復雜的人工智能模型需要大量的數據來學習，而醫療保健數據占所有數據的近三分之一。所有這些信息可以推動算法的發展，這些算法能夠檢測和診斷疾病，給出預防性治療方案，并實現無數其他功能，其速度和準確性甚至比最熟練的醫生團隊都要高得多。有了這樣的價值，這種力量無疑是值得利用的。

人工智能在醫療保健中的應用

在某些情況下，人工智能的潛力已經實現。例如，配備人工智能工具的放射科醫生審查和解讀乳腺X線照片的速度比正常情況下快30倍，準確率高達99%。這些結果在整個醫療生態系統的利益相關者中激起了巨大的興奮。

然而，目前的現實情況是，大多數醫療保健組織都不具備足夠的基礎設施或數據管理能力來訓練能夠在臨床環境中可靠部署的算法。

此外，該行業復雜、支離破碎的性質，以及滿足現狀的不當激勵措施，進一步阻礙了技術創新，并創造了其他行業根本不存在的障礙。當然，轉型的潛力依然存在。

尋找解決方案

盡管在臨床環境中部署人工智能仍有巨大的障礙，但這些障礙對于其他應用案例來說并不那么重要。其中最有前途的一個領域是醫療編程，特別是涉及到風險調整時。隨著醫療數據的數量呈指數級增長，醫療程序員的需求仍然很高——但供應不足。

幸運的是，配備了自然語言處理能力的人工智能工具可以幫助減輕一些編程負擔，使衛生計劃能夠克服不斷擴大的人才差距，同時提高編程速度和準確性。

目前，許多僅依賴人力團隊(通常人手不足)的組織傾向于認為速度和準確性是負相關的(欲速則不達)。然而，一個優秀的AI/NLP(人工智能/自然語言處理)引擎不會出現這樣的問題。

加快編程

利用人工智能加快醫療編程速度，讓人類編程人員有更多時間修正代價高昂的錯誤，提高準確性，并可能讓醫療機構將更多資源用于最需要它們的地方。NLP在過去五年中取得了顯著的進步。利用該技術的編程工具可以提高代碼的準確性，并通過刪除不應該存在的代碼來解決過度編程的問題。

從表面上看，這類應用程序可能相對平淡無奇，但它的意義確實可能對醫療計劃、提供者和患者產生革命性的影響。

對速度的需求

長期以來，醫療編程速度緩慢一直是健康計劃的痛點。手工檢查和處理圖表筆記以識別相關信息可能需要數周、數月甚至數年的時間。此外，患有持續或慢性疾病的患者需要治療，而衛生計劃和提供者則需要努力確定最準確的分級疾病類別(HCC)代碼。

許多計劃使用并行的、回顧性的圖表回顧來處理同一日歷年中的這些情況。不過，隨著醫療保健數據量、變化和復雜性的增加，我們迫切需要更好的解決方案。這就是為什么越來越多的組織轉向NLP來快速搜索、分析和解釋大量的患者數據集。

緩解了工作流程

AI/NLP引擎通過使這些專業人員專注于更有意義的工作(如發現數據中的異常趨勢和模式)，將醫療編程員的專業知識轉化為對醫療計劃更有用的資產。

隨著程序員對人工智能工具的熟悉，他們的編程速度將隨著時間的推移而不斷提高，從而降低編寫圖表的成本，使這些人類員工對他們的組織越來越有價值。

沒有人能記住所有的等級狀態分類代碼(這些代碼在過去的幾十年里迅速擴展)。盡管如此，在人工智能的幫助下，人類團隊可以更快地將代碼匹配到相應的條件。

自滿的代價

相比之下，繼續依賴傳統編程工具的組織將會遇到更多困擾該領域多年的相同障礙。考慮到超過9,500個ICD-10代碼映射到大約80個HCC，不能依賴NLP強大的搜索能力的醫療編程人員更有可能丟失代碼。

使用機器學習算法的NLP醫療記錄甚至可以發現以前可能沒有編程的疾病——這是發現HCC疾病的一個基本特征。

此外，從管理的角度來看，手動分配圖表給編程人員是很昂貴的，并且使得將項目擴展到大型團隊具有挑戰性。

這也讓程序員處于一個嚴重的劣勢：如果沒有NLP的優先級劃分，他們必須手動梳理圖表，這通常會導致疲勞和倦怠。除此之外，由于傳統工具通常只提供有限的報告功能，使用它們的團隊將繼續與項目監督和性能管理作斗爭。

利用先進的算法

因為他們可以利用先進的算法，機器學習(ML)和NLP引擎可以幫助團隊從之前被認為隱藏在文本形式中的數據中收集相關的見解和概念。

通過表達非結構化數據，這些工具可以更好地理解數據質量、持續流程改進、提高風險調整的準確性和更好的患者預后。

和任何新興技術一樣，NLP引擎也不是萬能的。如果沒有足夠的培訓，他們可能會錯過有價值的代碼，而事實是，許多NLP編程工具都是在有限數量的醫療記錄上進行培訓的。因此，他們經常與不太常見的疾病和電子病歷格式作斗爭。

此外，大多數NLP工具的用戶界面并沒有優化以滿足編程人員的需求。這并不是一個小問題，因為一個糟糕的UI設計可能會導致程序員失去與臨床記錄相關的上下文，從而產生更多的錯誤。

這些工具的有效性在很大程度上也取決于圍繞它們設計的工作流。

用一刀切的方法構建的NLP編程工具是有風險的。例如，大多數都不提供對供應商工作進行審計的功能。因此，優先考慮速度而不是準確性的NLP工具將丟失代碼，并將組織暴露于合規問題和損失收入的風險。

選擇速度往往導致提交不適當的代碼，這具有多米諾骨牌效應，因為較低的支付或風險調整數據驗證審計最終阻礙了健康計劃，從而阻礙了其支持患者健康的能力。

AI/NLP引擎只要設計合理、實現合理，就可以提高醫療編程的速度和準確性。它們允許編程人員實現顯著加快的編程速度，同時減少人為錯誤的實例以及隨之而來的眾多風險。

通過大大提高從醫生筆記中提取信息和分配醫療代碼的效率，這些工具加快了速度，并確保部署它們的組織能夠在未來很好地照顧病人的健康。