人工智能协助记录电子健康记录

医生目前花费大量时间撰写有关患者的说明并将其插入电子健康记录(EHR)系统。根据2016年的一项研究，医生花费大约两个小时进行行政工作，每个小时花在患者身上。借助先进的人工智能工具，这种笔记写入过程可以很快实现自动化，帮助医生更好地管理他们的班次并使他们免于这项繁琐的任务。

Google Brain的研究员Peter Liu最近开发了一种新的语言建模任务，可以通过分析患者的医疗记录来预测新笔记的内容，其中包括人口统计学，实验室测量，药物和过去的笔记等数据。在他早期发表在arXiv上的研究中，他使用MIMIC-III(重症监护医疗信息市场)EHR数据集训练生成模型，然后将模型生成的注释与数据集中的实际注释进行比较。

通常采用的方法可以减少临床医生花在笔记上的时间，包括使用听写服务和雇佣可以为他们写笔记的助理。人工智能工具可以帮助解决这个问题，减少花在额外人员和资源上的成本。

“笔记的辅助写作功能，例如自动完成或错误检查，受益于语言模型，”刘在他的论文中写道。“ 模型越强，这些特征就越有效。因此，本文的重点是建立临床笔记的语言模型。”

刘使用两种语言模式：第一种叫变压器的架构，并在去年在发表的一项研究中引入在神经信息处理系统的进步刊物。由于该模型在较短的文本(例如单个句子)中表现更好，他还测试了最近引入的基于变压器的模型，称为具有记忆压缩关注的变换器(T-DMCA)，其被发现对于更长的序列更有效。

他在MIMIC-III数据集上训练了这些模型，其中包含来自三级医院重症监护病房的39,597名患者的去识别EHR。这是目前最全面的EHR数据集，可公开获取，并且可以在线轻松访问。

“我们基于HER数据为临床笔记引入了一种新的语言建模任务，并展示了如何将多模态数据上下文表示给模型，”刘在他的论文中解释道。“我们提出了该任务的评估指标，并提出了令人鼓舞的结果，显示了这些模型的预测能力。”

这些模型能够有效地预测医生笔记的很多内容。将来，它们可以帮助开发更复杂的拼写检查和自动完成功能。然后可以将这些功能集成到帮助临床医生完成管理工作的工具中。虽然这项研究的结果是有希望的，但在模型可以更大规模使用之前仍然需要克服一些挑战。

“在许多情况下，EHR提供的最大背景不足以完全预测音符，”刘在他的论文中解释道。“最明显的案例是MIMIC-III缺乏成像数据用于放射学报告。对于非成像笔记，我们也缺乏有关最新患者 - 提供者互动的信息。未来的工作可能会试图用超出EHR的数据来增加注释背景例如，成像数据或患者与医生之间的相互作用。尽管我们在EHR软件中讨论了错误纠正和自动完成功能，但它们对用户生产率的影响并未在临床环境中进行测量，我们将其作为未来的工作。