Verarbeitung natürlicher Sprache (Natural Language Processing or NLP) ist ein Bereich der künstlichen Intelligenz, der Algorithmen verwendet, um menschliche Sprache zu verstehen und darauf zu reagieren.
Während wir, Menschen, Sprache als etwas Natürliches und Unscheinbares wahrnehmen, war es für Maschinen lange Zeit unmöglich, sie zu interpretieren und nachzuahmen. Dies hat sich jedoch schnell geändert. Heute ist NLP-basierte Technologie allgegenwärtig.
Amazon Echo und Alexa sind NLP-Anwendungen, die täglich millionenfach genutzt werden. Unternehmen auf der ganzen Welt setzen Chatbots ein, um ihre Kunden vor möglichen menschlichen Interaktionen zu bewahren und ihre eigenen Ressourcen zu sparen, indem sie weniger Mitarbeiter für den Kundendienst einstellen. Google verwendet NLP, um die richtigen Ergebnisse zu finden, und Google Mail verwendet es, um die nächsten Wörter in Ihrem Satz vorherzusagen. Die Liste geht weiter und endet nie.
TechCrunch weist darauf hin, dass NLP in den letzten drei Jahren mehr Fortschritte gemacht hat als jeder andere Bereich des maschinellen Lernens. Eine neue Netzwerkarchitektur, die 2017 vorgeschlagen und später verbessert wurde, veränderte das NLP für immer und machte es viel leistungsfähiger, zugänglicher und in verschiedenen Bereichen anwendbar.
Das Gesundheitswesen ist einer dieser Bereiche. Immer mehr Menschen begegnen gesundheitsbezogenem NLP bereits über Chatbots oder ihren Sprachassistenten. Aber natürlich gibt es noch so viel mehr, was NLP für diese Branche tun kann. Bevor wir uns mit NLP-Anwendungen im Gesundheitswesen befassen, werfen wir einen Blick auf die Magie hinter der Verarbeitung natürlicher Sprache. Wie genau wird die menschliche Sprache erkannt und interpretiert?
Wie funktioniert NLP?
NLP arbeitet mit dem Datensatz und organisiert ihn in Teilmengen, die für die Maschine sinnvoll sind. Beispielsweise zerlegt es den Text in semantische Einheiten. Bei der Textstrukturierung wendet das System Algorithmen an, um jede semantische Einheit (das kann ein Wort oder eine Wortgruppe sein) zu interpretieren.
Es gibt eine Reihe möglicher Algorithmen, aber die beliebtesten sind regelbasierte Systeme und Modelle für maschinelles Lernen. Regelbasierte Systeme interpretieren den Text anhand vordefinierter grammatikalischer Regeln. Modelle für maschinelles Lernen sammeln ständig Daten, lernen daraus und ziehen auf der Grundlage reiner Statistiken Rückschlüsse auf den Text.
Welche NLP-Techniken gibt es?
Es gibt viele spezifische Techniken, bei denen NLP in verschiedenen Bereichen angewendet wird, einschließlich, aber nicht beschränkt auf das Gesundheitswesen. Mal sehen, was einige davon sind.
Optische Zeichenerkennung (OCR)
NLP wird verwendet, um handgeschriebenen oder gedruckten Text zu scannen und in ein digitales Format umzuwandeln. Dies wird als optische Zeichenerkennung oder OCR bezeichnet. Dies kann mit beliebigen Dokumenten erfolgen, einschließlich unstrukturierter Datentexte, Tabellen und Bilder. All diese Dokumente werden nicht nur digitalisiert, sondern auch als Datensatz an die Maschine „gefüttert“, was der Maschine hilft, unstrukturierte Daten zu analysieren und weiter zu lernen.
