NLP-Modelle für das Gesundheitswesen
Erfahren Sie mehr über die Language Service Healthcare NLP-Modelle zum Extrahieren von Entitäten aus Gesundheitsdatensätzen wie elektronischen Krankenakten (EHR), Fortschrittsnotizen und Dokumenten für klinische Studien.
Die Gesundheitsmodelle stellen eine grundlegende Ebene für geschäftliche Anwendungsfälle und andere KI-Services dar. Diese Geschäftseinheiten in Oracle zielen darauf ab, KI/ML-Bausteine zu nutzen, die von OCI Language Services angeboten werden, um Anwendungen und ML-Modelle für Anwendungsfälle wie prädiktive Risikomodelle für die Wiederaufnahme, krankheitsspezifische Risikomodelle und Klinische Entscheidungsunterstützungssysteme usw., für die OCI Language Services grundlegende NLP-Modelle für das Gesundheitswesen entwickeln müssen, wie die Extraktion von Gesundheitsentitäten, die Verknüpfung von Gesundheitsentitäten mit medizinischen Standards, die Erkennung von Assertion-Status und die Vorhersage von Beziehungen. Diese NLP-Modelle für das Gesundheitswesen sind im Framework von OCI Healthcare-Services unter Verwendung von Deep Learning-Techniken integriert.
Das Healthcare NLP-Modell wird verwendet, um Textdatensätze im Gesundheitswesen wie EHR zu verarbeiten, um Entitäten zu extrahieren, Assertion-Status zu bestimmen, zugehörige Entitäten zu identifizieren und diese Entitäten mit unterstützten Ontologien zu verknüpfen
Healthcare - NLP-Modelltypen
Healthcare NLP ist eine Suite von vier Modellen:
- Health Named Entity-Extraktion oder Health Named Entity Recognition (HNER)
-
Das Ziel der Aufgabe ist es, benannte Entitäten, die in unstrukturiertem Text erwähnt werden, in Kategorien wie Personennamen, medizinische Bedingungen, Medikamente, Dosierungen, Symptome, Testergebnisse, Behandlungen und Verfahren usw. zu finden und zu klassifizieren.
Beispiel: Fettgedruckte Schlüsselphrasen bezeichnen Spans, die zusammen mit zugeordneten Entitytypen in Klammern angezeigt werden.
Entitytypen verwenden:
MEDICINE_NAMEQUALIFIER.MODIFIERMEDICINE_STRENGTHMEDICINE_FREQUENCY
"Tacrolimus (MEDICINE_NAME) taper (QUALIFIER.MODIFIER) halted (QUALIFIER.MODIFIER), now at 2.5mg (MEDICINE_STRENGTH) BID (MEDICINE_FREQUENCY)" - Extraktion der Gesundheitsbeziehung/Vorhersage der Gesundheitsbeziehung (HRE)
-
Ziel der Aufgabe ist es, mögliche semantische Beziehungen zu identifizieren, die zwischen den Entitäten auftreten können. Zum Beispiel die Beziehung zwischen Medizin und ihrer Dosierung im Gesundheitstext.
Beispiel: Fettgedruckte Schlüsselphrasen bezeichnen Spans, die zusammen mit zugeordneten Entitytypen in Klammern angezeigt werden.
Entitytypen verwenden:
MEDICINE_DURATIONMEDICINE_NAMEREGIMEN_THERAPYQUALIFIER.MODIFIER
"She has received 4 cycles (MEDICINE_DURATION) of Ruxience (MEDICINE_NAME) Plus CVP (REGIME_THERAPY) completed (QUALIFIER.MODIFIER) in [**DATE**]Die extrahierte Beziehung ist:
DURATION_OF_MEDICINE(Ruxience, 4 Zyklen)MODIFIER_OF_MEDICINE_NAME(Ruxience, abgeschlossen)MODIFIER_OF_REGIME_THERAPY(CVP, abgeschlossen)
- Health Assertion Detection (HASD)
-
Ziel der Health Assertion Detection ist es, Assertion-Typen für medizinische Entitätstypen (wie sie als Spans erscheinen) im klinischen Text zu identifizieren, nämlich Sicherheit (ob das medizinische Konzept positiv, negiert, möglich oder hypothetisch ist), Zeitlichkeit (ob das medizinische Konzept für die Gegenwart, die Vergangenheit oder die zukünftige Geschichte), Thema (ob das medizinische Konzept für den Arzt, Patienten, ein Familienmitglied oder andere beschrieben wird) und so weiter.
