Почему программы LLM в сфере здравоохранения должны учитывать меры клинического качества

Большие языковые модели, форма искусственного интеллекта, вызывают много ажиотажа в кругах здравоохранения, в первую очередь из-за их потенциала трансформировать и улучшать различные аспекты оказания медицинской помощи и управления. Ажиотаж также вызван быстрым развитием искусственного интеллекта и машинного обучения.

Но, несмотря на значительный потенциал, остаются проблемы и этические соображения, включая опасения по поводу конфиденциальность и безопасность данныхсохраняющаяся предвзятость, проблемы регулирования, точность данных и многое другое.

Короче говоря, ИИ готов совершить большие дела – но можно ли заставить его работать на врачей?

Генеральный директор Medicomp Systems Дэвид Ларо считает, что это возможно, если отрасль будет использовать дополнительные технологии, использующие возможности искусственного интеллекта.

Новости ИТ в сфере здравоохранения поговорил с Ларо об искусственном интеллекте, магистратуре и будущем здравоохранения.

Вопрос. Вы предлагаете поручить искусственному интеллекту задачу определения показателей клинического качества и кодирования иерархических категорий состояний для корректировки риска. Как ИИ может помочь врачам? Что оно может делать?

А. Искусственный интеллект и большие языковые модели обладают мощными возможностями для создания текстового контента, например составления заметок о встречах и определения нескольких слов и фраз, имеющих схожее значение.

Примером этого является использование технологии окружающего прослушивания с LLM для записи и представления черновых заметок клинического приема путем преобразования того, что было сказано во время приема пациента, в текстовые заметки.

ИИ и LLM позволяют системе услышать слова пациента: «Иногда я просыпаюсь ночью, и мне трудно дышать», и связывать это с конкретными клиническими понятиями, такими как «одышка», «затрудненное дыхание», «лежачее положение». одышка», а также состояния или симптомы.

Эти концепции могут иметь различное диагностическое значение для клинициста, но, имея возможность связать то, что говорит пациент, с конкретными симптомами или состояниями, которые имеют клиническое значение для потенциальных проблем или диагнозов, комбинация AI/LLM может помочь клиницисту сосредоточиться на состояния, которые соответствуют критериям корректировки риска, которые в данном случае могут включать апноэ во сне, сердечную недостаточность, ХОБЛ или другие заболевания.

Этот мощный первый шаг в определении потенциальной применимости показателей клинического качества имеет решающее значение. Однако для этого требуются дополнительные инструменты для оценки сложных и тонких критериев включения и исключения пациентов. Эти критерии должны быть клинически точными и включать дополнительное содержание и диагностическую фильтрацию другой информации из медицинской карты пациента.

Вопрос. Что касается ИИ и CQM/HCC, вы говорите, что даже при наличии передовых инструментов ИИ возникают проблемы с качеством данных и предвзятостью, а также присущая им сложность медицинского языка. Пожалуйста, объясните некоторые проблемы.

А. В клинических условиях решающую роль играют такие факторы, как пол, раса и социально-экономическое происхождение. Однако магистрам права часто сложно интегрировать эти аспекты при анализе отдельных медицинских записей. Как правило, LLM основаны на широком спектре источников, но эти источники обычно отражают наиболее распространенные клинические проявления у большинства населения.

Это может привести к предвзятость в ответах ИИ, потенциально упуская из виду уникальные характеристики групп меньшинств или людей с особыми условиями. Для этих систем искусственного интеллекта важно учитывать различный опыт пациентов, чтобы обеспечить точную и объективную медицинскую поддержку. Качество данных представляет собой серьезную проблему при эффективном использовании ИИ для управления и документирования хронических заболеваний.

Этот вопрос особенно актуален для тысяч диагнозов, которые соответствуют критериям корректировки риска ГЦК и CQM. Различные стандартные коды здравоохранения, включая ICD, CPT, LOINC, SNOMED, ​​RxNorm и другие, имеют уникальные форматы и не могут легко интегрироваться, что затрудняет фильтрацию и представление соответствующей информации о пациентах для конкретных диагнозов с помощью искусственного интеллекта и обработки естественного языка.

Кроме того, интерпретация медицинского языка для кодирования сложна. Например, термин «простуда» может относиться к простуде, чувствительности к низким температурам или герпесу. Кроме того, системы искусственного интеллекта, такие как LLM, борются с негативными концепциями, которые имеют решающее значение для различения диагнозов, поскольку большинство современных наборов кодов не эффективно обрабатывают такие данные.

Это ограничение препятствует возможности студентов-магистров точно интерпретировать тонкие, но существенные различия в медицинских формулировках и показаниях пациентов.

Вопрос. Чтобы преодолеть эти проблемы и гарантировать соответствие программам возмещения рисков, вы предлагаете технологию CQM/HCC, которая позволяет анализировать информацию из карт пациентов. Как выглядит эта технология и как она работает?

А. CQM служат заменой для определения того, предоставляется ли пациенту качественная помощь, учитывая наличие набора данных, указывающих на применимость конкретной меры качества. Участие в программе возмещения с учетом риска, такой как Medicare Advantage, требует от поставщиков соблюдать протокол ведения, оценки, оценки и лечения (MEAT) для диагнозов, включенных в категории ГЦК, и чтобы документация поддерживала протокол MEAT.

Учитывая, что в категории HCC включены сотни CQM и тысячи диагнозов, механизм клинической значимости может обрабатывать карту пациента, фильтровать ее для получения информации и данных, актуальных для любого состояния, и нормализовать представление, чтобы клинический пользователь мог просмотреть и принять меры. после этого будет требованием эффективного ухода и соблюдения требований.

С принятие ФХИРБлагодаря созданию первых QHIN и открытию систем для приложений SMART-on-FHIR предприятия получают новые возможности сохранить свои существующие системы на месте, одновременно добавляя новые возможности для обеспечения совместимости CQM, HCC и клинических данных.

Это потребует использования механизмов релевантности клинических данных, которые смогут преобразовывать текст и разрозненную клиническую терминологию и наборы кодов в интегрированную, вычислимую инфраструктуру данных.

Вопрос. Обработка естественного языка здесь является частью вашего видения. Какую роль эта форма ИИ будет играть в будущем ИИ в здравоохранении?

А. При наличии подсказки студенты LLM могут создать клинический текст, который НЛП может конвертировать в коды и терминологии. Эта возможность призвана облегчить бремя создания документации для приема пациента.

После создания такой документации остаются и другие проблемы, поскольку клиническое значение имеют не только слова, но и взаимосвязь между ними и способность врача быстро находить соответствующую информацию и действовать на ее основании.

Эти действия, конечно, включают в себя требования CQM и HCC, но более серьезная задача состоит в том, чтобы позволить клиническому пользователю мысленно обрабатывать результаты LLM/NLP, используя надежный «источник истины» для клинической проверки результатов системы искусственного интеллекта.

Наше внимание сосредоточено на использовании искусственного интеллекта, LLM и НЛП для создания и анализа контента, а затем его обработки с помощью экспертной системы, которая может нормализовать результаты, фильтровать их по диагнозу или проблеме и предоставлять клиницисту полезную и клинически значимую информацию.

Следите за репортажами Билла о HIT на LinkedIn: Билл Сивики
Напишите ему: [email protected]
Healthcare IT News — издание HIMSS Media.