復(fù)雜的AI模型需要大量的數(shù)據(jù)來學(xué)習(xí)，而醫(yī)療保健數(shù)據(jù)占所有數(shù)據(jù)的近三分之一。所有這些信息可以推動(dòng)算法的發(fā)展，這些算法能夠檢測和診斷疾病，給出預(yù)防性治療方案，并實(shí)現(xiàn)無數(shù)其他功能，其速度和準(zhǔn)確性甚至比最熟練的醫(yī)生團(tuán)隊(duì)都要高得多。有了這樣的價(jià)值，這種力量無疑是值得利用的。

AI在醫(yī)療保健中的應(yīng)用

在某些情況下，AI的潛力已經(jīng)實(shí)現(xiàn)。比如，配備AI工具的放射科醫(yī)生審查和解讀乳腺X線照片的速度比正常情況下快30倍，準(zhǔn)確率高達(dá)99%。這些結(jié)果在整個(gè)醫(yī)療生態(tài)系統(tǒng)的利益相關(guān)者中激起了巨大的興奮。

然而，目前的現(xiàn)實(shí)情況是，大部分醫(yī)療保健組織都不具備足夠的基礎(chǔ)設(shè)施或數(shù)據(jù)管理能力來訓(xùn)練能夠在臨床環(huán)境中可靠部署的算法。

另外，該行業(yè)復(fù)雜、支離破碎的性質(zhì)，以及滿足現(xiàn)狀的不當(dāng)激勵(lì)措施，進(jìn)一步阻礙了技術(shù)創(chuàng)新，并創(chuàng)造了其他行業(yè)根本不存在的障礙。當(dāng)然，轉(zhuǎn)型的潛力依然存在。

尋找解決方案

盡管在臨床環(huán)境中部署AI仍有巨大的障礙，但這些障礙對(duì)于其他應(yīng)用案例而言并不那么重要。其中最有前途的一個(gè)領(lǐng)域是醫(yī)療編程，特別是涉及到風(fēng)險(xiǎn)調(diào)整時(shí)。伴隨醫(yī)療數(shù)據(jù)的數(shù)量呈指數(shù)級(jí)增長，醫(yī)療程序員的需求仍然很高——但供應(yīng)不足。

幸運(yùn)的是，配備了自然語言處理能力的AI工具可以幫助減輕一些編程負(fù)擔(dān)，使衛(wèi)生計(jì)劃能夠克服持續(xù)擴(kuò)大的人才差距，同時(shí)提高編程速度和準(zhǔn)確性。

目前，許多僅依賴人力團(tuán)隊(duì)(通常人手不足)的組織傾向于認(rèn)為速度和準(zhǔn)確性是負(fù)相關(guān)的(欲速則不達(dá))。然而，一個(gè)優(yōu)秀的AI/NLP(AI/自然語言處理)引擎不會(huì)出現(xiàn)這樣的問題。

加快編程

利用AI加快醫(yī)療編程速度，讓人類編程人員有更多時(shí)間修正代價(jià)高昂的錯(cuò)誤，提高準(zhǔn)確性，并可能讓醫(yī)療機(jī)構(gòu)將更多資源用于最需要它們的地方。NLP在過去五年中取得了顯著的進(jìn)步。利用該技術(shù)的編程工具可以提高代碼的準(zhǔn)確性，并通過刪除不應(yīng)該存在的代碼來解決過度編程的問題。

從表面上看，這類應(yīng)用程序可能相對(duì)平淡無奇，但它的意義確實(shí)可能對(duì)醫(yī)療計(jì)劃、提供者和患者產(chǎn)生革命性的影響。

對(duì)速度的需求

長期以來，醫(yī)療編程速度緩慢一直是健康計(jì)劃的痛點(diǎn)。手工檢查和處理圖表筆記以識(shí)別相關(guān)信息可能需要數(shù)周、數(shù)月甚至數(shù)年的時(shí)間。另外，患有持續(xù)或慢性疾病的患者需要治療，而衛(wèi)生計(jì)劃和提供者則需要努力確定最準(zhǔn)確的分級(jí)疾病類別(HCC)代碼。

許多計(jì)劃使用并行的、回顧性的圖表回顧來處理同一日歷年中的這些情況。不過，伴隨醫(yī)療保健數(shù)據(jù)量、變化和復(fù)雜性的增加，我們迫切需要更好的解決方案。這就是為什么愈來愈多的組織轉(zhuǎn)向NLP來快速搜索、分析和解釋大量的患者數(shù)據(jù)集。

緩解了工作流程

AI/NLP引擎通過使這些專業(yè)人員專注于更有意義的工作(如發(fā)現(xiàn)數(shù)據(jù)中的異常趨勢和模式)，將醫(yī)療編程員的專業(yè)知識(shí)轉(zhuǎn)化為對(duì)醫(yī)療計(jì)劃更有用的資產(chǎn)。