Beispiele::
SI Text Span mit Entitätstyp Modalität/Dimension Wert/Qualifikation 1 Verschreibung von Krankheitstagen aufgrund der Diagnose der Influenza Grippe (DISORDER) Gewissheit Sicher 2 Seine Nieren verschlechtern sich Nieren (BODY_STRUCTURE) Kurs Verschlechterung 3 Er hat akute Schmerzen im linken Bein Schmerzen im linken Bein (SIGN_SYMPTOM) Severity Schwerwiegend - Health Medical Entity Linking (HMEL)
-
Ziel der Aufgabe ist es, Erwähnungen (Spans) anerkannter Entitäten in einer Wissensdatenbank oder Ontologie mit ihrem entsprechenden Knoten zu verknüpfen oder zu verknüpfen. In der Praxis ist die Entity-Verknüpfung hilfreich für die automatische Verknüpfung von elektronischen Patientenakten (EPA) mit medizinischen Einrichtungen und unterstützt nachgelagerte Aufgaben wie die Diagnose, Entscheidungsfindung und dergleichen.
Beispiel::
"Indication: Acute hypoxia, Relapsed AML, GVHD, and renal failure with new hypoxia with clear chest X-ray"Span für den Entitätstyp "DISORDER" ICD 10 CM-Code (Ontologie) Akute Hypoxie 96.01. Zurückgelaufene AML C92.02 GVHD D89.813 Nierenversagen mit neuer Hypoxie N17.1
Unterstützte Ontologien
- Rxnorm: Siehe https://www.nlm.nih.gov/research/umls/rxnorm/index.html.
- SNOMED CT US: Siehe .https://www.nlm.nih.gov/healthit/snomedct/us_edition.html
- ICD 10 CM: Siehe https://www.cdc.gov/nchs/icd/icd-10-cm/index.html.
- Tumult: Siehe https://www.drugs.com/mtm/.
Pipelinearchitektur von vier Services
Diese NLP-Modelle im Gesundheitswesen sind im Framework von OCI Healthcare Services integriert und werden auf dem OCI Healthcare NLP-Endpunkt mit einer Pipeline-Architektur bereitgestellt.
Das folgende Beispiel zeigt Text als Eingabe für den Health-NLP-Endpunkt und die Ausgabe für verschiedene Module.
Eingabetext: Schmerz in Achselhöhle; Aceclofenac zweimal täglich für 3 Tage empfohlen.
Bei der Arbeit mit dem Oracle NLP-Modell ist es wichtig, die angegebenen Konfidenzscores auf Richtigkeit zu prüfen. Diese Scores können Ihnen helfen, den geeigneten Konfidenzschwellenwert für Ihren jeweiligen Anwendungsfall zu bestimmen. Um die Einhaltung von Vorschriften sicherzustellen, ist es jedoch immer ratsam, die Richtigkeit von erkannten Gesundheitseinrichtungen auf andere Weise zu überprüfen, z. B. durch menschliche Überprüfung.
Anwendungsfälle
NLP-Modelle im Gesundheitswesen haben eine breite Palette von Anwendungsfällen im Gesundheitswesen und revolutionieren die Branche, indem sie die Patientenversorgung verbessern, den Betrieb optimieren und die Forschung erleichtern.
- Verbesserung der klinischen Dokumentation
- NLP kann Anbietern helfen, indem relevante Informationen aus Patientenakten extrahiert werden, um Empfehlungen für Behandlungsoptionen zu geben.
- Klinische Entscheidungsunterstützung
- NLP kann Anbietern helfen, indem relevante Informationen aus Patientenakten extrahiert werden, um Empfehlungen für Behandlungsoptionen zu geben.
- Medizinische Kodierung
- NLP kann helfen, die Kodierung von medizinischen Prozeduren und Diagnosen durch die Analyse von Arztnotizen zu automatisieren.
