Die Gesundheitsversorgung erzeugt massive Datenmengen, da Patienten entlang ihrer Versorgungspfade wandern, oft in Form von Notizen, die von Klinikern geschrieben und in EHRs gespeichert werden. Diese Daten sind wertvoll, um die Gesundheitsergebnisse zu verbessern, aber oft schwer zugänglich und zu analysieren.
Technologien für die natürliche Sprachverarbeitung (NLP) bieten eine mögliche Lösung, da diese Tools dabei helfen können, Pflegeteams und Forschern zu helfen, sich durch Berge von Daten zu arbeiten und bedeutungsvolle Einblicke für Anwendungen im Bereich des Populationsgesundheitsmanagements und klinischen Entscheidungsunterstützung zu generieren.
Das Konzept der NLP-Nutzung im Gesundheitswesen war Gegenstand vieler Hypes, da Kliniker über Burnout und Frustrationen mit bestehenden EHR-Systemen klagen, aber die beiden Hauptkomponenten von NLP – natürliche Sprachverarbeitung (NLU) und natürliche Spracherzeugung (NLG) haben weniger Aufmerksamkeit erregt.
HealthITAnalytics wird einen tiefen Einblick in NLP, NLU und NLG nehmen, diese voneinander unterscheiden und ihre Anwendungen im Gesundheitswesen erkunden.
IBM charakterisiert NLP, NLU und NLG als verwandte, aber unterschiedliche Konzepte. NLU und NLG sind im Allgemeinen Teilbereiche von NLP. NLP greift auf Methoden aus der Linguistik, künstlichen Intelligenz (AI) und Informatik zurück, um Computer dazu zu bringen, gesprochene und geschriebene Formen menschlicher Sprache zu verstehen. Durch maschinelles Lernen und Deep-Learning-Techniken konvertiert NLP unstrukturierte Sprachdaten in ein strukturiertes Format mithilfe von benannten Entitätenerkennung. Benannte Entitätenerkennung ist eine Methode der Informationsextraktion, die es erlaubt, benannte Entitäten innerhalb von Text in vordefinierte Kategorien, wie Personen, Organisationen, Orte, Mengen, Prozentsätze, Zeiten und Werte, zu klassifizieren. Durch benannte Entitätenerkennung und die Identifikation von Wortmustern kann NLP für Aufgaben wie das Beantworten von Fragen oder die Sprachübersetzung verwendet werden. Als Bestandteil von NLP konzentriert sich NLU darauf, die Bedeutung eines Satzes oder eines Textstücks zu bestimmen. NLU-Tools analysieren die Syntax oder die grammatische Struktur eines Satzes und die Semantik oder die beabsichtigte Bedeutung des Satzes. NLU-Ansätze etablieren auch eine Ontologie oder eine Struktur, die die Beziehungen zwischen Wörtern und Ausdrücken für die auf sie trainierten Textdaten spezifiziert. Syntax, Semantik und Ontologien sind alle natürlicherweise in der menschlichen Sprache vorhanden, aber Analysen jeder müssen durch NLU durchgeführt werden, damit ein Computer oder ein Algorithmus die Feinheiten menschlicher Sprache präzise erfassen kann. NLU wird oft bei der Sentimentanalyse von Marken verwendet, die versuchen, die Einstellungen der Verbraucher zu verstehen, da der Ansatz es Unternehmen ermöglicht, Kundenfeedback leichter zu überwachen und Probleme durch die Gruppierung von positiven und negativen Bewertungen anzugehen. Während NLU sich mit dem Verständnis von Texten durch Computer beschäftigt, konzentriert sich NLG darauf, Computern das Verfassen von textbasierten Antworten zu ermöglichen, die auf Dateninputs beruhen. NLG-Tools analysieren Texte typischerweise mit NLP und berücksichtigen Regeln der Ausgabesprache, wie Syntax, Semantik, Lexika und Morphologie. Diese Überlegungen ermöglichen es der NLG-Technologie, zu wählen, wie jede Antwort angemessen formuliert werden soll. NLG wird in Text-to-Speech-Anwendungen verwendet und treibt generative KI-Tools wie ChatGPT an, um menschenähnliche Antworten auf eine Vielzahl von Benutzeranfragen zu generieren.
