有可能有一个谷歌EHR吗?

医疗记录被一些最富有和最未充分利用的数据源。想象一下,如果你可以以同样的方式搜索医疗记录搜索谷歌。这将需要的所有信息是正确分类和标记。这种工具将提供的所有成员医务人员有机会找到他们需要的信息,加快医疗而减少错误。

目前的问题是,大多数医院和诊所都不同,无关的数据存储系统。EHR主要是手动维护,会延迟更新。其次,指出由医生和护士通常写在纸上。这些都是翻译成数字存储使用疾病编码。不幸的是,这些代码不相关,不要告诉整个故事。

为什么医疗编码不够?

从会计的角度介绍了医学代码。他们的角色是帮助保险公司报销医院为他们的努力治愈病人。编码是一种创建一个共同的语言和医生之间的金融部门,以及不同医疗机构之间。

虽然码记录在EHR疾病分析是一个很好的起点,这些需要彼此相关,与其他数据从医生的观察表。目前,有很多编码方案,但没有集中的搜索工具。

另外,值得一提的是在这一点上,任何人为错误在医学编码可以创建物质损失和疾病的误解。

谷歌对医疗

的目标是创建一个工具一样友好的谷歌搜索的医疗系统,但对私人医疗数据的访问。如果设计,这样的一个引擎将提供见解个案和一般结果的组合因素从大数据湖泊通过聚合数据。

这样的工具将是最有用的,如果可以被理解和使用的任何利益相关者在医疗过程中(病人、护士、医生、供应商等)没有任何进一步的设置。每只会使用关键字或短语,他们感觉最舒服。例如,病人会在自然语言输入症状,医生可以查询以前的疾病和药物名称后。

要创建这个工具,当前文本分析技术需要改进和加强。是不够看关键词等疾病名称或症状。有必要理解这些词之间的关系。此外,由于医务人员使用他们自己的术语,这也应包括与常用单词和相互联系的。

基于文本分析的一个合适的算法理解上下文,看修饰符如否定或连词。这些方面是必要的,以避免假警报。

这种工具的最终产品将是一个明显索引为每个病人个人记录。这将包括病史,对家庭成员一起提到。也可能有部分的列表过去和现在的药物,可减少不必要的交互。

机器学习和自然语言处理

如前所述,医疗记录包含令人印象深刻的大量的数据。添加到所有的数据不是在一个结构化的格式(如x射线,实验室结果,等等——和扫描的任务通过文本搜索的所有信息成为可能。

解决方案是代表这个机器和创建算法可以识别各种输入介质中的模式。

做出诊断,医生让症状之间的相关性,得出基础条件。诊断是基于教科书描述来自研究通常是几十年的老和一般人口不同的目标。

现在,随着机器学习的帮助下,文本分析服务,由公司提供InData实验室,将意味着增加诊断的准确性。此外,也有机会发现新的联系以前无关的条件。

环境的重要性

在所有文本分析算法,上下文的区别。对于医学应用,这是更重要的,因为它可以定义分析的前提。细节:病人有家族史的疾病?病人在治疗药物可能导致的副作用?病人有一个高风险的工作吗?

所有这些数据通常是在他们的个人记录,但并不是所有翻译医学代码。例如,即使是编码对于吸烟者/不吸烟,每天抽烟的数量可以具有明显的差别。

机器学习进入细节,看着比简单的关键字触发。自然语言处理(NLP)看了看整个句子,并试图理解它,就像Siri或Alexa理解用户需求。同样的方法可以创建一个360度观看病人的病情,包括所有文档、医学笔记,和历史在一个单一的,相互关联的存储库。更,如果这个库可以查询的自然语言或提供额外的过滤器,这是一个改变游戏规则的医疗软件。

隐私问题

主要的障碍对医学的目的是创建一种类似google工具相关个人数据隐私。目前法规严格足以让创建这样一个算法困难。当然,可以聚合并担任平均结果,但在现代医学标准很少用于任何目的,旨在为个人。回答这些问题应该是一个关键的优先级。

未来的发展

在构建医疗记录的文本分析工具,有一些长期目标要牢记。第一个是优化的搜索平台,从一个外行人的角度和医学术语。接下来,让它明智的上下文和校准算法识别修饰符。最后但并非最不重要的是使该工具可互操作的,因为它不太可能增强仅仅通过一个团队。

这样一个系统将有利于病人,当场,但也会创建一个诊断数据库。记录可以作为神经网络的训练数据集教他们基于个人特征进行诊断和处方药物;窗口到一个更快,更聪明,医疗保健系统。