- Telemedizin
- Entwickeln Sie sprachaktivierte Assistenten, die Interaktionen zwischen Arzt und Patient transkribieren, elektronische Patientenakten aktualisieren und schnellen Zugriff auf relevante Patientendaten bei Terminen ermöglichen können.
Unterstützte Entitätstypen
| Entitytyp | Beschreibung | |
|---|---|---|
| 1 | HEADER |
Hauptbeschwerde → Hauptbeschwerde Erkennen Sie die Kopfzeilen des Hauptabschnitts im Dokument. Die Kennzeichnung des HEADER ist stark von der Dokumentstruktur abhängig. Verwenden Sie den richtigen Kontext, um Dokumentabschnitte als HEADER zu markieren. |
| 2 | SUB_HEADER | Alle untergeordneten Header des Hauptheaders. Dieser Entitätstyp kann Unterheader oder Unter-Unterheader enthalten. |
| 3 | BODY_STRUCTURE | Die Organnamen, Organstellen, Körperteile oder Körperregionen. |
| 4 | MORPHOLOGIC_ABNORMALITY | Die abnormale anatomische Körperstruktur. |
| 5 | ZELL | Die Zelltypen. |
| 6 | FINDING.SIGN_SYMPTOM |
Anzeichen oder Symptome der Erkrankung. Signale: Zielgerichtete Ergebnisse, die von einem Gesundheitsdienstleister beobachtet werden können. Symptome: Subjektive Erfahrungen, über die der Patient berichtet. |
| 7 | FINDING.OTHER |
Die Ergebnisse, die kein Zeichen oder Symptom sind, werden als FINDING.OTHER betrachtet. Beobachtungen: Die aktive Erfassung subjektiver oder objektiver Informationen von einer primären Quelle. Dazu gehören allgemeine Befunde zur Beobachtung des Patienten. Dieser Entitätstyp kann folgende Aspekte erfassen:
|
| 8 | STÖRUNG |
Krankheiten und Störungen.
|
| 9 | STAGING_SCALE |
|
| 10 | ASSESSMENT_SCALE |
|
| 11 | TUMOR_STAGING |
|
| 12 | MEDICATION_ORDER | Die Sätze oder Segmente des EPA-Dokuments, das Medikationsanforderungsbezogene Entitäten enthält. |
| 13 | MEDICINE_NAME | Der generische Name des Medikaments. |
| 14 | MEDICINE_FREQUENCY | Die Häufigkeit für Medikationen. Beispiele: Zweimal täglich, q4h |
| 15 | MEDICINE_DOSE | Alle Worte erwähnen die Medikationsdosis. |
| 16 | MEDICINE_DOSE.FORM | Die einzige Form der Dosis. |
| 17 | MEDICINE_ROUTE | Der Verabreichungsweg. |
| 18 | MEDICINE_DURATION | Die Dauer des Arzneimittels. |
| 19 | MEDICINE_STRENGTH | Die Stärke der Medizin. |
| 20 | MEDICINE_DISPENSE | Die Gesamtausgabeeinheiten der Medizin. |
| 21 | MEDICINE_PRN_ASNEEDED | Das Bedarfsmedikationsrezept steht für "pro re nata", was bedeutet, dass die Verabreichung der Medikation nicht geplant ist. Stattdessen wird das Rezept nach Bedarf eingenommen. |
| 22 | MEDICINE_REFILL_AMOUNT | Gibt an, wie oft eine Medikation erneut aufgefüllt werden soll. |
| 23 | MEDICATION_CLASS |
Die Sammelbezeichnungen für Gruppen von Medikamenten. Medikamente können auf verschiedene Weise klassifiziert werden nach:
|
| 24 | OBSERVABLE_ENTITY.VITALS |
|
| 25 | OBSERVABLE_ENTITY.OTHER |
Die beobachtbare Entity ist der Name von etwas, das beobachtet werden kann, und stellt eine Frage oder Bewertung dar, die eine Antwort oder ein Ergebnis liefert. Funktionen, die vom Körper oder Organ durchgeführt werden. Das schließt VITALS aus. |
| 26 | PROCEDURE.LAB_TEST | Die Labortests werden an einer Probe von Blut, Urin oder einer anderen Substanz aus dem Körper durchgeführt. |
