Neben anderen Technologien der künstlichen Intelligenz wie Computer Vision und Maschinelles Lernen hat die Verarbeitung natürlicher Sprache (NLP) Einzug in die Gesundheitsbranche gehalten, indem sie dafür sorgt, dass medizinische Geräte lesen, zuhören und mit Menschen interagieren können.
Hat das zu bedeuten, dass wir endlich eine Hightech-Lösung für das uralte Problem der Ärzte, die ihre Handschrift nicht entziffern können, gefunden haben? Der Einsatz von Diensten der künstlichen Intelligenz im Gesundheitswesen, insbesondere NLP, befasst sich mit verschiedenen Aufgaben:
- Das Sammeln von klinischen Daten, die über Tausende von Krankenakten verteilt sind.
- Scannen von Forschungsergebnissen schneller, als es ein menschliches Auge je könnte.
- Virtuelle Krankenschwestern und andere interaktive Lösungen betreiben.
NLP eröffnet diese und viele andere Möglichkeiten, aber bevor wir uns mit solchen AI-Anwendungsfällen beschäftigen, wollen wir ein paar Worte über das Wesen dieser Technologie und den aktuellen Stand ihrer Umsetzung verlieren.
Gute Maschinen, leiht mir eure Ohren!
Vereinfachend könnte man sagen, dass Computer schon immer sehr gesprächig waren, wenn es darum ging, in binärer Sprache zu sprechen, aber sie konnten Konzepte, die in der menschlichen Sprache ausgedrückt wurden, nur sehr schwer erfassen. Schließlich verstehen wir uns oft nicht, warum sollten wir also von Computern erwarten, dass sie uns verstehen?
Glücklicherweise hat NLP große Fortschritte bei der Interaktion zwischen Mensch und Maschine gemacht, insbesondere bei der Umwandlung unstrukturierter Daten, die typisch für unsere tägliche Kommunikation sind, in strukturierte Informationen, die von Computern genutzt werden können. Heute ist diese faszinierende Technologie an der Schnittstelle von Informatik, KI und Linguistik so weit entwickelt, dass sie diese Probleme auf brillante Weise lösen kann.
So brillant, dass die Kommunikation zwischen uns und Maschinen zu einer Selbstverständlichkeit geworden ist. Heutzutage sind wir so sehr daran gewöhnt, mit einer Reihe elektronischer Geräte zu interagieren, darunter Smartphones, virtuelle Assistenten für den Haushalt und Infotainment-Hardware im Auto, dass wir gar nicht mehr merken, wenn wir es tun.
Was der breiten Öffentlichkeit jedoch nicht so bekannt ist, ist die Rolle, die NLP in der Softwareentwicklung im Gesundheitswesen spielt. Eine schnell wachsende Rolle, wie die Statistiken zeigen. Laut dem Bericht "2020 Natural Language Processing in Healthcare and Life Sciences Market" von MarketsandMarkets wurde der globale NLP-Markt im Jahr 2020 auf 1,5 Mrd. $ geschätzt und wird bis 2025 voraussichtlich 3,7 Mrd. $ erreichen, mit einer CAGR von 20,5 %.
Auf geografischer Ebene wird Nordamerika voraussichtlich seine Position als größter Beitragszahler zum globalen Marktumsatz beibehalten. Der asiatisch-pazifische Anteil hingegen könnte der am schnellsten wachsende sein.
Aus der genannten Studie geht auch hervor, dass die Hauptfaktoren für dieses Wachstum die Verbreitung von Predictive Modeling im Gesundheitswesen und die zunehmende Einführung elektronischer Gesundheitsakten (EHR) sein werden. In dieser Hinsicht unterstützt NLP die Software für die Verwaltung elektronischer Aufzeichnungen. Was die Daten betrifft, so dürfte die Implementierung von Cloud-basierten Lösungen in Kombination mit NLP-Tools rasch zunehmen, da sie eine einfache Datenpflege sowie die bekannte Kosteneffizienz und Skalierbarkeit bieten.
