医疗行业正经历一场数据变革，这场变革始于2009年的《卫生信息技术促进经济与临床健康法案》(HITECH Act)，并通过诸如《21世纪治疗法案》(21st Century Cures Act)以及美国医疗保险和医疗补助服务中心(CMS)的促进互操作性计划(Promoting Interoperability Program)等政策加速推进。这些政策将重点从电子健康记录(EHR)的采用转向基于价值的护理，强调互操作性、数据共享和患者访问。
到2020年，美国医疗数据总量已达到2,314艾字节——是2013年数据量的15倍——这要归功于连接设备和远程监测技术的发展。这种数据爆炸使得数据成为了一项关键资产，尤其是那些未被充分挖掘的非结构化临床数据展现出巨大的潜在价值。
直到最近，这些数据只能通过耗时的手动审查来获取。对于希望解锁这些关键的“最后一英里”临床数据并在多种应用场景中加以利用的机构来说，它们面临着诸多考量因素和潜在陷阱。
在我与医疗行业各领域客户的合作经验中，我发现组织在走向利用非结构化临床数据的过程中呈现出一个成熟度曲线。这个曲线包括以下几个阶段：
1. 机会识别： 意识到有价值的数据隐藏在非结构化临床记录之中，可以通过提取和分析这些数据来改进诊疗、提升效率并为研究提供信息。
2. 能力建立： 理解到人工智能(AI)和自然语言处理(NLP)等先进工具是大规模解锁非结构化数据的关键，使其能够用于洞察和业务流程优化。
3. 可行性评估： 明确界定非结构化数据可以影响的价值维度和关键绩效指标(KPIs)，例如缩短诊断时间、发现护理中的缺口或简化报销流程，并确保这些目标与业务和临床目标相一致。
4. 实施可行性： 构建并操作一个可扩展的数据管道，该管道能够在多样化的临床来源和格式中快速高效地处理大量非结构化数据。
5. 扩展能力： 将已验证的应用案例在整个企业范围内推广，并将非结构化数据分析嵌入核心工作流程、战略举措和人群健康管理之中。
本文将聚焦于前两个阶段：识别机会和理解使能技术。
被埋藏的宝藏
据估计，大约80%的临床数据是非结构化的。即使使用C-CDA这样的结构化格式文档也通常包含大量的叙述性内容——特别是在复杂疾病患者的情况下。这部分至关重要的信息往往对传统分析方法不可见。
关键词搜索工具在医疗领域仍然普遍应用，但缺乏上下文的理解力。它们常常遗漏关键见解或者提供不相关的结果，因为无法解释否定、时间顺序或概念之间的关系。没有先进的工具，非结构化数据就会被低估使用——导致临床背景缺失、风险计算错误以及错失研究机会。
在大规模上实现智能数据访问
像人工智能和自然语言处理这样的先进技术正在迅速改变医疗机构处理非结构化数据的方式——用更快速、更具扩展性和准确性的智能自动化取代手动审查过程。
这不是一种主观看法，同行评审的研究支持这一点。一项关于医疗广泛实施自然语言处理和人工智能的2024年综述发现，81%的系统正在使用NLP从电子健康记录中提取临床数据。这是一个大事件，因为它意味着在各种工作流程中可以更快地获取重要信息。而在马萨诸塞州总医院对超过4,000名中风患者的资料进行的一项研究中，NLP能够准确地从医生笔记中提取中风严重程度评分——匹配专家审核结果超过92%的时间，从而消除了手动图表审查的需求。这是这项技术如何在大规模上产生实际影响的一个有力例证。
与依赖静态关键词匹配的传统搜索工具不同，这些先进的系统能够理解语言的上下文、语义和结构。它们能够识别同义词，解释否定（如“无糖尿病史”），区分历史条件和当前状况，并提取临床概念之间的关系（如将症状与诊断联系起来或将药物与特定病症关联）。这种深入的理解使它们能够展示出更多相关且可操作的洞见，同时最大限度减少误报和无关匹配。
这些技术还消除了耗时的手动图表审查的需要，释放了临床医生、分析师和行政团队的时间，让他们专注于更高价值的任务。用户无需阅读数百页临床笔记，就可以立即提取结构化摘要、质量指标、风险指示符和特定队列的标准。
通过将叙述性数据转化为结构化、可搜索的洞察，人工智能和自然语言处理支持广泛的应用场景：
- 支持实时临床决策制定
- 推动预测分析以实现早期干预
- 识别人群健康管理中的护理缺口
- 加速临床试验的患者招募
- 提高理赔处理和风险调整准确性
- 公共卫生监测
在医疗中运用人工智能的最佳实践
在医疗中实施人工智能不仅仅是选择正确的工具——它关乎如何在现实世界中使之发挥作用。根据我的经验，最大的挑战往往出现在技术到位之后。成功取决于团队对试图解决的问题有多好的理解，以及他们对系统的信任程度。
一些最佳实践可以帮助：
- 从一个明确的使用案例开始。 不论是图表抽象、质量报告还是队列识别，缩小焦点可以使证明价值和建立动力变得更加容易。
- 优先考虑透明度。 如果用户不能追溯洞察的来源，他们就不会信任它。确保输出是可以验证和易于审计的。
- 支持执行工作的人员。 人工智能应减少人工努力，而不是取代临床判断。当团队看到它将如何使他们的工作变得更轻松时，采纳率会提高。
- 明确谁负责。 即使有AI主导，仍需有人对最终决定负责。构建治理机制，确定谁来审查输出以及如何发现和纠正错误。
- 传播成功案例并邀请倡导者参与。 找到一两位业务或临床倡导者，将AI嵌入他们的工作流程中，并展示处理速度的提升、成本节约以及AI如何让临床医生腾出时间从事更高价值的工作并与患者互动。
这些做法不仅仅有助于实施。它们为后续的一切奠定了基础。
最后，在这些基础之上，团队可以从理论走向现实成果。
【全文结束】