医疗保健挑战
电子医疗记录 （EVR） 变得更加复杂和功能丰富，但尽管有这些进步，医生仍然喜欢在叙述、自由格式临床笔记和文本中总结患者遭遇的简单性。因此，大约 80% 的医疗保健数据是非结构化的。
此外，对于许多医疗保健组织来说，数据分布在不同的来源，因此很难获得全面的患者洞察。此外，尚未处理/使用的数据量非常庞大，这给使用和处理历史数据带来了技术挑战，这些历史数据可追溯到 10 到 20 年以上。
医疗保健组织提出的重要问题包括：
- 我们如何从临床笔记中获得更多的价值（80% 的数据见解位于其中）？
- 我们如何将临床数据与索赔和其他数据相结合，以获得患者的整体视图？
- 我们如何处理大量数据，以便我能够以可扩展的方式完成所有这些操作？
您可能还喜欢：
分析非结构化数据的10个步骤。
自然语言处理 （NLP） 如何提供帮助？
为了真正改善手术、患者治疗和增加收入，医疗保健组织需要能够将非结构化的叙述和文本（从患者遭遇或成像作为示例）转换为结构化格式，从而识别有价值的临床术语和代码，可以很容易地搜索和分析。
这使得分析师和临床研究人员能够使用一旦锁定在医生临床笔记中的数据，快速查找患者信息。其次，一旦记录已经结构化，这些数据可用于预测分析，以识别和管理单个患者和高优先级队列的风险。
为了解决这个问题，有三个重要的谜题：
- 执行自然语言处理 （NLP）并应用复杂的临床规则来提取见解并将其存储为结构化临床概念的能力。
- 能够大规模地执行此 NLP 操作，以处理多年积压的非结构化数据，并将这些数据无缝集成到其他有价值的数据类型（如声明或基因组学）。
- 能够构建优雅而简单的交互式界面，支持临床工作流程，并允许快速搜索和实时分析。
NLP 临床笔记工作流程
将临床数据与其他高价值数据类型相结合创造的机会
通过整合索赔数据和临床笔记中的深入见解，医疗保健组织可以开始解决其分析和临床工作流程的一些挑战，例如：
- 编码不足或过度编码。
- 及时的患者随访，尤其是高危患者。
- 快速识别需要改善护理协调或干预的患者。
- 针对复杂病例，尤其是具有多种疾病代码的患者，可进行准确的风险调整。
使用 NLP 解决错误编码问题
编码不足和过度编码是医疗保健组织希望使用 NLP 解决的一项重要挑战。
当计费的代码不代表医生或机构所执行工作的全部范围时，诊断、程序、评估和管理服务将编码不足。这通常发生在复杂的病例，其中患者有预先存在的问题或复杂的条件，或多次治疗执行作为他们的遭遇的一部分。
通常，手动编码这些类型的遭遇可能会导致人为错误，尤其是当护士编码员每天检查数百条患者记录时。因此，编码不足可能导致收入和报销损失。在这里，从临床笔记中提取见解可以帮助解决医生所执行的内容与笔记中记录的内容与实际计费内容之间的差异。解决编码不足问题有助于医疗保健提供商找到收入机会，并确保其索赔与所提供的确切服务和治疗相匹配。
当代码报告的方式导致比提供商提供的服务或处理更高的付款时，就会发生诊断、过程、评估和管理代码的过码。当故意这样做时，这被视为欺诈，但通常，过度编码是通过手动错误、疏忽或患者记录中的信息缺失发生的。
NLP 通过自动检查和编码患者记录，大大降低了出现这些情况的可能性。当信息丢失时，NLP 可用作临床文档改进 （CDI） 计划的工具。这为医院提供了一个机会，可以回顾当前的做法，并确保患者治疗的每一个方面都记录下来。
AI、云、开源或渐进式技术如何提供帮助？
要全面了解患者或成员群体，组织应将临床笔记与其他高价值数据类型（如索赔、图像或基因组学）集成可以理解的是，要轻松做到这一点，存在挑战，包括：
- 这些数据类型的复杂非结构化格式，通常不协调或不正确。
- 这些数据类型的数据质量可能需要清理或数据修复。
- 这些非结构化数据类型的量大，患者记录的纵向性质。
- 建立一个环境以支持此集成和任何生成的分析的成本。
幸运的是，进步技术，如阿帕奇Spark，谷歌云平台，Kubernetes，弹性和反应，在应对这些挑战时，来拯救。使用 Apache Spark 有助于简化数据引入和集成活动，这些活动通常需要大量 ETL 开发。Spark 与云技术（如 GCP 和 Kubernetes）相结合，进一步帮助扩展执行这些 ETL 作业所需的处理和计算，并实现经济高效的操作。
这些技术还有助于快速部署和自动化，以便开发人员能够快速迭代和调试。Spark 还提供机器学习功能，以支持所需的 NLP，并在转换的数据上应用高级预测分析。弹性搜索有助于大规模索引大量非结构化票据数据，然后快速提供搜索结果。最后，Javascript 库（如 React.js）在构建响应迅速且移动友好的应用程序时非常有利，这些应用程序可通过交互式前端轻松调整和交付复杂的分析。
总结
主要依赖结构化数据进行所有分析和决策过程的组织可以通过整合非结构化数据的见解，获得更全面、更准确的患者群体。我们讨论了几个客户示例和用例，利用 NLP 在其临床笔记