Named Entity Recognition (NER)
Named Entity Recognition, oder NER, ist ein Prozess des Entitäts-Chunking, der Entitätsextraktion und der Entitätsidentifikation. Entität kann ein Produkt, ein Standort, eine Organisation, ein medizinischer Code, ein Zeitausdruck, ein Geldwert oder eine Person sein. NER lokalisiert und klassifiziert all diese in vordefinierte Kategorien, wie z. B. Person, Firma, Zeit, Ort usw., wodurch unstrukturierte Daten in strukturierte Daten umgewandelt werden.
Textklassifizierung
Die Textklassifizierung (manchmal auch als Textkategorisierung oder Informationsgruppierung bezeichnet) wird verwendet, um Textdaten zu analysieren und Labels oder Tags verschiedenen semantischen Einheiten nach bestimmten Attributen zuzuweisen: Thema, Dokumenttyp, Sprache, Autor usw. Dies ist eine weitere Möglichkeit, große Datenmengen zu verstehen.
Suchen
NLP-Algorithmen suchen nach den erforderlichen Elementen im Text, sodass Sie bestimmte Wörter oder Sätze in den Dokumenten finden können. Sie suchen auch nach Synonymen und erkennen falsch geschriebene Wörter. Wie oben erwähnt, verwendet Google dies in seinen Diensten.
Stimmungsanalyse
Die Stimmungsanalyse ist eine Form der Analyse, die darauf abzielt, einem Datensatz einen bestimmten Ton (positiv, negativ oder neutral) zu verleihen. Es wird häufig verwendet, um echtes Feedback zu einem Produkt, einem Unternehmen, einer Dienstleistung oder einer Person aus Social-Media-Beiträgen zu sammeln. Auf diese Weise können Unternehmen verstehen, was die Leute wirklich über ihr Produkt (oder fast alles andere) denken, und die Daten ergänzen, die sie aus traditionelleren Feedbackmethoden wie Fokusgruppen, Fragebögen und Interviews sammeln, die aufgrund sozialer Erwünschtheit oft nicht genau sind Vorurteile und persönliche Ziele derjenigen, die Feedback geben. Dies wurde kürzlich auch für medizinische Zwecke in Betracht gezogen.
Automated Speech Recognition (ASR)
NLP hört nicht bei der Textanalyse auf, obwohl dies sein Hauptanwendungsgebiet ist. Möglicherweise benötigt man auch Spracherkennung und -interpretation, und dafür gibt es eine Technik namens Automated Speech Recognition oder ASR. Diese Technik transkribiert mündliche Daten mithilfe von neuronalen Netzen und Hidden-Markov-Modellen in einen Strom von Wörtern. Die Fehlerquote bei ASR ist immer noch hoch, und die Technik muss weiter verbessert werden.
Anwendung der Verarbeitung natürlicher Sprache im Gesundheitswesen
Es gibt viele Möglichkeiten, wie die Verarbeitung natürlicher Sprache im Gesundheitswesen angewendet werden kann. Wir können nicht alle abdecken, da noch nicht alle Ideen ausprobiert oder sogar vorgeschlagen wurden. Und weil es für diesen Artikel eine Wortbegrenzung gibt. Aber wir werden die gebräuchlichsten Anwendungen von NLP im Gesundheitswesen durchgehen und auch die weniger verbreiteten Arten, wie NLP angewendet wurde oder angewendet werden kann.
Verbesserung der klinischen Dokumentation
Derzeit werden die meisten Informationen über Patienten auf der ganzen Welt chaotisch auf Papier in unstrukturierter Form gespeichert. Dies verursacht viele Probleme für Gesundheitseinrichtungen. Die Arbeit von Angehörigen der Gesundheitsberufe in jedem Land umfasst Tonnen und Tonnen von Papierkram, und jeder Fachmann wird Ihnen leidenschaftlich sagen, dass er dafür nicht so lange studiert hat. Klinische Dokumentationen gehen oft verloren oder werden verlegt, und damit gehen wertvolle Daten verloren. Wertvolle Zeit, die für die Behandlung von Menschen aufgewendet werden könnte, wird verschwendet. Sie können die Notwendigkeit von NLP in Bezug auf die klinische Dokumentation nicht hoch genug einschätzen. Wie kann es also helfen?
