Artsen besteden momenteel veel tijd aan het schrijven van aantekeningen over patiënten en deze in te voeren in elektronische patiëntendossiers (EPD). Volgens een onderzoek uit 2016, artsen besteden ongeveer twee uur aan administratief werk voor elk uur dat ze met een patiënt doorbrengen. Dankzij geavanceerde tools voor kunstmatige intelligentie, dit proces voor het schrijven van notities zou binnenkort geautomatiseerd kunnen worden, artsen helpen hun diensten beter te beheren en hen van deze vervelende taak te verlossen.

Peter Liu, een onderzoeker bij Google Brain, heeft onlangs een nieuwe taalmodelleringstaak ontwikkeld die de inhoud van nieuwe notities kan voorspellen door medische dossiers van patiënten te analyseren, die gegevens bevatten zoals demografie, laboratorium metingen, medicijnen en aantekeningen uit het verleden. In zijn studeerkamer voorgepubliceerd op arXiv, hij trainde generatieve modellen met behulp van de MIMIC-III (Medical Information Mart for Intensive Care) EPD-dataset, en vergeleek vervolgens de door de modellen gegenereerde aantekeningen met echte aantekeningen uit de dataset.

Veelgebruikte methoden om de tijd die artsen besteden aan het maken van aantekeningen te verminderen, zijn onder meer het gebruik van dicteerservices en het inhuren van assistenten die aantekeningen voor hen kunnen maken. Tools voor kunstmatige intelligentie kunnen helpen om dit probleem aan te pakken, het verminderen van de kosten voor extra personeel en middelen.

"Ondersteunende schrijffuncties voor notities, zoals automatisch aanvullen of foutcontrole, profiteren van taalmodellen, ' schrijft Liu in zijn krant. 'Hoe sterker het model, hoe effectiever dergelijke functies waarschijnlijk zouden zijn. Dus, de focus van dit artikel ligt op het bouwen van taalmodellen voor klinische aantekeningen."

Liu gebruikte twee taalmodellen:de eerste heet transformatorarchitectuur, en werd geïntroduceerd in een studie die vorig jaar werd gepubliceerd in de Vooruitgang in neurale informatieverwerkingssystemen logboek. Omdat dit model beter presteert met kortere teksten, zoals individuele zinnen, hij testte ook een recent geïntroduceerd op transformatoren gebaseerd model, genaamd transformator met geheugen gecomprimeerde aandacht (T-DMCA), die effectiever bleek te zijn voor langere sequenties.

Hij trainde deze modellen op de MIMIC-III dataset, met geanonimiseerd EPD van 39, 597 patiënten van de intensive care van een tertiair ziekenhuis. Dit is momenteel de meest uitgebreide EPD-dataset die publiekelijk beschikbaar is en gemakkelijk online kan worden geraadpleegd.

"We hebben een nieuwe taalmodelleringstaak geïntroduceerd voor klinische notities op basis van HER-gegevens en hebben laten zien hoe de multimodale gegevenscontext in het model kan worden weergegeven, Liu legde in zijn paper uit. "We stelden evaluatiestatistieken voor de taak voor en presenteerden bemoedigende resultaten die de voorspellende kracht van dergelijke modellen aantonen."

De modellen waren in staat om veel van de inhoud van de aantekeningen van artsen te voorspellen. In de toekomst, ze zouden kunnen helpen bij de ontwikkeling van meer geavanceerde functies voor spellingcontrole en automatisch aanvullen. Deze functies kunnen vervolgens worden geïntegreerd in tools die clinici helpen bij het voltooien van administratief werk. Hoewel de resultaten van dit onderzoek veelbelovend zijn, enkele uitdagingen moeten nog worden overwonnen voordat de modellen op grotere schaal kunnen worden toegepast.

"Vaak, de maximale context van het EPD is onvoldoende om de notitie volledig te voorspellen, " legt Liu uit in zijn paper. "Het meest voor de hand liggende geval is het gebrek aan beeldgegevens in MIMIC-III voor radiologierapporten. Voor niet-beeldvormende notities missen we ook informatie over de nieuwste interacties tussen patiënt en zorgverlener. Toekomstig werk zou kunnen proberen om de notitiecontext uit te breiden met gegevens buiten het EPD, bijv. beeldgegevens, of transcripties van interacties tussen patiënt en arts. Hoewel we de functies voor foutcorrectie en automatisch aanvullen in EPD-software hebben besproken, hun effecten op de gebruikersproductiviteit werden niet gemeten in de klinische context, die we achterlaten als toekomstig werk."

© 2018 Tech Xplore