Providence St. Joseph Health（普罗维登斯·圣约瑟夫医疗集团）已经证明，人工智能和机器学习技术可以对当今的医疗服务产生重要影响。该医疗集团总部位于华盛顿州，在阿拉斯加州、华盛顿州、俄勒冈州、加利福尼亚州、新墨西哥州、蒙大拿州和德克萨斯州经营着51家医院，已经建立了多种基于人工智能和机器学习的系统。
据雷锋网了解，它的No Show技术每个月通过增加患者就诊数量已经产生了投资回报；它的医疗补助风险分层模型正被其医疗管理团队用于寻找病例；围绕脊柱融合和脑肿瘤手术的自然语言处理系统为新的使用案例和全企业范围的工具提供了支持。
Providence St. Joseph Health的首席数据官Vijay Venkatesan表示，相比于其他拥有权限接触病人信息的行业参与者，卫生系统利用人工智能和机器学习显然可以取得更明显的进步。
“医疗系统获取病人数据的最大好处是能够清楚地讲述病人的前因后果，”他解释说。“它为病人提供了一个整体的纵览视角。此外，它还允许基于人群的分析，来评估和优化护理的方法。”
据雷锋网了解，Providence St. Joseph Health已推出33个快速护理诊所，患者可以一键安排当日预约、视频访问或者请护理人员到他们的家里。这些数字交互可以提供关于患者如何、何时和为何寻求护理的有价值的信息，以及卫生系统如何用新的技术把他们引导至成本最低的护理机构。
Providence St. Joseph Health推出了一个名为Circle的女性健康个性化平台，提供内容、产品和服务，让消费者在治疗期间了解自己的健康状况和家人的健康状况。
还有一个就是Xealth平台，这个平台可以让医生从他们的EHR中开出任何数字内容、应用程序、产品或服务，就像开药品一样。有关患者评论内容的数据、与应用程序的粘性等等，都可以帮助卫生系统更好地调整护理策略，对人口健康管理形成更深入的了解。
“更令人兴奋的是利用基因组、蛋白质组学和生物识别数据的前景，”首席数字官Aaron Martin说，“系统生物学研究所(Institute for Systems Biology)是Providence St. Joseph Health的下属机构，由医学博士Lee Hood领导。该机构与健康系统合作开发了“科学健康”(scientific wellness)项目，来帮助患者利用数据改善自身健康状况。”
尽管在人工智能的应用上前景良好，但Providence St. Joseph Health和其他医疗组织也面临自己的问题，其中一个就是从电子病历中提取有用的信息。卫生系统拥有海量的电子病历数据，这是一个优势，那么这些机构面临的挑战是什么？
首席战略科学家Tristan Markwell说，“文本数据代表了一个丰富的患者信息来源，包括一些可能永远不会出现在结构化数据中的东西，例如，社会信息、OTC药物或副作用/不良反应，提取这些信息有几个相关的问题，主要问题是实体识别，或者知道记录中讨论的是什么概念。由于语言含糊不清以及作者的缩写或拼写错误使得这一点变得更加复杂。”
处理这些文本数据的最直接的选择是：开发自己的自然语言处理能力，通常是通过招聘具有特定计算语言学背景的数据科学家；与特定于领域的供应商合作，将NLP功能一次交付给一个项目；或者与一般的NLP供应商合作。
他说，“第一种方法拥有最大的控制权和所有权，但是风险最大，而且可能代价最大；第二种方法可以释放特定项目的收益，但会将ROI限制在特定的使用案例中；第三种方法具有一般功能，但可能会需要认真的工作，以有益的方式融入现有的环境。“
“似乎‘NLP即服务’模式似乎即将成为最合理的解决方案——从记录中提取具有元数据的实体的基本问题在全国范围内是相当统一的，因此受到规模经济的影响，供应商似乎对提供轻量级的分发模型感兴趣，并且它与数据上云的趋势非常吻合。”
他补充说，大多数健康系统都在招聘数据科学家的核心人员，并积极与大型云AI/机器学习供应商(微软、谷歌、亚马逊等)合作，来利用他们的专业知识和工具。
雷锋网了解到，Providence St. Joseph Health正在利用其庞大的数据存储库，但它只是触及了可用数据的冰山一角。
Markwell解释说：“当预测患者的病情时，我们不仅要看诊断和药物，还要看先前的行为和时间模式。具体来说，对于文本数据，我们分析了单词的顺序，形成了一个数学语义模型，然后用它来改善笔记搜索的结果；我们还进行了手术总结，并提取了一些关键的部分，比如在结构化数据中不可用的方法。”
他补充说，获取这些信息的关键是愿意投资于任用拥有正确技能的人，从简单的工具开始，在需要的时候在复杂性工程上投入更多的时间。
今天，人工智能和机器学习如何在Providence St. Joseph Health运行的一个很好的例子就是它的No Show移动应用程序——这是对一个常见问题的综合解决方案：由于患者错过预约时间或取消太晚，以致医疗系统无法重新填补空缺，导致医疗系统每个月都会出现缺席的情况。这是一个重大的系统性挑战。
“解决这个问题的第一步是建立一个全面的模型，我们相信这个模型可以用来进行干预，”Venkatesan解释说，“我们的第二步是在实验环境中让这些数字出现在诊所面前，并证明使用这个模型进行干预——通常是一个直接的病人提醒电话——可以有效地减少爽约，使诊所更有效率。”
然后数据小组将算法整合到诊所的Web应用程序中，该应用程序提供许多有用的功能，并收集呼叫信息，以便团队可以监控使用率和ROI。这些团队现在正致力于利用干预数据创建一个反馈循环，以细化模型，并将干预推进到最有效的地方。
“我们还推出了营销试点，利用机器学习为患者建立倾向模型，”Martin补充道。“机器学习可以帮助我们识别已经对我们提供的服务感兴趣以及有能力采取行动的人群，这些成为营销自动化计划的经验。“
Martin进一步指出，医疗系统正在其主要的数字接口中进行人工智能和机器学习的实验，以帮助引导患者找到正确的治疗地点，同时还在研究由语音驱动的智能工具，以简化临床环境中制图和导航的工作。
正在生成分享图...
嘉嘉