Luźne zapisy w EDM to problem. Jak go rozwiązać?

Notatki lekarza w kartotece pacjenta praktycznie nigdy nie są wykorzystywane, ginąc w masie innych danych. Czasami to pełne żargonu medycznego zapisy i skróty. Pomóc mogą nowe algorytmy AI.

Najsłabsze ogniwo – dane w notatkach

Część danych w Elektronicznej Dokumentacji Medycznej wprowadzana jest na podstawie słowników: rozpoznania według ICD-10, wyniki na podstawie bazy badań laboratoryjnych, wykonane usługi zgodnie z kontraktem z NFZ. Te dane można następnie łatwo sortować i wyszukiwać, bo są ustandaryzowane.

Jednak spora część informacji uwięziona jest w luźnych notatkach lekarzy. I tu pojawia się problem.

Odkąd mają one postać cyfrową, ich czytelność się poprawiła. Ale tylko wizualnie – każdy lekarz ma swój styl zapisu, a pośpiech powoduje, że w zapisach pojawiają się często błędy gramatyczne, skróty, żargon branżowy. W ten sposób notatki paradoksalnie mogące zawierać bardzo ważne niuanse, stają się dla innych lekarzy nieczytelne. Ich analiza jest praktycznie niemożliwa i giną w otchłani zapisów gromadzonych latami.

Komputery i sztuczna inteligencja (AI) dobrze radzą sobie z analizą ujednoliconych danych. Jednak nawet najbardziej zaawansowane algorytmy mają trudność ze zrozumieniem luźnych notatek. Modele trenowane w jednej placówce, w innej często zawodzą. Do tego opracowanie precyzyjnego modelu dla szpitala albo przychodni to proces skomplikowany, czasochłonny i kosztowny. Idealnym rozwiązaniem byłby jeden system AI.

Nad takim pracują m.in. naukowcy z Laboratorium Informatyki i Sztucznej Inteligencji Massachusetts Institute of Technology (CSAIL). Ich celem jest stworzenie dużych modeli językowych ułatwiających ekstrapolację ważnych informacji z luźnych notatek zawierających skróty, żargon i akronimy. Chodzi o to, aby lekarze mogli wykorzystać dane zawarte w notatkach, do których rzadko się sięga ze względu na ich ilość i nieuporządkowanie, a które pomogłyby w podejmowaniu decyzji klinicznych.

System przetwarzania medycznego języka naturalnego musi być bardzo precyzyjny i odporny na ogromne zróżnicowanie zbiorów danych dotyczących zdrowia. Tego typu modele AI osiągają obecnie ok. 86-proc. dokładność w odczytywaniu akronimów. Zespół MIT opracował dodatkowe metody zwiększając ten wskaźnik do 90 procent.

EDM jak zapomniane segregatory

W żargonie medycznym jest wiele skrótów powszechnie stosowanych, np. i.m. (domięśniowo), i.v. (dożylnie), p.o. (doustnie), s.c. (podskórnie), m.c. (masa ciała), FG (poziom glukozy we krwi na czczo). Słownik skrótów i skrótowców medycznych zawiera obecnie aż 600 000 pozycji. Jeśli kilka skrótów występuje po sobie, model AI łączy je w pary, tak jak informacje przetwarza ludzki mózg. Wynik w postaci „przetłumaczonych” struktur zdaniowych jest analizowany, sprawdzany jest sens wyniku, który następnie jest porządkowany w formie czytelnej interpretacji. Ten etap nazywa się post-przetwarzaniem.

Załóżmy, że lekarz chce uzyskać informacje, dlaczego pacjent X zażywa lek Y. W ten sposób zadaje systemowi pytanie. Aby odpowiedzieć na nie, model może po prostu sięgnąć do danych ogólnych i podać najczęstszą, ale tylko statystycznie, przyczynę przyjmowania danego leku. Można też wymusić bardziej skomplikowaną ścieżkę wnioskowania, która kojarzy ogólne informacje o zastosowaniu leku z zapisami tekstowymi w kartotece pacjenta. Druga metoda oznacza większą personalizację, bo zażywanie leku Y może się wiązać z innymi chorobami współistniejącymi.

Przełom, który ułatwi pracę lekarzom

Opracowanie odpowiednich algorytmów analizujących tekst o różnej formie zapisu to jeden kierunek badań. Innym jest porządkowanie notatek już na etapie ich sporządzania. W tym obszarze naukowcy pracują nad systemami przetwarzania języka naturalnego (NLP – Natural Language Processing), aby z rozmowy lekarza z pacjentem wyodrębniać dane, które następnie byłyby automatycznie wprowadzane do EDM.

Podobny mechanizm mógłby dotyczyć tekstu wpisywanego ręcznie – na bieżąco system AI wychwytywałby sformułowania, które lekarz by jedynie zatwierdzał. Naukowcy podkreślają, że rozwój sztucznej inteligencji jest tak szybki, że algorytmy coraz precyzyjniej intepretują nawet chaotyczne zapisy pełne żargonu i skrótów, bo rozumieją kontekst wynikający z innych danych zawartych w EDM. W najbliższych latach można spodziewać przełomu w sposobie zapisu i analizy danych w EDM.

Czytaj także: Wizyta lekarska w metaverse. Bajka czy przyszłość?