Der wahre Wendepunkt: neuronale Netze
Wie war es möglich, so vielversprechende Ergebnisse in Bezug auf Leistung, Markterträge und Auswirkungen auf die moderne Gesellschaft zu erzielen? Der erste bedeutende Durchbruch in der Entwicklung von NLP war der Wechsel von den altmodischen regelbasierten Methoden (die vordefinierten Regelsätzen folgten) zu maschinellen Lernmodellen, die sich auf statistische Schlussfolgerungen stützen, um selbständig Regeln für die menschliche Sprache zu lernen.
Dieser Lernprozess erfolgte durch die Analyse von Millionen von typischen Beispielen aus der realen Welt, die in großen Textkorpora gesammelt wurden, und die Suche nach wiederkehrenden Sprachmustern. Sobald das maschinelle Lernsystem richtig trainiert war, konnte es auf der Grundlage seiner bisherigen Erfahrungen probabilistische Entscheidungen treffen, z. B. über die geeignetste Antwort auf eine Frage oder die beste Art, einen Satz in eine andere Sprache zu übersetzen.
Ein weiterer Schritt nach vorn war die Ersetzung statistischer Methoden durch neuronale Netze, miteinander verbundene Schichten von Knoten, die als künstliche Neuronen bezeichnet werden und die Struktur und Funktionen des menschlichen Gehirns bei der Übermittlung von Informationen untereinander nachbilden sollen. Neuronale Netze bilden die Grundlage des modernen maschinellen Lernens, insbesondere dessen jüngste Weiterentwicklung, die als Deep Learning bekannt ist, und werden heutzutage häufig in NLP-Lösungen eingesetzt.
Ihre Hauptstärke gegenüber statistischen Verfahren ist ihre Fähigkeit, die Wahrscheinlichkeit von Wortfolgen vorherzusagen und ganze Sätze in einem einzigen integrierten Modell zu verarbeiten, während statistische Ansätze auf eine Reihe von separaten Zwischenaufgaben angewiesen sind.
Das macht neuronale Netze zu einem wertvollen Werkzeug für die Ausführung aller typischen NLP-Funktionen, einschließlich Bilderkennung mit OCR-Algorithmen, Spracherkennung, Stimmungsanalyse, Erzeugung natürlicher Sprache (NLG) und viele mehr. Sehen wir uns an, wie einige dieser Top-NLP-Techniken im Bereich des Gesundheitswesens angewandt werden können, angefangen bei denen, die sich auf die Erfassung und Verwaltung von Daten beziehen.
Haben Sie ein NLP-Projekt im Sinn?
Partnerschaft mit Itransition zur Durchführung der Maßnahme
Ein tieferer Blick in die Daten
Wenn es darum geht, große Datenmengen zu sammeln, zu verarbeiten und zu verwalten, um wertvolle Einblicke in medizinische Phänomene zu erhalten, ist NLP definitiv einer der ersten Kandidaten. In der Regel werden NLP-Lösungen mit Computer Vision, maschinellem Lernen und Deep Learning-Technologien kombiniert, um Informationen aus verschiedenen Quellen wie Krankenakten, klinischen Fallberichten oder öffentlichen Gesundheitsforen zu sammeln.
Das ultimative Ziel? Den klinischen Arbeitsablauf zu rationalisieren und die pharmazeutische Forschung zu beschleunigen. Hier sind einige Beispiele in dieser Hinsicht.
Digitalisierung von klinischen Dokumenten mittels OCR
Dies ist die Standardmethode zur Umwandlung von gedrucktem oder handgeschriebenem Text in ein digitales Format, so dass er von Maschinen "verdaulich" gemacht wird. In einem Sektor wie dem Gesundheitswesen, in dem viele Ärzte auf Stift und Papier angewiesen sind, um verschiedene Dokumente (einschließlich Krankenblätter, Testergebnisse und Rezepte) zu verfassen, hat sich die optische Zeichenerkennung, auch OCR genannt, als nützlich erwiesen, um all diese wichtigen Informationen zu digitalisieren und in klinischen Datenbanken für zukünftige Konsultationen oder statistische Erhebungen zu speichern.