Die Rolle des NLP in der klinischen Dokumentation beginnt mit einer elektronischen Patientenakte (EHR). Aber das ist erst der Anfang. NLP kann Sprache-zu-Text-Diktat oder Überspielen des Textes für die Dateneingabe von Patienteninformationen in EMR (elektronische Patientenakten) verwenden. Mit den elektronischen Krankenakten, die mit Hilfe von NLP kategorisiert und analysiert werden, können Ärzte und Pflegepersonal die benötigten Informationen jederzeit und mit jedem Gerät abrufen. Patienten können online darauf zugreifen, sich über ihren Zustand informieren und ihn verfolgen. Die Testergebnisse werden per E-Mail oder Messenger empfangen und sind von überall aus zugänglich.
Ein elektronisches System wird es auch ermöglichen, auf Anfrage der Regierung und der Forschung auf die Patienteninformationen zuzugreifen. Das Sammeln von Statistiken wird daher viel einfacher. Damit entfällt auch der Papierkram einer Versicherung: Krankenakte und Versichertenkarte werden in diesem Fall eins. Niemand wird jemals wieder in der Schlange stehen müssen, um sinnlose Fragebögen auszufüllen, während er Schmerzen hat.
Dies wirft Fragen der Datensicherheit auf, aber Sicherheitstechnologien dienen dem Schutz von Krankenakten auf die gleiche Weise wie sie Bankkarten und andere hochriskante Informationen schützen.
Einige Krankenhäuser haben bereits NLP-Technologien auf lokaler Ebene angewendet und warten darauf, dass die Welt aufholt. Das Concord Hospital in New Hampshire, USA, setzte beispielsweise die Dragon-Technologie von Nuance im Rahmen der Umstellung auf das EHR-System Millennium von Cerner ein. Concord-Kliniker können jetzt die Informationen eines Patienten von jeder Workstation oder jedem Smartphone aus diktieren. Eine ähnliche Initiative wurde bei Allina Health mit Sitz in Minneapolis eingeführt, das ebenfalls Dragon-Transkriptionstools übernommen hat. Das Krankenhaus berichtet, dass im Dezember 2020 mehr als 1.550 Anbieter und Therapeuten NLP-Technologien verwendeten, wodurch allein in diesem Monat etwa 250.000 US-Dollar an Transkriptionskosten eingespart wurden.
Verbesserung der klinischen Entscheidungsfindung
Der Einsatz von NLP im Gesundheitswesen, einschließlich zur Verbesserung der klinischen Dokumentation, hilft auch dem Entscheidungsprozess eines Arztes. Mit all den verfügbaren Informationen ist es einfacher, die Krankengeschichte des Patienten einzusehen, Unregelmäßigkeiten zu bemerken, Allergien und andere Probleme zu berücksichtigen, den Zustand des Patienten zu beurteilen und schließlich eine fundierte Entscheidung über die Behandlung des Patienten zu treffen. NLP wird auch verwendet, um Klinikern bei der Überprüfung von Symptomen und Diagnosen zu helfen, wodurch das Maß an Subjektivität und die Möglichkeit medizinischer Fehler verringert wird.
Beschleunigung des Abgleichs klinischer Studien
Einer der Gründe für das Scheitern klinischer Studien bei bis zu 80 % ist, dass es nahezu unmöglich ist, rechtzeitig die richtigen Patienten zu finden. Wenn Sie jemals Hunderte von Postern und Broschüren an einer Universität gesehen haben, auf denen nach Studenten mit bestimmten Eigenschaften gesucht wird, wissen Sie, wie schwierig das ist.
Erinnern wir uns nun daran, was NLP am besten kann: riesige Mengen unstrukturierter Daten analysieren. Wenn es um medizinische Daten geht, sind die Möglichkeiten für die klinische Forschung endlos. Eine davon ist die Entdeckung von Patienten, die für Studien in Frage kommen. Dies wird erstens dazu beitragen, Menschen zu finden, die von einer experimentellen Behandlung profitieren könnten, und zweitens wissenschaftliche Entdeckungen beschleunigen.
