他们如何充分处理一个完整的患者队列(例如糖尿病)?

即使是复杂的、有充分证据的诊断，如糖尿病，关键指标也经常被遗漏。眼部和足部检查就是最好的例子。虽然这些数据对于确定糖尿病患者健康的严重程度很有价值，但这些检查命令的文档并不总是显示在结构化的电子病历文本中。

根据一项调查，在某些复杂的条件下，问题的规模会增加。虽然参与这项研究的大多数实践在80%以上的时间里准确记录了高血压和糖尿病，但对血脂异常和缺血性心血管疾病的适当记录率要低得多。因此，NLP可以聚合关键的非结构化患者数据，以反映慢性病和复杂诊断的表现，以确保更准确地表示患者群体。

•患者体验。今天的病人希望更多地参与到他们的护理中，并感到自己的选择赋予了他们权力。提供者和付款人可以通过提供有针对性的沟通和教育来满足他们的需求，帮助他们做出管理健康的最佳决定。

例如，医疗服务提供者必须已经收集了与吸烟状况和身体质量指数升高有关的数据，以便进行质量测量报告。定义这些患者群体的同一患者队列也可以被利用，以确保患者被告知通过戒烟、减肥和营养计划改善健康的机会。同样，提供者可以设计一个病人队列，为需要临终关怀的个人提供富有同情心的临终关怀服务。NLP确保处理这些领域的患者队列是完整的，所以没有人会被遗漏。

•临床决策支持。通过主动使用NLP从免费文本中提取信息来触发警报，提供者可以更充分地利用临床决策支持的承诺。例如，识别有脓毒症风险的患者可以显著提高死亡率。

使用NLP从临床记录中提取信息，特别是体征和症状，如发烧、发冷、混乱以及实验室值和生命体征，可以帮助提供者识别有败血症风险的患者。然后可以在护理点应用决策支持来推荐适当的治疗，包括补液、抗生素和血压支持。

•临床文件的改进。分层条件类别(HCCs)构成了用于确定各种医疗保险计划报销的风险调整模型的基础。临床文件对于计算这些分数至关重要，因为患有更严重疾病的患者可能有资格获得额外的报销，并且健康保险费可以正确调整。

提供者自然希望确保所有与严重性相关的文档都被识别和使用。NLP通过充分识别患者的严重程度以及临床文档中的差距，帮助推动临床文档的改进工作。例如，不是仅仅记录患者患有“抑郁症，未明确”，而是增加了严重程度(轻度、中度或重度)的选择，将患者置于HCC。

最能实现NLP承诺的基础设施
如果没有适当的基础设施来处理结构化和非结构化的患者数据，患者通常被排除在患者队列分析之外。术语和数据管理解决方案存在，其中NLP与结构化数据流程协同工作，以提取、规范化所需数据并将其映射到适当的行业标准。该框架确保与患者队列相关的分析计划是准确和完整的。

- Brian Levy，医学博士，威科健康语言全球临床运营和产品管理副总裁。