استفاده از هوش مصنوعی برای بهبود پرونده الکترونیک سلامت

سیستم های الکترونیکی سوابق سلامت برای شبکه های بزرگ و یکپارچه مراقبت های بهداشتی امروزه اغلب غیر یکپارچه ، انعطاف ناپذیر ، استفاده از آن دشوار و پیکربندی آن هزینه بر است. تقریباً همیشه از فروشندگان تجاری تهیه می شوند و برای پیاده سازی ، پشتیبانی و بهینه سازی نیاز به زمان ، هزینه و مشاوره قابل توجهی دارند.

سیستم های الکترونیکی سوابق سلامت برای شبکه های بزرگ و یکپارچه مراقبت های بهداشتی امروزه اغلب غیر یکپارچه ، انعطاف ناپذیر ، استفاده از آن دشوار و پیکربندی آن هزینه بر است. تقریباً همیشه از فروشندگان تجاری تهیه می شوند و برای پیاده سازی ، پشتیبانی و بهینه سازی نیاز به زمان ، هزینه و مشاوره قابل توجهی دارند.

محبوب ترین سیستم ها اغلب حول فناوری های زیربنایی قدیمی ساخته می شوند و این مورد اغلب در سهولت استفاده آنها خود را نشان می دهد. بسیاری از ارائه دهندگان خدمات بهداشتی این سیستم ها را پیچیده و دشوار می دانند و به ندرت اتفاق می افتد که سیستم EHR با فرآیندهای مراقبت ترجیحی مورد نظر خود مطابقت داشته باشد.

همانطور که شبکه های توزیع رشد می کنند و سیستم عامل های گسترده EHR را به کار می گیرند ، چالش کمک کردن آنها به جای ممانعت از پزشکان در حال افزایش است. دانش پزشکان بسیار فراتر از دامنه بالینی آنها است - دانش روش مراقبت ، دانش زمینه بیمار ، دانش فرآیند اداری - و به ندرت اتفاق می افتد که EHR ها بتوانند همه آنها را به طور موثر ضبط کنند یا به راحتی در دسترس قرار دهند. علاوه بر این ، در ایالات متحده ، الزامات قانونی ، صورتحساب و چرخه درآمد ، پیچیدگی بیشتری را به گردش کار الکترونیکی مراقبت های بهداشتی اضافه می کند و مدت زمان ارتباط پزشکان با بیماران را بیشتر می کند. گزینه های بهبود این عدم انطباق بین سیستم ها و فرآیندها محدود است.

یکی این است که سیستم های EHR از ابتدا به صورت یکپارچه و ساده تر طراحی شوند. به عنوان مثال ، Flatiron Health ، یک سرویس مراقبت از سرطان مبتنی بر داده ها و تجزیه و تحلیل ها است که اخیراً توسط Roche خریداری شده است ، شرکتی را خریداری کرده است که دارای EHR مبتنی بر وب است و آن را متناسب با EHR OncoCloud خود برای جامعه شناسی مبتنی بر جامعه طراحی می کند. اگرچه به نظر می رسد که این سیستم های سفارشی بهتر مطابق با روند کار پزشکان است ، اما توسعه آنها دشوار و وقت گیر است (ساخت یک سیستم پزشکی به ده سال زمان نیاز دارد) و دامنه آنها نسبتاً کم است. ساخت یک سیستم از ابتدا یا سفارشی سازی گسترده یک سیستم تجاری احتمالاً برای شبکه های توزیع بزرگ کارساز نخواهد بود.

استفاده از EHR منبع باز گزینه دوم است. با این حال ، بیشتر موارد فعلی برای کارهای کوچک پزشکی طراحی شده اند و به راحتی قابل قیاس نیستند و یا به پیکربندی اساسی نیاز دارند. و حتی اگر این نرم افزار رایگان باشد ، برای پیاده سازی و تطبیق آن با رویه های شخصی ، برنامه نویسی قابل توجهی و زیرساخت IT لازم است. بعلاوه ، EHR های منبع باز با دقت کمتری نگهداری می شوند و کمتر از موارد تجاری به روز می شوند و بنابراین می توانند به سرعت منسوخ شوند. سرانجام ، الزامات نظارتی و قوانین بازپرداخت به سرعت تغییر می کند. اتکا به سیستم های منبع باز یا سیستم های توسعه یافته داخلی جهت همگام سازی با این الزامات ، هم خطرات انطباق و هم چالش های مالی را ایجاد می کند.