Ein einschlägiges Beispiel stammt vom australischen Forschungszentrum für elektronische Gesundheitsdienste, das eine NLP-Lösung entwickelt, um medizinische Freitextdaten aus Pathologieberichten zu digitalisieren. Hauptziel dieser Initiative ist es, Informationen über Krebsfälle aus papierbasierten Aufzeichnungen zu extrahieren (die in diesem Bereich des australischen Gesundheitswesens immer noch die Mehrheit darstellen). Ein solches Verfahren wird es dem nationalen Gesundheitsdienst ermöglichen, die Trends der Krebsinzidenz ständig zu überwachen und seine datengestützte Entscheidungsfindung zu verbessern.
Dieser Digitalisierungsprozess wird jedoch einige Zeit in Anspruch nehmen, da der größte Teil der weltweiten Dokumentation des Gesundheitswesens immer noch unstrukturiert ist (nach Schätzungen von PwC etwa 80 %) und daher ungenutzt bliebe, wenn wir sie nicht in ein strukturiertes, für Computer erkennbares Format bringen würden.
Klinische benannte Entitätserkennung
NLP-Tools fungieren nicht nur als Schreiber, die handschriftliche Dokumente in virtuelle Datenbanken kopieren. Stattdessen können sie auch verschiedene Arten von Konzepten in einem Text erkennen und sie auf der Grundlage ihrer semantischen Natur kennzeichnen. Diese spezielle Technik ist als Named Entity Recognition (NER) bekannt und wird häufig im Gesundheitswesen eingesetzt, um klinische Dokumente oder Forschungsunterlagen zu scannen und Entitäten wie Behandlungen, Medikamente, Diagnosen usw. zu kategorisieren.
Die Einführung von NER-Lösungen kann die Patientenversorgung erheblich verbessern, da das medizinische Personal in die Lage versetzt wird, die Katalogisierung und Quersuche relevanter Daten in den Krankenakten anhand von Schlüsselwörtern zu rationalisieren. Ein ähnliches Verfahren kann auch in der Forschung angewendet werden. In einer Fallstudie von McKinsey aus dem Jahr 2018 wurden klinische Begriffe in ICD-10-Diagnosecodes klassifiziert, um klinische Leitlinien zu synthetisieren, was den Prozess im Vergleich zu Standardmethoden um 60 % beschleunigte.
Klinische De-Identifizierung
Der zunehmende Verkehr personenbezogener Daten ist den wachsamen Augen von Regierungen und internationalen Institutionen nicht entgangen, die darauf mit immer strengeren Vorschriften zum Schutz der Privatsphäre und des Datenschutzes reagiert haben - Grenzen, die im Gesundheitswesen aus offensichtlichen Gründen der Sensibilität privater Daten noch strenger gelten.
In diesem Zusammenhang verpflichtet der HIPAA die Anbieter im Gesundheitswesen, die medizinischen Informationen der Patienten vor der Weitergabe ohne deren Zustimmung oder Wissen zu schützen, mit der bemerkenswerten Ausnahme von Daten, die de-identifiziert wurden.
Mit einem ähnlichen Mechanismus wie bei der Named Entity Recognition können NLP-Systeme zur Lösung dieses Problems beitragen, indem sie medizinische Dokumente scannen, um geschützte Gesundheitsinformationen (PHI) wie Patientennamen und Telefonnummern zu erkennen. So können diese sensiblen Daten de-identifiziert, d.h. verschleiert und durch Tags ersetzt werden, um das Risiko einer öffentlichen Enthüllung und Verletzung der Privatsphäre zu vermeiden.
Stimmungsanalyse im Gesundheitswesen
Grundlegend eine Mischung aus NLP, maschinellem Lernen, Computerlinguistik und Biometrie, ist die Stimmungsanalyse eine fortschrittliche Technik zur Bewertung der in einem Text ausgedrückten Gefühle und Meinungen, insbesondere in sozialen Medien, Blogs und Webartikeln. Sie ist eine der trendigen Anwendungen des Maschinellen Lernens an der Börse, im Marketing und in allen anderen Bereichen, in denen es wichtig sein kann, eine Vorstellung davon zu bekommen, was Kunden und Investoren über eine Marke oder ein Unternehmen denken.
