Läkare lägger för närvarande mycket tid på att skriva anteckningar om patienter och infoga dem i elektroniska journalsystem (EHR). Enligt en studie från 2016, läkare lägger cirka två timmar på administrativt arbete för varje timme som spenderas med en patient. Tack vare banbrytande verktyg för artificiell intelligens, denna anteckningsförfarande kan snart bli automatiserad, hjälpa läkare att bättre hantera sina skift och befria dem från denna tråkiga uppgift.

Peter Liu, en forskare på Google Brain, har nyligen utvecklat en ny språkmodelleringsuppgift som kan förutsäga innehållet i nya anteckningar genom att analysera patientjournaler, som inkluderar data som demografi, laboratoriemätningar, mediciner och tidigare anteckningar. I hans studie, förpublicerad på arXiv, han utbildade generativa modeller med hjälp av MIMIC-III (Medical Information Mart for Intensive Care) EHR dataset, och jämförde sedan anteckningarna som genererats av modellerna med riktiga anteckningar från datamängden.

Vanligt använda metoder för att minska tiden som kliniker lägger ner på anteckningar inkluderar användning av diktatjänster och anställning av assistenter som kan skriva anteckningar för dem. Verktyg för artificiell intelligens kan hjälpa till att hantera denna fråga, minska kostnaderna för ytterligare personal och resurser.

"Hjälpskrivande funktioner för anteckningar, till exempel automatisk komplettering eller felkontroll, dra nytta av språkmodeller, "Liu skriver i sin tidning." Ju starkare modellen, desto mer effektiva sådana funktioner skulle sannolikt vara. Således, fokus för detta dokument är att bygga språkmodeller för kliniska anteckningar. "

Liu använde två språkmodeller:den första kallas transformatorarkitektur, och introducerades i en studie som publicerades förra året i Framsteg inom neural informationsbehandlingssystem tidning. Eftersom denna modell presterar bättre med kortare texter, som enskilda meningar, han testade också en nyligen introducerad transformatorbaserad modell, kallad transformator med minneskomprimerad uppmärksamhet (T-DMCA), som befanns vara mer effektiv för längre sekvenser.

Han utbildade dessa modeller på MIMIC-III-datasetet, innehållande avidentifierad EHR på 39, 597 patienter från intensivvårdsavdelningen på ett tertiärt sjukhus. Detta är för närvarande den mest omfattande EHR -datauppsättningen som är allmänt tillgänglig och lätt kan nås online.

"Vi har introducerat en ny språkmodelleringsuppgift för kliniska anteckningar baserade på HER-data och visat hur man representerar den multimodala datakontexten för modellen, "Liu förklarade i sin uppsats." Vi föreslog utvärderingsstatistik för uppgiften och presenterade uppmuntrande resultat som visar förutsägelsekraften hos sådana modeller. "

Modellerna kunde effektivt förutsäga mycket av innehållet i läkaranteckningar. I framtiden, de kan hjälpa utvecklingen av mer sofistikerade stavningskontroller och auto-kompletta funktioner. Dessa funktioner kan sedan integreras i verktyg som hjälper kliniker att slutföra administrativt arbete. Även om resultaten av denna studie är lovande, vissa utmaningar måste fortfarande övervinnas innan modellerna kan användas i större skala.

"I många fall, det maximala sammanhang som tillhandahålls av EHR är otillräckligt för att helt förutsäga anteckningen, ”Liu förklarar i sin artikel.” Det mest uppenbara fallet är bristen på bilddata i MIMIC-III för radiologirapporter. För anteckningar som inte är avbildande saknar vi också information om de senaste interaktionerna mellan patient och leverantör. Framtida arbete kan försöka öka notkontexten med data utanför EHR, t.ex. bilddata, eller avskrifter av patient-läkare-interaktioner. Även om vi diskuterade felkorrigering och automatisk komplettering av funktioner i EHR-programvaran, deras effekter på användarens produktivitet mättes inte i det kliniska sammanhanget, som vi lämnar som framtida arbete. "

© 2018 Tech Xplore