Wie der Berg Sinai ist mit AI zu entsperren soziale Determinante Daten in der EHR –

Indem nun jeder weiß, wie kritisch die sozialen Determinanten sind für die Gesundheit der Bevölkerung und chronic care management. Aber das, was nicht so offensichtlich ist, wie zu nutzen, die wertvolle Informationen, zumal die meisten Gesundheitssysteme Vertrauen auf die strukturierte elektronische Krankengeschichte die Daten für Ihre analytics-Projekten.

In der Tat, die Herausforderung der Dokumentation von sozialen Daten in der EHR – und dann extrahiert es für analytics ist eines der wichtigsten Hindernisse für weitere Fortschritte an dieser front, sagte Dr. Jacob Reider, ehemaliger chief medical officer und stellvertretender nationaler Koordinator bei ONC – und jetzt CEO von Troy, New York-basierte Allianz für eine Bessere Gesundheit, wo er widmet sich dem entfernen dieser und anderer Schranken bei.

„In dem medizinischen Universum, das wir hatten, ICD und SNOMED-CT, die wir verwenden würden, um Informationen zu erfassen“, erklärte er kürzlich in einem Q&Ein mit Healthcare-IT-News. „Wir hatten eine relativ gute Möglichkeit der Darstellung der Tatsache, dass ein patient hatte diabetes, die mit einer bestimmten Codierung.“

Auf der anderen Seite, „haben wir nicht eine sehr gut konsistente, vorhersagbare, wiederholbare Mechanismus für den Ausdruck, dass jemand Ernährungsunsicherheit muss“, erklärte er. „Oder ist eine häusliche Gewalt Opfer. Oder hat ein Verhalten Gesundheit Herausforderung, die es schwierig macht, das Haus zu verlassen. Oder dass Sie die Transport-Herausforderungen. Wir haben keine guten Möglichkeiten, diese Dinge.“

Bis strukturierte klinische Terminologien für SDOH Daten entschieden-und auf breiter Front bereitgestellt, Krankenhäusern können viel tun, mit der unstrukturierten verbalen Beschreibungen, die Sie bereits haben in Ihrem EHR-Systemen, eine Daten-Wissenschaftler zeigten in der vergangenen Woche bei der HIMSS Machine Learning und AI für Healthcare-event in Boston.

Varun Gupta, IT-Leiter, Advanced Analytics und Data Management an der New Yorker Mount Sinai Health System – die bereits in diesem Frühjahr gestartet, ein neues Institut für Digitale Gesundheit zu erforschen und neue Innovationen in KI und ML Anwendungen – zeigte howed wie ärzte und case Manager da können der Verarbeitung natürlicher Sprache algorithmen, um den Zugang zu wertvollen sozialen Daten erfasst werden, in der Fortschritte Noten, Verfahren und Konsultation Daten, Arztbriefe und vieles mehr.

„Es ist alles in unstrukturierten format, Gupta erklärt. „Und es ist eine riesige Chance zu nutzen, dass die Daten, um herauszufinden, Einsichten. Das ist, wo der Verarbeitung natürlicher Sprache kommt.“

Jenseits der offensichtlichen Vorteile für die Patienten Gesundheit und wellness, solche Möglichkeiten haben „von großer Bedeutung für die Einnahmen-Seite und der Erstattung“, sagte er.

Zum Beispiel, auch nur der schriftliche Hinweis, dass ein patient „verwendet werden, um ein Raucher“ ist wertvoller als ein strukturiertes Datenfeld sagen, dass Sie Rauchen oder nicht zu Rauchen, erklärte er.

„Wenn ein patient das Rauchen gibt es große gesundheitliche Veränderungen, die passiert sind – der patient kümmert sich um seine Gesundheit“, sagte Gupta. „Das ist, wo der Wert-basierten Sorgfalt kommt in das Bild.“

Er fügte hinzu, dass „es gibt eine Menge von Innovationen, wo wir gesehen haben, mit der Verarbeitung natürlicher Sprache kommen in einem großen Weg,“ und die Fähigkeit zu entsperren und nutzen von unstrukturierten Daten aus sozialen innerhalb des EHR ist eine der größten Möglichkeiten.

„Wir wussten, dass es Probleme gab, warten darauf, entdeckt zu werden“

Die Technologie-Basis für diese initiative, Mount Sinai ersten sah zu seiner Oracle-basierten klinischen data warehouse, Gupta erklärt.

Es dauerte nicht lange, bis er und die anderen auf der IT-Seite „wussten, dass wir etwas tun müssen für den Fortschritt in der Technologie und in die richtige Richtung bewegen“, sagte er.

So das Gesundheitssystem implementiert eine Microsoft-Azure-basierte cloud-Infrastruktur und der Aufbau einer big-data-lake zu helfen, bieten ein Testgelände für einige dieser Projekte.

„Es begann als ein Labor-Projekt mit ein paar Anwendungsfälle, aber langsam und allmählich im Laufe der Jahre wuchsen wir es in einer Weise, dass die meisten von unseren datenspezialisten und-Analysten zu kommen in diesem Raum und versuchen, Ihre Voraus-algorithmen,“ sagte Gupta.

Wichtiger ist, das team auch umgesetzt FHIR-basierte API-Schicht auf der Oberseite von seiner klinischen Datensätzen, die „erhöhte unsere Benutzerfreundlichkeit und reduziert unsere time-to-market“, sagte er. „Wir können komplette Projekte in den Wochen, die früher Monate in Anspruch nehmen.“

Die nächste Herausforderung, Gupta erklärt wurde, dass der Berg Sinai-Forscher „hatte zu entscheiden, welche sozialen Determinanten wollten wir den Fokus auf die erste.“

Die erste Gruppe waren jene als die meisten high-impact – in anderen Worten, wer in der Lage ist zu geben, den unmittelbaren ROI. Diese, sagte er, drehte sich um die wirtschaftlichen Faktoren (Nahrung, Sicherheit, Unterbringung, Ernährung); Bildung; Gesundheitssystem-Faktoren (Versicherung, Sprachbarrieren) und physische Umgebung (Transport, Sicherheit).