| 27 | PROCEDURE.OTHER | Das Verfahren ist eine einmalige Aktion, die für den Patienten durchgeführt wird, um einen medizinischen Zustand zu behandeln oder die Patientenversorgung bereitzustellen. |
| 28 | REGIME_THERAPY | Die Behandlung ist Interventionen, die über einen Zeitraum (Tage, Wochen, Monate) durchgeführt werden, um eine Krankheit oder Störung zu behandeln. |
| 29 | MESSUNG | Die Messungen im Zusammenhang mit Labor, Verfahren, Behandlung, Vitalfunktionen, Observalbe_entities usw. Er enthält den Messwert (numerisch) und die Einheit. |
| 30 | ALLERGEN_AGENT | Die Medikamenten- und Lebensmittelallergien. |
| 31 | IMMUNISIERUNG |
Impfstoffnamen, einschließlich: Hepatitis A Impfstoff, Covid Schuss, Grippe Schuss, MMR, Tetanus, Polio, Varizellen, Pneumokokken, kleine Pocken, Hepatitis B, Hüfte, Mütter, Röteln, IPV, Influenza A, Influenza B, Tollwut, OPV, Hepatitis B B 19.10, Grippe, Meningokokken ACWY, Tdap, Influenza B +, Influenza A J10.1, Masern, DT, Meningokokken ACWY und so weiter. |
| 32 | OCCUPATION.MEDICAL_ROLE | Die spezifischen medizinischen Berufe/Berufe werden in dieser Kategorie berücksichtigt. Beispiele:
|
| 33 | OCCUPATION.OTHER | Die anderen nicht medizinischen Berufe / Berufe |
| 34 | PERSON.FAMILY | Die Person, für die Informationen verwaltet werden. Beispiele:
|
| 35 | PERSON.OTHER | Die anderen Personen, die möglicherweise keine Familie oder Verwandte sind. |
| 36 | STOFF |
Die Konzepte, die für die Aufzeichnung und Modellierung verwendet werden können:
|
| 37 | VERANSTALTUNG |
Die Situation um den Einzelnen zu einem bestimmten Zeitpunkt, der für seine Gesundheitsversorgung relevant ist. Ereignisse, die sich auf die Gesundheit oder das Gesundheitswesen auswirken, ohne Eingriffe oder Interventionen. |
| 38 | PHYSICAL_OBJECT.MEDICAL_DEVICE | Die physischen Geräte, die für die Gesundheitsversorgung oder für Verletzungen / Unfälle relevant sind. |
| 39 | RECORD_ARTIFACT.DOCUMENT_TYPE |
Die Artikel-/Dokument-/Notizkomponente der Anforderung. Die klinischen Dokumente oder Teile. Datensatzartefakte müssen keine vollständigen Berichte oder Datensätze sein. Sie können Teile eines größeren Datensatzartefakts sein. |
| 40 | RECORD_ARTIFACT.OTHER | Die Unterabschnitte der Dokumente. |
| 41 | SPEZIELLE SYSTEME | Die Abteilung. |
| 42 | ENVIRONMENT.CARE |
Die Umgebung oder der Standort, an dem die Patienten behandelt werden. Beispiele:
Standort der Person, Apotheke, Fachabteilungen, beliebiger generischer Standort. |
| 43 | INDEPENDENT_HISTORIAN |
|
| 44 | LAGE |
Die Wortgruppen, die in der Patientenakte erfasst werden müssen, aber den Standardkontext ändern.
|
| 45 | ORGANISMUS | Die Organismen von Bedeutung für die Human- und Tiermedizin, die bei der Modellierung der Krankheitsursache verwendet werden. |
| 46 | PROBE | Die Entitäten, die (in der Regel von Patienten) zur Untersuchung oder Analyse erhalten werden. |
| 47 | QUALIFIER.MODIFIER |
Die Kennungen sind die Wörter oder Wortgruppen, die dem Begriff Details hinzufügen. Wir kommentieren nur Wörter, die sich auf die folgenden potenziellen Kategorien beziehen, als Qualifikatoren.
|