Auf jeden Fall kann die Stimmungsanalyse in ähnlicher Weise auch im Gesundheitswesen eingesetzt werden, um Rückmeldungen von Patienten über die Qualität medizinischer Dienstleistungen, wahrgenommene Mängel und mögliche Verbesserungen zu sammeln. Dies geschieht in der Regel durch die Suche nach Schlüsselwörtern mit positivem oder negativem Beiklang und die Abwägung ihrer Relevanz für das betreffende Thema.
Bots, virtuelle Krankenschwestern und andere Wunder
Die oben erwähnten Anwendungen von NLP beinhalten im Wesentlichen die passive Aufnahme und Verarbeitung menschlicher Eingaben. NLP-Systeme können jedoch weitaus gesprächiger sein als das. Man denke nur an die schiere Menge an Bots und virtuellen Assistenten, mit denen wir dank ihrer NLG-Fähigkeiten täglich interagieren.
Das gesundheitswesen macht bei diesem Trend keine Ausnahme. In der Tat stellt er einen der wichtigsten Wachstumstreiber für den Markt für intelligente virtuelle Assistenten (IVA) dar, der laut PwC im Jahr 2019 auf 3,4 Milliarden US-Dollar geschätzt wurde und bis 2027 23 Milliarden US-Dollar erreichen könnte:
Ein großer Teil dieses Erfolgs ist sicherlich auf die enormen Fortschritte in den Bereichen KI, Deep Learning und neuronale Netze zurückzuführen, die die NLP-Disziplin zu neuen, unerforschten Horizonten geführt haben. Durch das Training mit riesigen Datensätzen und die Interaktion mit Tausenden von Nutzern in vielen verschiedenen Situationen können Bots aus Erfahrung lernen und ihre Kommunikationsfähigkeiten im Laufe der Zeit verfeinern, indem sie das Szenario, in dem sie agieren, verstehen und selbst die verborgensten Nuancen der Sprache erfassen.
Chatbots und virtuelle Assistenten sind äußerst flexible Werkzeuge, sowohl in Bezug auf die einfache Implementierung als auch auf das Anwendungsspektrum. Was den ersten Punkt betrifft, so können sie auf der Grundlage bereits bestehender Lösungen entwickelt oder von Grund auf neu geschaffen werden. Außerdem sind sie leicht skalierbar und können je nach Zweck mit verschiedenen Technologien "aufgerüstet" werden.
Zum zweiten Punkt: Diese Lösungen können in einer Vielzahl von AI-Anwendungsfällen eingesetzt werden. Wir können jedoch alle diese Anwendungen in zwei Untergruppen einteilen, die die beiden Hauptgründe für den Einsatz von NLP-gestützten Chatbots darstellen.
1. Rationalisierung klinischer Prozesse
Der Druck, dem die Fachkräfte des Gesundheitswesens während der jüngsten COVID-19-Krise ausgesetzt waren, hat einmal mehr gezeigt, dass die Arbeitsabläufe in Krankenhäusern und anderen medizinischen Einrichtungen optimiert werden müssen. Eine der wirksamsten Lösungen besteht darin, immer mehr Aufgaben an Bots zu delegieren, damit sich das Gesundheitspersonal auf die menschliche Beziehung zu den Patienten konzentrieren kann.
Das Providence St. Joseph Health System in Seattle hat beispielsweise einen KI-gesteuerten Bot mit NLP-Fähigkeiten implementiert, um das Hotline-Aufkommen während der Pandemie zu verringern. Dieses Tool kann den Patienten Fragen stellen, um ihre Symptome und die tatsächliche Dringlichkeit der einzelnen Krankheitsbilder zu definieren. Dann kann es diejenigen beruhigen oder beraten, die keine zusätzliche Behandlung benötigen, und riskantere Fälle an die entsprechenden medizinischen Dienste wie Kliniken und Testzentren weiterleiten.