Die potenziellen Vorteile von NLP-Technologien im Gesundheitswesen sind vielfältig, einschließlich ihrer Verwendung in Anwendungen zur Verbesserung der Versorgung, Unterstützung bei der Krankheitsdiagnose und Stärkung der klinischen Forschung. Eines der vielversprechendsten Anwendungsgebiete für diese Tools ist das Durchforsten und Verständlichmachen unstrukturierter EHR-Daten, eine Fähigkeit, die bei einer Vielzahl von Anwendungsfällen relevant ist. Mittels aus EHRs extrahierten Daten können NLP-Ansätze helfen, Qualitätsmaßnahmen für Herzinsuffizienz zu automatisieren, Vorurteile in EHR-basierten Klassifizierungstools für Opioidmissbrauch zu identifizieren, COVID-19-Komplikationen zu beurteilen, gravierende mütterliche Morbidität vorherzusagen, Einblicke in bipolare Störungen zu gewinnen, die öffentliche Gesundheitsforschung zu unterstützen und beitragende Faktoren zu Patientensicherheitsereignissen zu identifizieren. NLP wird auch dazu verwendet, die Forschung zur Präzisionsmedizin voranzutreiben, einschließlich Anwendungen zur Beschleunigung der genetischen Sequenzierung und zum Erkennen von HPV-bedingten Krebserkrankungen. Derzeit verwenden eine Handvoll Gesundheitssysteme und akademische Einrichtungen NLP-Tools. Die University of California, Irvine, verwendet die Technologie, um medizinische Forschung zu stärken, und das Mount Sinai hat NLP in seinen webbasierten Symptom-Checker integriert. NLU wird weniger weit verbreitet verwendet, aber Forscher untersuchen die potenziellen Anwendungsfälle im Gesundheitswesen, insbesondere diejenigen, die mit dem Data-Mining und dem Verständnis von Abfragen im Gesundheitswesen zusammenhängen. Ein in Multimedia Tools and Applications veröffentlichtes Forschungspapier aus dem Jahr 2022 beschreibt einen Rahmen, der ML, NLU und statistische Analyse nutzt, um die Entwicklung eines Chatbots zu erleichtern, mit dem Patienten nützliche medizinische Informationen finden können. Ein weiteres Fallbeispiel zeigt, dass NLU hilfreich sein kann bei der Interpretation von Informationen zur Arzneimitteltherapie aus Entlassungsberichten. Wie NLU wurde NLG im Gesundheitswesen weniger weit verbreitet eingesetzt als NLP-Technologien, aber Forscher weisen darauf hin, dass die Technologie ein großes Potenzial hat, um das Problem der vielfältigen Informationsbedürfnisse bei der Patientenversorgung zu bewältigen. NLG könnte auch verwendet werden, um synthetische Hauptsymptome auf der Grundlage von EHR-Variablen zu generieren, die Informationsflüsse auf Intensivstationen zu verbessern, personalisierte e-Health-Informationen zur Verfügung zu stellen und postpartuale Patienten zu unterstützen.
