医疗保健中的 NLP 或自然语言处理提供了一些独特且令人振奋的机会。它提供了大量新数据的滑行，并利用它来提高结果、优化成本和提供最佳护理质量。


更好地访问医疗保健组织采购的数据驱动技术可以增强医疗保健并扩大业务认可。但是，公司企业系统要利用数 GB 的健康和 Web 数据并不容易。但是，不用担心，医疗保健中 NLP 的驱动因素是补救措施的一个可行部分。

什么是医疗保健中的 NLP？
NLP 说明了人工智能策略从人类语言中收集和评估非结构化数据以提取模式、获取含义并因此构成反馈的方式。这有助于医疗保健行业充分利用非结构化数据。该技术有助于提供者自动化管理工作，投入更多时间照顾患者，并使用实时数据丰富患者的体验。

nlp 在医疗保健中的两个用例

您将在本文中阅读更多有关 NLP 在医疗保健公司中最有效的用途和作用的信息，包括对患者体验进行基准测试、审查管理和情绪分析、听写和 EMR 的影响，最后是 预测分析。

NLP 在医疗保健领域的 14 个最佳用例
让我们看一下与医疗保健中的自然语言处理相关的 14 个用例：

    1. 临床文件
NLP 的临床文档帮助临床医生从繁重的 EHR 物理系统中解放出来，并允许他们在患者身上投入更多时间；这就是 NLP 如何帮助医生。语音到文本的听写和公式化的数据输入都是一件好事。Nuance 和 M*Modal 包括在团队中发挥作用的技术和语音识别技术，用于在护理点获取结构化数据和形式化的词汇以供将来使用

NLP 技术从语音识别设备中提取相关数据，这将大大修改用于运行 VBC 和 PHM 工作的分析数据。这对临床医生有更好的结果。在未来，它将将 NLP 工具应用于各种公共数据集和社交媒体，以确定健康的社会决定因素 (SDOH) 和基于健康的政策的有用性。

    2.语音识别
多年来，NLP 通过允许临床医生为有用的 EHR 数据输入转录笔记，使其在语音识别方面的用例变得成熟。前端语音识别消除了医生口述笔记的任务，而不必坐在护理点，而后端技术可以检测和纠正转录中的任何错误，然后再将其传递给人工校对。

语音识别技术市场几乎饱和，但一些初创公司正在通过挖掘应用中的深度学习算法来颠覆这个领域，发现更广泛的可能性。

    3. 计算机辅助编码 (CAC)
CAC 捕获程序和治疗的数据，以掌握每个可能的代码以最大化索赔。它是 NLP 最流行的用途之一，但不幸的是，它的采用率仅为 30 %。它提高了编码的速度，但在准确性方面有所不足。

    4. 数据挖掘研究
医疗保健系统中数据挖掘的集成使组织能够降低决策中的主观性水平，并提供有用的医学知识。一旦开始，数据挖掘可以成为知识发现的循环技术，可以帮助任何 HCO 制定良好的业务战略，为患者提供更好的护理。

    5. 自动注册报告
NLP 用例是根据每个用例的需要提取值。当射血分数等测量值不作为离散值存储时，许多健康 IT 系统都会受到监管报告的负担。对于自动报告，卫生系统必须确定何时将射血分数记录为注释的一部分，并将每个值保存在组织分析平台可用于自动注册报告的表格中。

    6. 临床决策支持
NLP 在医疗保健领域的存在将加强临床决策支持。尽管如此，制定解决方案是为了更敏锐地支持临床决策。有些流程领域需要更好的监管策略，例如医疗差错。

根据一份 报告，最近的研究表明 NLP 可用于计算机化感染检测。一些领先的供应商是用于 NLP 驱动的 CDS 的 M*Modal 和 IBM Watson Health。此外，在 Isabel Healthcare 的帮助下，NLP 正在帮助临床医生进行诊断和症状检查。

    7. 临床试验匹配
在医疗保健中使用 NLP 和机器来识别临床试验的患者是一个重要的用例。一些公司正在努力使用医疗保健引擎中的自然语言处理来应对这一领域的挑战，以进行试验匹配。随着最新的发展，NLP 可以自动化试验匹配并使其成为一个无缝的过程。