گزینه سوم و امیدوار کننده تر ، استفاده از هوش مصنوعی برای انعطاف پذیری و هوشمند سازی سیستم های EHR موجود است. برخی از شبکه های توزیع ، گاهی اوقات با همکاری فروشنده پلت فرم EHR خود ، در این راستا گام برمی دارند. قابلیت های هوش مصنوعی برای EHR ها در حال حاضر نسبتاً محدود است اما می توان انتظار داشت که به سرعت بهبود یابد. آنها عبارتند از:

استخراج اطلاعات از متن آزاد (مستقل):

ارائه دهندگان می توانند از قبل در OneMedical یا با استفاده از EHR Athena Health اطلاعات را از فکس استخراج کنند. «انتزاع‌کنندگان» انسانی Flatiron Health، یادداشت‌های ارائه‌دهنده را بررسی می‌کنند و داده‌های ساختاریافته را استخراج می‌کنند، با استفاده از هوش مصنوعی به آن‌ها کمک می‌کنند تا اصطلاحات کلیدی را بشناسند و بینش‌ها را کشف کنند و بهره‌وری خود را افزایش دهند. سرویس وب آمازون اخیراً یک سرویس مبتنی بر ابر را اعلام کرده است، به آن Amazon Comprehend Medical می گویند ، که از AI برای استخراج و نمایه سازی داده ها از یادداشت های بالینی استفاده می کند.از دیگر شرکت های فعال در این زمینه می توان به Concord Technologies ، Innodata Inc. و Intellidact AI اشاره کرد.

الگوریتم های تشخیصی و/یا پیش بینی کننده:

داده های عظیم ایجاد شده توسط سیستم های EHR به خوبی به هوش مصنوعی پیشرفته و ابزارهای یادگیری ماشین برای کشف بینش بیمار ، پیش بینی شرایط پرخطر و امکان مراقبت های شخصی تر کمک می کند. به عنوان مثال ، راه حل های Epic Systems 'AI به پیش بینی بستری مجدد در بیمارستان ، میزان مرگ و میر و میزان خطر بیماری مانند سپسیس ، بیماری های اکتسابی در بیمارستان ، وخیم شدن بیمار از دیگر خطرات احتمالی کمک می کند. گوگل ، Enlitic و بسیاری از استارت آپ های دیگر در حال توسعه الگوریتم های تفسیر تصویر مشتق از هوش مصنوعی هستند. راه حل های هوش مصنوعی که از داده های جدید یاد می گیرند و مراقبت های شخصی تری را امکان پذیر می کنند ، توسط شرکت هایی مانند Google ، Change Healthcare  و AllScript

محققان گوگل در حال همکاری با شبکه های مراقبت های بهداشتی برای تولید مدل های پیش بینی با استفاده از داده های بزرگ برای ارائه هشدارهای HCP در مورد بیماری های جدی مانند سپسیس و نارسایی قلبی هستند. Google Cloud’s Vision AI همچنین از الگوریتم های تفسیر تصویر مشتق شده از هوش مصنوعی برای استخراج بینش های بهداشتی و شروع اقدامات بی درنگ بر اساس آن استفاده می کند. شرکت فناوری بهداشت Jvion حتی یک برنامه "ماشین موفقیت بالینی شناختی" ایجاد کرده است. این برنامه بیماران دارای بیشترین خطر را برای یک بیماری بالینی یا رشد نامطلوب شناسایی می کند و بیمارانی را نشان می دهد که به احتمال زیاد به درمان پاسخ می دهند.

مستندات بالینی و ورود داده ها:

ثبت یادداشت های بالینی با پردازش زبان طبیعی به پزشکان اجازه می دهد تا به جای صفحه کلید و صفحه نمایش، روی بیماران خود تمرکز کنند. Nuance ابزارهای پشتیبانی شده از هوش مصنوعی را ارائه می دهد که با EHR های تجاری ادغام می شوند تا از جمع آوری داده ها و ترکیب یادداشت های بالینی پشتیبانی کنند.

یک مطالعه توسط انجمن پزشکی آمریکا (AMA) و دانشگاه ویسکانسین نشان می دهد که تقریباً 50٪ از وقت پزشکان صرف کارهای اداری و مدیریتی می شود ، از جمله اسناد ، ثبت سفارش ، صورتحساب و کدگذاری و امنیت سیستم. این نه تنها باعث صرف وقت با ارزش بیمار می شود ، بلکه به عدم تعادل در زندگی کاری ، نارضایتی ، میزان بالای فرسایش و فرسودگی شغلی نیز کمک می کند. ضبط خودکار یادداشت های بالینی از طریق پردازش زبان طبیعی (NLP) کار اداری کلینیکال را کاهش می دهد و زمان بیشتری را برای تمرکز روی بیماران آزاد می کند.