2. Verbesserung der Patientenerfahrung
"Tempus fugit", wie die alten Römer sagen würden. Aber heutzutage vergeht die Zeit schneller als je zuvor, und die Patienten erwarten flexible und möglichst rund um die Uhr verfügbare Dienstleistungen im Gesundheitswesen. Glücklicherweise können Bots dazu beitragen, viele bürokratische Verfahren zu beschleunigen, indem sie Selbstbedienungszahlungen, Online-Arztbuchungen usw. ermöglichen.
Außerdem können sie eingesetzt werden, um Patienten in Not unermüdlich zu helfen. Der britische National Health Service testet zum Beispiel eine virtuelle Krankenschwester namens Molly, die Menschen mit chronischen Krankheiten überwacht, ihre Fragen beantwortet und ihre Symptome beurteilt. Nach Angaben der Harvard Business Review können diese Tools jährlich 20 Milliarden Dollar einsparen, indem sie die Zeit, die Krankenschwestern für die Patientenbetreuung aufwenden, um 20 % reduzieren.
Die menschliche Seite im Auge behalten
NLP wird wahrscheinlich ein wichtiger Faktor bei der Umgestaltung des gesundheitswesens sein. Um jedoch sein volles Potenzial zur Verbesserung der Patientenerfahrung und zur Unterstützung des Gesundheitswesens auszuschöpfen, sollte dieses leistungsstarke Instrument in den richtigen Händen liegen. Insbesondere sollte es das menschliche Fachpersonal nicht ersetzen, sondern mit ihm zusammenarbeiten und angemessen überwacht werden. Diese Aufsicht setzt natürlich voraus, dass die Ärzte und das medizinische Personal im Allgemeinen wissen, mit welcher Technologie sie es zu tun haben.
Aus diesem Grund wird es neben der bloßen Einführung neuer Technologien von entscheidender Bedeutung sein, die richtige Berufskultur zu fördern (auch durch Schulung und Umschulung) und an der Integration von Fachleuten, Geräten und Daten zu arbeiten. Dieser letzte Aspekt, nämlich die Daten, führt uns zu einem weiteren potenziellen Schmerzpunkt, der erwähnenswert ist.
Wissen ist Macht, nutze es weise
NLP gleicht, wie jede andere KI-bezogene Technologie, einem doppelgesichtigen Januskopf, wenn es um die Verwaltung von Daten geht. Denn während es, wie oben erläutert, stimmt, dass NLP-Lösungen eingesetzt werden können, um sensible Patienteninformationen zu verbergen, sollten wir gleichzeitig nicht vergessen, dass jedes auf maschinellem Lernen basierende System, das für das Gesundheitswesen entwickelt wird, auf medizinischen Daten trainiert werden muss.
Nicht zu vergessen, dass diese Daten auf mysteriöse Weise verarbeitet werden können, da Algorithmen des maschinellen Lernens typischerweise von dem bekannten Black-Box-Problem betroffen sind, wenn die Art und Weise, wie sie zu ihren Schlussfolgerungen kommen, verschleiert wird.
NLP- und maschinelle Lernlösungen sollten unter Berücksichtigung dieser Aspekte entwickelt werden, indem ein allgemeiner Rahmen für die Erfassung und Nutzung von Daten des Gesundheitswesens, aber auch für deren Schutz vor Cyberangriffen geschaffen wird. Das ist nicht nur eine Frage der Einhaltung der Vorschriften für personenbezogene Daten, sondern auch eine Frage der Ethik und des Respekts für die Patienten, die im Mittelpunkt des Gesundheitswesens stehen sollten.
Im alten hippokratischen Eid hieß es schließlich: "Was immer ich bei der Ausübung meines Berufes sehe oder höre, werde ich niemals preisgeben, da ich es für ein heiliges Geheimnis halte." Jahrhunderte sind vergangen, aber diese Maxime gilt immer noch, selbst wenn wir es mit einer Technologie wie NLP zu tun haben, die Hippokrates mit Magie verwechselt hätte.
