Rozwiązanie do automatycznego kodowania medycznego wyodrębnia informacje zawarte w adnotacjach lekarzy w czasie krótszym niż 1 minuta, w porównaniu z 15 minutami wymaganymi przy ręcznej pracy koderów. Technologia eksploracyjnej analizy tekstu zastosowana przez Fujitsu pozwala na uzyskiwanie cennych danych z notatek medycznych dzięki łączeniu wiedzy semantycznej i przetwarzania języka naturalnego (NLP) z Deep Learning. Laboratoria Fujitsu Europe ściśle współpracują z partnerami innowacji w sektorze opieki zdrowotnej, włącznie ze znanym madryckim Szpitalem Klinicznym San Carlos, pracując nad wieloma udanymi projektami klinicznymi w ciągu ostatnich 4 lat.
Dr Julio Mayol, Dyrektor ds. Medycznych, wyjaśnia znaczenie takiej kooperacji z medycznego punktu widzenia — Nieustannie poszukujemy nowych sposobów usprawnienia procesu podejmowania decyzji klinicznych, a nasza współpraca z Laboratoriami Fujitsu w Europie pozwala nam osiągnąć dużo większą wydajność. Większość dostępnych obecnie systemów elektronicznej dokumentacji medycznej nie spełnia wymagań relacji lekarz / pacjent. W rzeczywistości szereg badań wykazał, że ich stosowanie było bezpośrednio związane z wypaleniem zawodowym lekarzy. Dzięki nowym technologiom, takim jak eksploracyjna analiza tekstu z wykorzystaniem AI firmy Fujitsu, możemy bezpośrednio sprostać tym wyzwaniom i osiągnąć wymierne rezultaty w ulepszaniu procesu podejmowania decyzji klinicznych.
— Nasza strategia współtworzenia z partnerami takimi jak Szpital Kliniczny San Carlos pozwoliła nam poznać wyzwania stojące przed sektorem opieki zdrowotnej, w szczególności w zakresie podejmowania decyzji klinicznych. Udało nam się opracować szereg ważnych innowacji, które już wpływają na pracę lekarzy. Nasze najnowsze osiągnięcie jest kolejnym krokiem w stronę zapewnienia dokładności danych klinicznych i automatyzacji ich cyfryzacji w szpitalach, firmach ubezpieczeniowych i agencjach rządowych. Wierzymy, że nasza technologia ma szersze zastosowania i może być łatwo dostosowana do rozwiązywania podobnych problemów w innych dziedzinach, takich jak ubezpieczenia, czy prawodawstwo — dodaje dr Adel Rouz, Chief Executive Officer Fujitsu Laboratories of Europe.
Ustrukturyzowane informacje odgrywają zasadniczą rolę w podejmowaniu decyzji medycznych i poprawie opieki zdrowotnej. Jednakże, ponieważ lekarze mają znacznie mniej czasu dla pacjentów, wymóg natychmiastowego wprowadzania danych do systemów EDM stanowi duże dodatkowe obciążenie. Opracowanie bardziej elastycznych metod wprowadzania informacji może być pomocne, umożliwiając jednocześnie lekarzom rejestrowanie bardziej przydatnych faktów. Korzystając ze sprawdzonych technik NLP, laboratoria Fujitsu opracowały metodę automatycznego wyodrębnienia informacji wymaganych przez system EDM ze swobodnego tekstu narracyjnego lekarzy. Dzięki użyciu Deep Learning, rozwiązanie można dopasować do indywidualnych potrzeb lekarzy. Mogą oni operować bardziej elastycznym językiem, bez ograniczeń związanych ze złożonymi regułami językowymi stosowanymi przez wiele systemów kodyfikacji w celu określenia poprawnych terminów z wolnego tekstu. Wynikiem tego jest wysoki stopień dokładności, połączony z możliwością wyodrębnienia szerszego przekroju informacji niż tylko te określone kodami Międzynarodowej Statystycznej Klasyfikacji Chorób i Problemów Zdrowotnych (ICD), odnoszącymi się do przestrzegania zaleceń terapeutycznych lub tła społecznego.
Fujitsu AI Text Mining wykorzystuje eksplorację tekstu wraz z technikami Deep Learning w konkretnych krokach w procesie kodowania medycznego, unikając uzależnienia od ogromnych, wstępnie opisanych zbiorów danych. Podejście Fujitsu obejmuje dwa kluczowe elementy:
- tworzenie bazy wiedzy: knowledge graph jest zaprojektowany w celu odwzorowania klasyfikacji medycznych i wzbogacony semantycznie przez zasoby zewnętrzne. To wzbogacenie semantyczne zapewnia dodatkowy kontekst dla klasyfikacji medycznych, przekładając się na lepsze wyniki w kolejnych etapach procesu. Do wzbogacania semantycznego używane są ontologie i techniki osadzania słów;
- rozpoznawanie i przyporządkowywanie: proces rozpoznawania terminów medycznych przy użyciu Deep Learning, a następnie definiowanie formuł rankingowych w celu obliczenia potencjalnego kodowania wejściowych not klinicznych.
Technologia Fujitsu została sprawdzona na dwóch zestawach anglojęzycznych danych, obejmujących 200 anonimowych not klinicznych i 5000 podsumowań pochodzących z zasobów MIMIC-III. Dodatkową zaletą jest to, że można ją łatwo dostosować do dowolnej klasyfikacji medycznej lub do innych języków i nie wymaga ona dużych, wstępnie opisanych zbiorów danych.
Poprawiając precyzję procesu kodowania medycznego, technologia Fujitsu przyczynia się do ujednolicenia wyników i zapewnia oszczędność czasu dla profesjonalistów. Przetworzone i opatrzone komentarzem informacje są wykorzystywane do planowania polityki sektora zdrowotnego przez agencje rządowe, badań medycznych w celu poprawy leczenia, ustalania cen przez firmy ubezpieczeniowe, a także samego diagnozowania i leczenia. Nowe rozwiązanie Fujitsu zostanie zastosowane we wspólnym programie badawczym z Centrum Innowacji San Carlos w 2019 roku.
