0
| 本文作者： 李雨晨 | 2018-06-29 15:38 |
Providence St. Joseph Health（普羅維登斯·圣約瑟夫醫療集團）已經證明，人工智能和機器學習技術可以對當今的醫療服務產生重要影響。該醫療集團總部位于華盛頓州，在阿拉斯加州、華盛頓州、俄勒岡州、加利福尼亞州、新墨西哥州、蒙大拿州和德克薩斯州經營著51家醫院，已經建立了多種基于人工智能和機器學習的系統。
據雷鋒網了解，它的No Show技術每個月通過增加患者就診數量已經產生了投資回報；它的醫療補助風險分層模型正被其醫療管理團隊用于尋找病例；圍繞脊柱融合和腦腫瘤手術的自然語言處理系統為新的使用案例和全企業范圍的工具提供了支持。
Providence St. Joseph Health的首席數據官Vijay Venkatesan表示，相比于其他擁有權限接觸病人信息的行業參與者，衛生系統利用人工智能和機器學習顯然可以取得更明顯的進步。
“醫療系統獲取病人數據的最大好處是能夠清楚地講述病人的前因后果，”他解釋說。“它為病人提供了一個整體的縱覽視角。此外，它還允許基于人群的分析，來評估和優化護理的方法。”
據雷鋒網了解，Providence St. Joseph Health已推出33個快速護理診所，患者可以一鍵安排當日預約、視頻訪問或者請護理人員到他們的家里。這些數字交互可以提供關于患者如何、何時和為何尋求護理的有價值的信息，以及衛生系統如何用新的技術把他們引導至成本最低的護理機構。
Providence St. Joseph Health推出了一個名為Circle的女性健康個性化平臺，提供內容、產品和服務，讓消費者在治療期間了解自己的健康狀況和家人的健康狀況。
還有一個就是Xealth平臺，這個平臺可以讓醫生從他們的EHR中開出任何數字內容、應用程序、產品或服務，就像開藥品一樣。有關患者評論內容的數據、與應用程序的粘性等等，都可以幫助衛生系統更好地調整護理策略，對人口健康管理形成更深入的了解。
“更令人興奮的是利用基因組、蛋白質組學和生物識別數據的前景，”首席數字官Aaron Martin說，“系統生物學研究所(Institute for Systems Biology)是Providence St. Joseph Health的下屬機構，由醫學博士Lee Hood領導。該機構與健康系統合作開發了“科學健康”(scientific wellness)項目，來幫助患者利用數據改善自身健康狀況。”
盡管在人工智能的應用上前景良好，但Providence St. Joseph Health和其他醫療組織也面臨自己的問題，其中一個就是從電子病歷中提取有用的信息。衛生系統擁有海量的電子病歷數據，這是一個優勢，那么這些機構面臨的挑戰是什么？
首席戰略科學家Tristan Markwell說，“文本數據代表了一個豐富的患者信息來源，包括一些可能永遠不會出現在結構化數據中的東西，例如，社會信息、OTC藥物或副作用/不良反應，提取這些信息有幾個相關的問題，主要問題是實體識別，或者知道記錄中討論的是什么概念。由于語言含糊不清以及作者的縮寫或拼寫錯誤使得這一點變得更加復雜。”
處理這些文本數據的最直接的選擇是：開發自己的自然語言處理能力，通常是通過招聘具有特定計算語言學背景的數據科學家；與特定于領域的供應商合作，將NLP功能一次交付給一個項目；或者與一般的NLP供應商合作。
他說，“第一種方法擁有最大的控制權和所有權，但是風險最大，而且可能代價最大；第二種方法可以釋放特定項目的收益，但會將ROI限制在特定的使用案例中；第三種方法具有一般功能，但可能會需要認真的工作，以有益的方式融入現有的環境。“
“似乎‘NLP即服務’模式似乎即將成為最合理的解決方案——從記錄中提取具有元數據的實體的基本問題在全國范圍內是相當統一的，因此受到規模經濟的影響，供應商似乎對提供輕量級的分發模型感興趣，并且它與數據上云的趨勢非常吻合。”
他補充說，大多數健康系統都在招聘數據科學家的核心人員，并積極與大型云AI/機器學習供應商(微軟、谷歌、亞馬遜等)合作，來利用他們的專業知識和工具。
雷鋒網了解到，Providence St. Joseph Health正在利用其龐大的數據存儲庫，但它只是觸及了可用數據的冰山一角。
Markwell解釋說：“當預測患者的病情時，我們不僅要看診斷和藥物，還要看先前的行為和時間模式。具體來說，對于文本數據，我們分析了單詞的順序，形成了一個數學語義模型，然后用它來改善筆記搜索的結果；我們還進行了手術總結，并提取了一些關鍵的部分，比如在結構化數據中不可用的方法。”
他補充說，獲取這些信息的關鍵是愿意投資于任用擁有正確技能的人，從簡單的工具開始，在需要的時候在復雜性工程上投入更多的時間。
今天，人工智能和機器學習如何在Providence St. Joseph Health運行的一個很好的例子就是它的No Show移動應用程序——這是對一個常見問題的綜合解決方案：由于患者錯過預約時間或取消太晚，以致醫療系統無法重新填補空缺，導致醫療系統每個月都會出現缺席的情況。這是一個重大的系統性挑戰。
“解決這個問題的第一步是建立一個全面的模型，我們相信這個模型可以用來進行干預，”Venkatesan解釋說，“我們的第二步是在實驗環境中讓這些數字出現在診所面前，并證明使用這個模型進行干預——通常是一個直接的病人提醒電話——可以有效地減少爽約，使診所更有效率。”
然后數據小組將算法整合到診所的Web應用程序中，該應用程序提供許多有用的功能，并收集呼叫信息，以便團隊可以監控使用率和ROI。這些團隊現在正致力于利用干預數據創建一個反饋循環，以細化模型，并將干預推進到最有效的地方。
“我們還推出了營銷試點，利用機器學習為患者建立傾向模型，”Martin補充道。“機器學習可以幫助我們識別已經對我們提供的服務感興趣以及有能力采取行動的人群，這些成為營銷自動化計劃的經驗。“
Martin進一步指出，醫療系統正在其主要的數字接口中進行人工智能和機器學習的實驗，以幫助引導患者找到正確的治療地點，同時還在研究由語音驅動的智能工具，以簡化臨床環境中制圖和導航的工作。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