伴隨程序員對(duì)AI工具的熟悉，他們的編程速度將伴隨時(shí)間的推移而持續(xù)提高，從而降低編寫圖表的成本，使這些人類員工對(duì)他們的組織愈來愈有價(jià)值。

沒有人能記住所有的等級(jí)狀態(tài)分類代碼(這些代碼在過去的幾十年里迅速擴(kuò)展)。盡管如此，在AI的幫助下，人類團(tuán)隊(duì)可以更快地將代碼匹配到相應(yīng)的條件。

自滿的代價(jià)

相比之下，繼續(xù)依賴傳統(tǒng)編程工具的組織將會(huì)遇到更多困擾該領(lǐng)域多年的相同障礙?？紤]到高于9,500個(gè)ICD-10代碼映射到大約80個(gè)HCC，不能依賴NLP強(qiáng)大的搜索能力的醫(yī)療編程人員更有可能丟失代碼。

使用機(jī)器學(xué)習(xí)算法的NLP醫(yī)療記錄甚至可以發(fā)現(xiàn)以前可能沒有編程的疾病——這是發(fā)現(xiàn)HCC疾病的一個(gè)基本特征。

另外，從管理的角度來看，手動(dòng)分配圖表給編程人員是很昂貴的，并且使得將項(xiàng)目擴(kuò)展到大型團(tuán)隊(duì)具有挑戰(zhàn)性。

這也讓程序員處于一個(gè)嚴(yán)重的劣勢：如果沒有NLP的優(yōu)先級(jí)劃分，他們必須手動(dòng)梳理圖表，這通常會(huì)導(dǎo)致疲勞和倦怠。除此之外，由于傳統(tǒng)工具通常只提供有限的報(bào)告功能，使用它們的團(tuán)隊(duì)將繼續(xù)與項(xiàng)目監(jiān)督和性能管理作斗爭。

利用先進(jìn)的算法

因?yàn)樗麄兛梢岳孟冗M(jìn)的算法，機(jī)器學(xué)習(xí)(ML)和NLP引擎可以幫助團(tuán)隊(duì)從之前被認(rèn)為隱藏在文本形式中的數(shù)據(jù)中收集相關(guān)的見解和概念。

通過表達(dá)非結(jié)構(gòu)化數(shù)據(jù)，這些工具可以更好地理解數(shù)據(jù)質(zhì)量、持續(xù)流程改進(jìn)、提高風(fēng)險(xiǎn)調(diào)整的準(zhǔn)確性和更好的患者預(yù)后。

和任何新興技術(shù)一樣，NLP引擎也不是萬能的。如果沒有足夠的培訓(xùn)，他們可能會(huì)錯(cuò)過有價(jià)值的代碼，而事實(shí)是，許多NLP編程工具都是在有限數(shù)量的醫(yī)療記錄上進(jìn)行培訓(xùn)的。因此，他們經(jīng)常與不太常見的疾病和電子病歷格式作斗爭。

另外，大部分NLP工具的用戶界面并沒有優(yōu)化以滿足編程人員的需求。這并不是一個(gè)小問題，因?yàn)橐粋€(gè)糟糕的UI設(shè)計(jì)可能會(huì)導(dǎo)致程序員失去與臨床記錄相關(guān)的上下文，從而產(chǎn)生更多的錯(cuò)誤。

這些工具的有效性在很大程度上也取決于圍繞它們設(shè)計(jì)的工作流。

用一刀切的方法構(gòu)建的NLP編程工具是有風(fēng)險(xiǎn)的。比如，大部分都不提供對(duì)供應(yīng)商工作進(jìn)行審計(jì)的功能。因此，優(yōu)先考慮速度而不是準(zhǔn)確性的NLP工具將丟失代碼，并將組織暴露于合規(guī)問題和損失收入的風(fēng)險(xiǎn)。

選擇速度往往導(dǎo)致提交不適當(dāng)?shù)拇a，這具有多米諾骨牌效應(yīng)，因?yàn)檩^低的支付或風(fēng)險(xiǎn)調(diào)整數(shù)據(jù)驗(yàn)證審計(jì)最終阻礙了健康計(jì)劃，從而阻礙了其支持患者健康的能力。

AI/NLP引擎只要設(shè)計(jì)合理、實(shí)現(xiàn)合理，就可以提高醫(yī)療編程的速度和準(zhǔn)確性。它們允許編程人員實(shí)現(xiàn)顯著加快的編程速度，同時(shí)減少人為錯(cuò)誤的實(shí)例以及隨之而來的眾多風(fēng)險(xiǎn)。

通過大大提高從醫(yī)生筆記中提取信息和分配醫(yī)療代碼的效率，這些工具加快了速度，并確保部署它們的組織能夠在將來很好地照顧病人的健康。