فناوری های گفتار به متن مبتنی بر هوش مصنوعی می توانند با به حداقل رساندن بسیاری از این کارهای اداری ، به کاهش این فشارها کمک کنند. راه حل های EHR تعبیه شده در یک لایه AI می تواند مشکلات ، تشخیص ها و روش های بیمار را در قالب های سازگار از طریق دستورات مبتنی بر صدا ثبت کند. این راه حل های هوشمند EHR یافتن اطلاعات خاص بیمار را آسان تر می کند و حتی به پزشکان کمک می کند تا روایت های خود را برای تصمیم گیری در زمان واقعی به اطلاعات عملی تبدیل کنند.نمونه هایی از شرکت هایی که در این زمینه کار می کنند: Nuance ، 3M M*Modal ، iScribe ، Suki.ai و Robin Healthcare

پشتیبانی از تصمیم گیری بالینی:

پشتیبانی تصمیم، که استراتژی‌های درمانی را توصیه می‌کند، در گذشته کلی و مبتنی بر قاعده بود. راه‌حل‌های یادگیری ماشینی امروزه از سوی فروشندگانی از جمله IBM Watson، Change Healthcare، AllScripts که بر اساس داده‌های جدید یاد می‌گیرند و مراقبت شخصی‌سازی‌شده‌تری را امکان‌پذیر می‌کنند، در حال ظهور هستند.

در حالی که هوش مصنوعی در سیستم‌های EHR عمدتاً برای بهبود کشف و استخراج داده‌ها و شخصی‌سازی توصیه‌های درمانی استفاده می‌شود، پتانسیل بالایی برای کاربرپسندتر کردن EHR ها دارد. این یک هدف حیاتی است ، زیرا استفاده از EHR پیچیده و دشوار است و اغلب عامل کمک کننده به فرسودگی شغلی پزشکان عنوان می شود. امروزه ، سفارشی کردن EHR ها برای سهولت کار آنها برای پزشکان عمدتا یک فرایند دستی است و سختی سیستم ها یک مانع واقعی برای پیشرفت است. هوش مصنوعی و یادگیری ماشینی به طور خاص می تواند به EHR ها کمک کند تا به طور مداوم با ترجیحات کاربران سازگار شوند و هم نتایج بالینی و هم کیفیت زندگی کاری پزشکان را بهبود بخشد.

دستیابی به قابلیت همکاری EHR:

فقدان یک استاندارد مشترک برای گرفتن ، مدیریت و انتقال اطلاعات بیمار ، تجزیه و تحلیل اطلاعات از سیستم های مختلف EHR را دشوار می کند. بدون قابلیت تعامل نحوی و معنایی ، همیشه وقتی اطلاعات دیجیتالی با چندین ارائه دهنده خدمات بهداشتی به اشتراک گذاشته می شود ، خطر از دست رفتن اطلاعات وجود دارد. این امر تأخیر و عدم دقت را ایجاد می کند و در نهایت بر کیفیت مراقبت و نتایج بیمار تأثیر می گذارد. برخی از سازمان ها شروع به استفاده از هوش مصنوعی و ML برای حل مسائل قابلیت همکاری در اسناد بالینی کرده اند. پلت فرم AI Cerner با استفاده از AWS امکان همکاری پذیری زیرساخت EHR مبتنی بر ابر با منابع داده خارج را فراهم می کند. مرکز پزشکی BIDMC از AI و ML برای اطمینان از تکمیل فرم های پزشکی قبل از جراحی استفاده می کند و متعاقباً در صورت عدم وجود مدارک به پرستاران اطلاع می دهد.

امنیت و حریم خصوصی:

نرم افزار EHR مجهز به هوش مصنوعی می تواند سوابق سلامت بیمار را از امنیت و نفوذ هکرها در امان نگه دارد. پروتکل های ایمنی را می توان برای اطمینان از صفر بودن نشت داده ها و کنترل آن در سطوح پایین تر ، با تنها نقطه دسترسی ، هوش مصنوعی پیاده سازی کرد. یک سیستم مستقل EHR با چنین تدابیر امنیتی قابل کنترل نیست ، و آنها باید در سیستم برای همه تعبیه شوند ، در حالی که یک سیستم دارای هوش مصنوعی را می توان به راحتی محافظت و از حملات محافظت کرد. در مورد سوابق بهداشتی ، امنیت و حریم خصوصی مهمترین نگرانی است و باید هنگام برنامه ریزی EHR به آنها توجه شود.