临床试验匹配的用例之一是 IBM Watson Health 和 Inspirata，它们在支持肿瘤学试验的同时投入了大量资源来利用 NLP。

NLP 在医疗保健领域的 14 个最佳用例

    8. 事先授权
分析表明，付款人对医务人员的事先授权要求正在增加。这些需求增加了实践开销和拖延护理交付。多亏了 NLP，付款人是否会批准和制定补偿的问题可能不会在一段时间后出现。IBM Watson 和 Anthem 已经推出了 NLP 模块，付款人网络使用该模块可以迅速推断出事先授权。

    9. 人工智能聊天机器人和虚拟抄写员
尽管目前不存在这样的解决方案，但语音识别应用程序帮助人类修改临床文档的可能性很高。完美的设备将是亚马逊的 Alexa 或谷歌的助手。微软和谷歌已经为追求这一特定目标而捆绑在一起。好吧，因此，可以确定亚马逊和 IBM 将效仿。

聊天机器人或虚拟私人助理在当前的数字世界中广泛存在，医疗保健行业也并非如此。目前，这些助手可以捕捉症状并将患者分类到最合适的提供者。制定聊天机器人的新初创公司  包括 BRIGHT.MD，它生成了 Smart Exam，这是一个虚拟医师助理，它利用对话式 NLP 收集个人健康数据，并将信息与基于证据的指南进行比较，并为提供者提供诊断建议。  

另一个由 Woebot 创办的“虚拟治疗师”通过 Facebook Messenger 连接患者。根据一项试验，它成功地降低了 82 % 加入的大学生的焦虑和抑郁。

    10. 风险调整和分级条件分类
分层条件类别编码是一种风险调整模型，最初旨在预测患者未来的护理费用。在基于价值的支付模型中，HCC 编码将变得越来越普遍。HCC 依靠 ICD-10 编码为每位患者分配风险评分。自然语言处理可以帮助为患者分配风险因素，并使用他们的分数来预测医疗保健成本。

    11. 计算表型
在许多方面，NLP 正在改变临床试验匹配；它甚至有可能帮助临床医生解决对患者进行表型检查的复杂性。例如，NLP 将允许由患者的当前状况而不是专业人员的知识来定义表型。

为了评估语言模式，它可能会使用 NLP 来验证神经认知损伤是否具有诊断潜力，例如阿尔茨海默病、痴呆症或其他心血管或心理疾病。围绕这个案例，许多新公司纷纷涌现，包括 BeyondVerbal，它与 Mayo Clinic 联合识别冠状动脉疾病的声音生物标志物。此外，Winterlight Labs 还在阿尔茨海默病患者的语言中发现了独特的语言模式。

    12. 评论管理和情绪分析
NLP 还可以帮助医疗保健组织管理在线评论。它可以每天在 3rd 方列表中收集和评估数千条关于医疗保健的评论。此外，NLP 会发现 PHI 或受保护的健康信息、亵渎或与 HIPPA 合规性相关的进一步数据。它甚至可以快速检查人类情绪及其使用背景。

有些系统甚至可以在评论中监控客户的声音；这有助于医生了解患者如何谈论他们的护理，并可以使用共享词汇更好地表达。同样，NLP 可以通过了解评论中的正面和负面术语来跟踪客户的态度。

    13. 听写和 EMR 的含义
平均而言，EMR 每百万条记录列出 50 到 150 MB，而平均临床笔记记录的范围几乎是 150 倍。为此，许多医生正在从手写笔记转向语音笔记，NLP 系统可以快速分析并添加到 EMR 系统中。通过这样做，医生可以将更多时间投入到护理质量上。

许多临床记录都是无定形的，但 NLP 可以自动检查这些记录。此外，它还可以从诊断报告和医生信件中提取详细信息，确保每个关键信息都已上传到患者的健康档案中。

    14. 根本原因分析
NLP 的另一个令人兴奋的好处是预测分析如何为普遍的健康问题提供解决方案。应用于 NLP，大量的数字医疗记录缓存可以帮助识别面临不同类型健康差异的地理区域、种族群体或其他各种人口部门的子集。目前的行政数据库无法分析如此大规模的社会文化对健康的影响，但 NLP 已经让位于额外的探索。

同样，NLP 系统用于评估非结构化反应并了解患者困难或不良结果的根本原因。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选