Erweiterung des wissenschaftlichen Wissens unter Forschern
Die Suche nach den richtigen Patienten ist nicht alles, was NLP für die Wissenschaft tun kann. Es kann auch helfen, das Wissen zu erweitern. Es gibt viele Werke, die in unstrukturierter Form gespeichert sind. Es gibt Tonnen von unveröffentlichten Artikeln, von denen die meisten aufgrund negativer Ergebnisse unveröffentlicht sind. Das Fehlen einer Plattform, auf der alle wissenschaftlichen Erkenntnisse gesammelt werden, führt dazu, dass Studien immer wieder repliziert werden, einfach weil Forscher/innen, sagen wir, Deutschland nicht wissen, dass die Engländer dieselbe Hypothese bereits widerlegt haben.
NLP könnte dabei helfen, all diese Informationen in ein elektronisches Format zu übersetzen, zu organisieren und zu analysieren, um ein vollständiges Bild der Forschung zu erstellen, die zu jeder Krankheit durchgeführt wurde.
Analysieren, wie Menschen über ihre Gesundheitsprobleme sprechen
Viele Bedingungen führen zu sehr unterschiedlichen Erfahrungen für Patienten. Dies zeigt sich vielleicht am deutlichsten bei psychischen Zuständen wie Autismus, ADHS, Schizophrenie und so weiter. Unser Wissen über diese Bedingungen ist sehr begrenzt. Oftmals zögern Menschen, Informationen weiterzugeben. Außerdem, wenn Sie sich an Doctor House erinnern, lügen alle.
NLP kann unser Wissen erweitern, indem es die verfügbaren Daten zur Krankheit analysiert und uns präsentiert. Das wurde bei ADHS gemacht: Ein Datenwissenschaftler von Lexalytics verwendete NLP, um Daten von Reddit, ADHS-Blogs, news-Websites und wissenschaftlichen Artikeln (PubMed- und HubMed-Datenbanken) zu analysieren. Basierend auf der Ausgabe modellierten sie die Gespräche, um zu zeigen, wie Menschen in ihren eigenen Worten über ADHS sprechen. Analysen wie diese könnten uns helfen, psychische und andere Zustände viel besser zu verstehen.
Herausforderungen für die Einführung von NLP im Gesundheitswesen
Trotz der enormen Vorteile der Verarbeitung natürlicher Sprache ist ihre Massenakzeptanz im Gesundheitswesen noch weit entfernt. Sicherlich gibt es dafür vernünftige Gründe: Angst vor neuer Technologie, Zeit, Geld. Aber NLP ist auch nicht einfach. Es gibt Hunderte von Sprachen auf der Welt, jede mit ihrer eigenen Syntax. Es gibt auch spezielle Symbole, Emojis, Benutzernamen, Hyperlinks, die alle bei der Interpretation berücksichtigt werden müssen. Aber die größte Herausforderung von allen ist die Existenz von Kontext. Ein Wort kann je nach Kontext unterschiedliche Bedeutungen haben. Beispielsweise kann das Wort „Dermatom“ im medizinischen Vokabular einen Bereich der Haut bedeuten, der von einer bestimmten Nervenwurzel versorgt wird, oder ein chirurgisches Instrument, mit dem die Haut geschnitten wird.
Glücklicherweise muss sich NLP im Gesundheitswesen nicht mit Sarkasmus auseinandersetzen, denn in einigen anderen Bereichen, wie beispielsweise der Marktforschung, ist dies eine weitere große Herausforderung. Aber wir hoffen, dass Ärzte in ihren klinischen Dokumenten nicht zu viel scherzen. Trotz dieser Herausforderungen kann man mit Sicherheit sagen, dass NLP im Gesundheitswesen bereits äußerst nützlich sein kann und in Zukunft nur noch nützlicher werden wird.
Source: boredpanda.com