با این حال ، همه این قابلیت ها باید کاملاً با EHR ها سازگار باشند تا موثر واقع شوند. بیشتر گزینه های فعلی هوش مصنوعی بصورت پیشنهادی مستقل "محصور شده" هستند و به اندازه گزینه‌های یکپارچه ارزشی ارائه نمی‌کنند، و برای یادگیری نحوه استفاده از رابط‌های جدید به پزشکانی نیاز دارند که زمان زیادی را صرف یادگیری قرار داده‌اند. اما فروشندگان اصلی EHR در حال افزودن قابلیت های هوش مصنوعی برای سهولت استفاده از سیستم های خود هستند. شرکت هایی مانند Epic ، Cerner ، Allscripts و Athena قابلیت هایی مانند پردازش زبان طبیعی ، یادگیری ماشین برای پشتیبانی تصمیم گیری بالینی ، ادغام با فن آوری های telehealth و تجزیه و تحلیل خودکار تصویربرداری را اضافه می کنند. این رابط های یکپارچه ، دسترسی به داده های نگهداری شده در سیستم ها و چندین مزیت دیگر را فراهم می کند - هرچند احتمالاً به آرامی اتفاق خواهد افتاد.

EHR های آینده نیز باید با در نظر گرفتن یکپارچه سازی فن آوری های telehealth (مانند EHR در One Medical) ساخته شوند. با افزایش هزینه های مراقبت های بهداشتی و آزمایش روش های جدید ارائه مراقبت های بهداشتی ، دستگاه های خانگی مانند گلوکومتر یا دستبند های فشار خون که به طور خودکار نتایج را از خانه بیمار به EHR اندازه گیری و ارسال می کنند ، شتاب بیشتری می گیرند. برخی از شرکت ها حتی دستگاه های پیشرفته تری مانند تی شرت های هوشمند Hexoskin دارند که می تواند چندین معیار قلب و عروق را اندازه گیری کند و در مطالعات بالینی و نظارت بر بیماری در خانه مورد استفاده قرار می گیرد. نتایج گزارش شده الکترونیکی بیمار و سوابق سلامت شخصی نیز بیشتر و بیشتر مورد استفاده قرار می گیرند زیرا ارائه دهندگان بر اهمیت مراقبت بیمار محور و مدیریت خود بیماری تاکید می کنند. همه این منابع داده زمانی بیشترین کاربرد را دارند که بتوانند در EHR موجود ادغام شوند.

بیشتر شبکه‌های تحویل احتمالاً مایلند از یک استراتژی ترکیبی استفاده کنند - منتظر فروشندگان برای تولید قابلیت‌های هوش مصنوعی در برخی زمینه‌ها و تکیه بر توسعه شخص ثالث یا داخلی برای ارائه‌های هوش مصنوعی که مراقبت از بیمار و زندگی کاری ارائه‌دهندگان را بهبود می‌بخشد. با این حال، شروع از ابتدا احتمالاً برای آنها مطرح نیست. هر چقدر هم که ضروری و مطلوب باشد، به نظر می رسد که انتقال به EHR های به طور چشمگیر بهتر و هوشمندتر به سال های زیادی نیاز دارد تا به طور کامل تحقق یابد.

 

منابع:

Using AI to Improve Electronic Health Records

Four ways AI is revolutionizing EHR

?How AI based EHR Systems Are Transforming Healthcare

 

مطالعه بیشتر:

علم داده در حوزه سلامت چه کاربردهایی دارد؟

هوش مصنوعی و سلامت

پرونده الكترونيك سلامت چیست؟

 

نویسنده
نرگس پارسا

نرگس پارسا

فارغ التحصیل رشته فناوری اطلاعات سلامت و علاقه مند به حوزه یادگیری الکترونیکی در آموزش پزشکی و سلامت الکترونیک

مطالب پیشنهادی
علم داده در حوزه سلامت چه کاربردهایی دارد؟؟

علم داده در حوزه سلامت چه کاربردهایی دارد؟؟

بازار سلامت در بسیاری از کشورهایی که دارای منابع طبیعی زیادی نیستند، بزرگترین بازار است. همچنین در کشورهایی مانند ایران که دارای منابع طبیعی بسیاری است، باز هم حجم بازار سلامت در کنار بازارهایی همچون معدن، نفت و فولاد قرار می‌گیرد. نکته‌ای که در این بازار حائز اهمیت است، میزان داده‌ای است که در آن تولید می‌شود، به طوری که توسط موسسه Ponemon تخمین زده است 30% از داده‌های جهان در حوزه سلامت است.