In phase 2, ein bisschen später, Forscher untersuchten Faktoren, wie Verhaltens-Gesundheit, rechtliche Fragen, soziale Unterstützung und körperliche Aktivität. Und in Phase 3, es sah mehr eng fokussiert Fragen der Sicherheit, wie zum Beispiel fallen Sicherheit, spezielle gesundheitliche Bedürfnisse haben, etc.

Mit rund 200 Millionen klinische Hinweise abgeleitet von dem EHR den Daten Hinzugefügt, die See, der nächste war der manchmal mühsamen Prozess des information management, sagte Gupta: Gewinnung, Deduplizierung, Sortierung, corpus-Erstellung, Müll-filtern – und-was entscheidend ist-die Rechtschreibprüfung.

„Es scheint wie ein einfacher Schritt, aber es ist ein wirklich wichtiger Teil, dies zu tun“, sagte er.

Eine saubere Daten-set auch angewiesen auf Gründliche synonym Ersatz, fügte er hinzu, als auch die lemmatization – wobei flektierenden Endungen entfernt von Begriffen, „die Reduzierung der Wörter auf Ihre grundlegende grammatische form,“ das lemma.

Der „schwierigste Teil“, sagte Gupta, war bei der Ankunft im ultimativen „bag of words“ das wäre konsultiert, die von der NLP-Programm.

„Es war leicht, aus einem technischen hintergrund, aber es war deutlich schwieriger, von einem klinischen Standpunkt aus“, erklärte er, und erforderlich, dass sich Kliniker und IT-Mitarbeiter arbeiten eng zusammen, um sicherzustellen, dass die richtigen Wörter, die möglicherweise, dass die Obdachlosigkeit in den unstrukturierten EHR beachten – zum Beispiel, „haben nicht ein Haus“ oder „auf der couch schlafen“ – enthalten waren.

Einmal angekommen, ist die machine-learning-Algorithmus war in der Lage zu verwenden, die Tasche der Wörter, plus die lemmatized Liste der Notizen, weisen Sie SDOH Daten an bestimmte Patienten oder trifft zu bezeichnen, die sozialen Bedürfnisse und verfolgen, ob die Dinge verbessert haben, die für den Patienten im Laufe der Zeit, sagte Gupta.

„Wir waren zufrieden mit dem Ergebnis aber nicht wirklich überrascht“, sagte Gupta. „Wir wussten, dass es Probleme gab, warten darauf, entdeckt zu werden.“

In der Tat, zwischen August 2016 und Oktober 2018, in rund 7,2 Millionen trifft auf

mit mehr als 226,000 Medicaid-Patienten, Mount Sinai gefunden, dass 31 Prozent der Patienten hatten mindestens eine soziale Determinante Faktor werden könnte Auswirkungen auf Ihre Gesundheit.

Vor der Bereitstellung von AI zu mir, dass die freien text-Daten, „das war eine Bevölkerung, die, durch strukturierte Daten, hatten wir noch keine Erkenntnisse“, sagte Gupta.

Herausforderungen, best practices

Die initiative wurde noch nicht hürdenlos, natürlich. Für ein, gelangt man auf eine Ontologie – wie die ärzte schreiben Ihre Notizen, die hoch-spezifisch – eindeutig auf den Berg Sinai, aber universell genug, um effektiv zu erfassen, SDOH war eine Herausforderung.

Auch die Prüfung der Algorithmus, der die Ausgabe war arbeitsintensiv, Gupta sagte. „Es dauert einige Zeit, aber sobald Sie dort sind, können Sie Sie in viele verschiedene Möglichkeiten.“

So war die Integration der Erkenntnisse in die klinische workflows und sicherzustellen, dass Sie verwendet wurden, durch die care-Manager – etwas den Berg Sinai, indem Sie gelöst sinnvolle Verwendung von APIs und dashboards.

Integration von diesen erzeugten Ergebnisse zurück, um den einzelnen Patienten “ Epic-chart war auch eine Herausforderung – etwas, was das Krankenhaus lehnte sich auf third-party-Anbietern wie Tableau mit zu helfen.

Im Gesundheitswesen suchen, um zu versuchen, ähnliche Projekte, Gupta angeboten, eine Liste von best practices.

Zunächst analysieren Ihre vorhandenen Daten, um eine Bestandsaufnahme von dem, was verfügbar ist. Zweitens, die Chancen erkennen, sich ihm zu nähern, die passen am besten in die bestehenden Prozesse und wird die meisten sofort vorteilhaft.

Es ist OK, klein zu beginnen, sagte er: „Vielleicht ein oder zwei (soziale Determinanten) sinnvoller ist als das sieden der Ozean.“

Aber nach dem Start einfach, es ist der Schlüssel zu umfassenden Ansatz verfolgt, wie diese sozialen Faktoren können in Angriff genommen werden. Und auf dieses Ziel hin, es ist wichtig, entwickeln einen „Fahrplan“, sagte er.

Auf dem Berg Sinai, die Vorteile, die Sie durch den Bergbau, die bisher wenig genutzte Daten beträchtlich gewesen, so weit von einer klinischen und finanziellen Perspektive.

„AI ist immer eine Herausforderung, aber ich denke, wir sind es immer,“ sagte Gupta.

Twitter: @MikeMiliardHITN
E-Mail der Autorin: [email protected]

Healthcare-IT-News ist eine Publikation der HIMSS Medien.