Cómo la PNL puede ayudar con pacientes en riesgo, SDOH y salud pop

La nueva regla final de Interoperabilidad y Acceso de Pacientes de los Centros de Servicios de Medicare y Medicaid requiere la interoperabilidad de los registros médicos de texto completo.

“La regla final de Interoperabilidad y acceso de pacientes pone a los pacientes en primer lugar al darles acceso a su información de salud cuando más la necesitan y de la mejor manera en que pueden usarla”, según CMS.

“Esta regla final se centró en impulsar la interoperabilidad y el acceso de los pacientes a la información de salud al liberar los datos de los pacientes usando la autoridad de CMS para regular Medicare Advantage, Medicaid, el Programa de seguro médico para niños y los emisores de planes de salud calificados en los intercambios facilitados por el gobierno federal”.

Por supuesto, hay una gran cantidad de texto no estructurado en los registros médicos electrónicos. Como resultado, las organizaciones de proveedores de atención médica necesitan una forma de analizar todo ese texto para cumplir con la regla de CMS.

Una tecnología a la que recurren más proveedores es el procesamiento del lenguaje natural, una forma de inteligencia artificial. La PNL puede hacer eso explorando y convirtiendo texto libre en texto estructurado, haciéndolo mucho más accesible y utilizable para usuarios finales y pacientes.

El Dr. Calum Yacoubian es director asociado de estrategia de atención médica en Linguamatics, una empresa de IQVIA, que desarrolla una plataforma de inteligencia artificial basada en el procesamiento del lenguaje natural.

Ofreció una breve introducción a la PNL y explicó cómo la tecnología puede ayudar a los médicos a identificar pacientes en riesgo y cómo puede ayudar a los médicos y líderes de TI de la salud a descubrir información sobre los determinantes sociales de la salud y avanzar en los esfuerzos de salud de la población.

P. Explique, en términos sencillos, cómo funciona la PNL con texto no estructurado.

POSEE. Piense en la PNL como la capacidad de las computadoras o máquinas para comprender el lenguaje tal como lo usan y entienden los humanos. No se trata solo de buscar palabras clave, sino de identificar esas palabras y comprender su significado y el contexto en el que están escritas.

Durante la última década más o menos, la PNL se ha convertido en algo mucho más convencional de lo que muchos de nosotros creemos. Tome productos como Siri y Alexa: estos son ejemplos de “máquinas” que usan NLP para comprender el lenguaje de los humanos.

En el cuidado de la salud, la PNL clínica agrega los matices y las peculiaridades del lenguaje clínico a la mezcla, lo que le da a la máquina la capacidad de descifrar las formas únicas en que los médicos documentan las historias clínicas de sus pacientes. Un ejemplo simple es la capacidad de la PNL para comprender la negación.

Tome el historial de tabaquismo, por ejemplo: las afirmaciones “ella es una ex fumadora”, “ella niega fumar” y “fuma 10 cigarrillos por día” contienen palabras muy similares pero tienen tres significados distintos. La PNL se da cuenta de estas diferencias y categoriza cada declaración correctamente.

El gran beneficio de NLP es que puede hacer esta “lectura” del texto a gran velocidad y escala. Los sistemas NLP modernos pueden analizar millones de documentos por hora sin fatiga.

Dado que ningún médico podría hacer esto, la PNL puede ser un gran compañero para los equipos médicos que buscan sintetizar información de grandes volúmenes de registros médicos complejos en un esfuerzo por atender mejor a sus pacientes y mejorar los resultados de salud.

P. ¿Cómo puede la PNL ayudar a los médicos a identificar a los pacientes en riesgo?

POSEE. Lo primero que debe tener en cuenta aquí es que una gran cantidad de factores de riesgo para la enfermedad, la gravedad de la enfermedad y la progresión de la enfermedad son características que no se pueden codificar o rara vez se codifican, porque no afectan el reembolso del seguro médico a través de Medicare, Medicaid o la atención médica privada. cobertura.

Estos signos, síntomas y determinantes sociales de la salud son capturados en los registros médicos por los médicos, pero rara vez se traducen a lo que existe en los datos estructurados. Por lo tanto, sabemos que hay información en el texto libre que es útil para identificar el riesgo. Sabiendo esto, y con una comprensión de lo que es la PNL, podemos comenzar a ver las muchas formas en que la PNL puede ayudar a los médicos a identificar a los pacientes en riesgo.

Primero, consideremos un caso en el que se conocen los factores de riesgo de una enfermedad. La PNL se puede configurar para buscar en los registros médicos esos factores conocidos y determinar qué pacientes tienen estas características presentes.

El área más abstracta pero emocionante en la que queremos usar la PNL es para ayudar a determinar los pacientes en riesgo debido a factores de riesgo desconocidos. En este caso, podemos usar diferentes técnicas en NLP para etiquetar los registros con diferentes características usando diferentes partes del proceso de NLP.