Trotz des Potenzials von NLP, NLU und NLG im Gesundheitswesen haben diese Technologien Einschränkungen, die ihre Einführung behindern. Viele dieser Herausforderungen sind für alle NLP-Typen und Anwendungen gemeinsam und resultieren aus Bedenken hinsichtlich Daten, Vorurteilen und Tools. Forscher, die im Canada Communicable Disease Report schreiben, stellten fest, dass NLP eine wesentliche Einschränkung mit AI, ML und anderen fortgeschrittenen Analysetechnologien teilt: den Zugang zu Daten und die Datenqualität. Die Verfügbarkeit angemessener und hochwertiger Daten ist entscheidend für das Training von NLP-Tools, und obwohl zugängliche biomedizinische Datensätze existieren, können sie durch Datenarten oder Forschungsbereiche begrenzt sein. Die Autoren wiesen außerdem darauf hin, dass es kontraproduktiv sein kann, bei der Entwicklung und Implementierung eines NLP-Modells Vorurteile nicht zu berücksichtigen, da dies die Modellausgaben negativ beeinflussen und Ungleichheiten im Gesundheitswesen verstärken kann. Auch Datenschutz ist ein Anliegen, da noch keine Vorschriften, die die Datenverwendung und den Datenschutz für diese Technologien regeln, etabliert wurden. Die Forscher betonen, dass, ähnlich wie bei jeder fortschrittlichen Technologie, Rahmenbedingungen und Leitlinien vorhanden sein müssen, um sicherzustellen, dass NLP-Tools wie beabsichtigt funktionieren. Allerdings müssen auch noch diese Rahmenbedingungen und Leitlinien entwickelt werden. Zusätzlich zu diesen Herausforderungen stellte eine Studie im Journal of Biomedical Informatics fest, dass Inkongruenzen zwischen den Zielen von NLP und klinischen Forschungsstudien ein weiteres Hindernis darstellen. NLP-Tools werden auf Wort-, Satz- oder Dokumentenebene-Annotationen entwickelt und evaluiert, die spezifische Attribute modellieren, während klinische Forschungsstudien auf Patienten- oder Populationsebene operieren, wie die Autoren feststellten. Diese Unterschiede machen es jedoch schwierig, angemessene Bewertungsmethoden für NLP-gesteuerte medizinische Forschung festzulegen. NLP-Technologien aller Arten sind im Gesundheitswesen weiter eingeschränkt, wenn sie nicht auf einem akzeptablen Niveau funktionieren. Technologien und Geräte, die im Gesundheitswesen genutzt werden, müssen strenge Standards erfüllen oder übertreffen, um sicherzustellen, dass sie sowohl wirksam als auch sicher sind. In einigen Fällen haben NLP-Tools gezeigt, dass sie diese Standards nicht erfüllen können oder nicht mit einem menschlichen Subjekt, der dieselbe Aufgabe ausführt, konkurrieren können. Eine im JAMA Network Open veröffentlichte Studie zeigte, dass die Spracherkennungssoftware mit NLP zur Erstellung klinischer Dokumentationen Fehlerquoten von bis zu 7 Prozent hatte. Die Forscher stellten fest, dass diese Fehler zu Patientensicherheitsereignissen führen könnten und warnten davor, dass eine manuelle Bearbeitung und Überprüfung durch menschliche medizinische Transkriptoren kritisch sind. Ebenso stellte sich NLP in einer Untersuchung von 2020, die die Medikamentenüberwachungsprogramme untersuchte, als wesentlich weniger effektiv als Menschen bei der Identifizierung von Opioidmissbrauchsstörungen (OUD) heraus. Insgesamt identifizierten menschliche Prüfer in EHRs etwa 70 Prozent mehr OUD-Patienten als ein NLP-Tool. NLP-Modelle haben auch Schwierigkeiten, bedeutsame, gesundheitsbezogene Erkenntnisse aus Social-Media-Daten zu extrahieren, einer potenziell wertvollen Datenquelle für medizinische Forscher, laut einer im Journal of the American Medical Informatics Association veröffentlichten Studie von 2018. Trotz dieser Einschränkungen von NLP-Anwendungen im Gesundheitswesen wird ihr Potenzial voraussichtlich zu bedeutenden Forschungen führen, um ihre Defizite anzusprechen und sie effektiv in klinischen Umgebungen zu implementieren.