Por ejemplo, la PNL puede determinar qué palabras son enfermedades, procedimientos, signos o síntomas, lo que se conoce como “reconocimiento de entidades”, y luego la tecnología puede vincular esas entidades con ontologías o terminologías conocidas para crear un rico conjunto de funciones potencialmente predictivas.

Luego, estas características se pueden incorporar a otras canalizaciones de agrupamiento o aprendizaje automático junto con datos estructurados estándar para determinar los pacientes potencialmente en riesgo. Este uso de NLP para crear funciones para el aprendizaje automático es una combinación poderosa.

P. ¿Cómo pueden los médicos y los líderes de TI de la salud obtener información de los datos de texto libre para descubrir SDOH?

POSEE. Como se mencionó, la información sobre los determinantes sociales de la salud de los pacientes sigue estando mal codificada en la mayoría de los registros de salud electrónicos. A pesar de esto, los profesionales médicos están capacitados para capturar un historial completo de sus pacientes, que incluye información sobre el historial social de ese paciente.

A través del dictado o la entrada directa en el EHR, esta información existe en abundancia dentro del texto libre de los registros médicos de los pacientes. Saber que la información está allí significa que podemos usar exactamente las mismas técnicas para clasificar y organizar los registros de SDOH que usamos para los signos y síntomas.

Tomemos un ejemplo muy sencillo. Un médico documenta lo siguiente para un paciente anciano en el momento de la admisión: “Este señor fue traído en ambulancia y lo encontraron tirado afuera de su casa. Vive solo, su esposa falleció hace tres años. Normalmente usa un marco Z y no puede conducir .”

Este tipo de documentación es habitual en sanidad, y nueve de cada 10 veces permanece oculta en la sección de notas de la HCE.

Con NLP, esta declaración se puede transformar en datos estructurados que dicen: “Aislamiento social; viudo; camina con dispositivo de asistencia; sin transporte”. Tener esta información en un formato estructurado no solo para un paciente, sino para toda una población, significa que los proveedores pueden identificar mejor a aquellos pacientes con mayor necesidad y mayor riesgo.

P. ¿Cómo puede la PNL ayudar a promover los esfuerzos de salud de la población?

POSEE. Si bien el último ejemplo sobre SDOH es una gran ilustración de cómo la PNL puede afectar la salud de la población, no tenemos que centrarnos en SDOH para ver cómo la PNL puede ayudar con las iniciativas de salud de la población.

Nuestro entendimiento de que los más enfermos de una población representan la mayor parte del gasto en atención médica no es nuevo. Esta es la razón por la cual el desafío siempre ha sido identificar y manejar a los pacientes antes, y cuando su enfermedad respectiva es menos grave, para que no progresen hacia necesidades que requieran más recursos.

Como se mencionó anteriormente, las partes del historial clínico de un paciente que pueden informar esto rara vez se capturan en datos estructurados, por lo que estratificar adecuadamente a la población ha planteado un gran desafío para las organizaciones de atención médica. La PNL puede proporcionar una forma confiable, configurable y transparente para permitir una captura de diagnóstico más precisa y, por lo tanto, una mejor comprensión de la verdadera carga de la enfermedad.

Tomemos un ejemplo hipotético de insuficiencia cardíaca congestiva. Al observar solo los datos estructurados, podemos recopilar información sobre el impacto de esta enfermedad en la población, pero no a un nivel lo suficientemente granular como para afectar los esfuerzos de salud de la población.

Usando los códigos de facturación de reembolso, podemos ver que hay una población de 1000 pacientes con CHF, pero no podemos discernir sus síntomas, su clasificación de la Asociación del Corazón de Nueva York o su gravedad. Si han sido hospitalizados, es muy difícil saber si el empeoramiento de la insuficiencia cardíaca ha sido la causa principal de ese ingreso.

Si se aplica PNL, no solo podemos identificar potencialmente una cohorte más grande de pacientes con insuficiencia cardíaca, sino también capturar información sobre la gravedad de su enfermedad, por ejemplo, quejas de disnea, hinchazón de las piernas y dificultad para dormir, así como hospitalizaciones debido al empeoramiento de la insuficiencia cardíaca. .

Esto puede conducir a una mejor comprensión de qué pacientes están en riesgo y dónde se deben cerrar las brechas de atención. Es una de las formas en que Kaiser Permanente utiliza la PNL: como se publicó en JAMA el año pasado.

Gorjeo: @SiwickiHealthIT
Envíe un correo electrónico al escritor: bsiwicki@himss.org
Healthcare IT News es una publicación de HIMSS Media.

Leave a Comment

Your email address will not be published.