Migliorare l'usabilità della Cartella Clinica Elettronica con il Machine Learning

I professionisti della salute passano molto tempo a sfogliare le note dei pazienti e ad inserire informazioni nei registri elettronici della salute (EHR). Questo può portare a stress e burnout tra medici e infermieri. Per affrontare questo problema, stiamo esaminando come utilizzare il machine learning per trovare più facilmente informazioni importanti durante il processo di Documentazione.

Usando i log degli EHR, abbiamo costruito un sistema che può suggerire quali note di pazienti sono importanti da leggere in un determinato momento. Questo è particolarmente utile in contesti affollati come i reparti di emergenza, dove i medici devono prendere decisioni rapide.

Nel nostro studio, abbiamo scoperto che il nostro sistema può prevedere con alta precisione quali note un medico probabilmente leggerà mentre sta scrivendo nuove note. Inoltre, i feedback degli operatori sanitari reali indicano che il nostro approccio può aiutarli a trovare informazioni importanti più velocemente.

#Importanza dei Registri Elettronici della Salute

Gli EHR sono una parte fondamentale per tenere traccia della storia medica di un paziente. Contengono sia dati organizzati che note scritte dai fornitori di assistenza sanitaria. Queste informazioni vengono utilizzate durante tutto il processo decisionale medico. Durante le visite dei pazienti, i medici cercano informazioni per vari motivi, come capire un nuovo paziente, rinfrescare la memoria su un paziente attuale o trovare dettagli specifici per aiutare a diagnosticare una condizione.

Tuttavia, trovare le informazioni necessarie negli EHR può richiedere molto tempo a causa della grande quantità di dati. Gran parte di queste informazioni importanti si possono trovare solo nelle note scritte, che sono spesso lunghe e complesse. I requisiti di documentazione e la quantità di informazioni sono diventati così opprimenti che i medici possono passare più tempo a utilizzare gli EHR piuttosto che con i loro pazienti. Questo può portare a esaurimento e ridotta soddisfazione lavorativa.

La nostra ricerca si concentra su come migliorare il processo di documentazione comprendendo meglio come i medici leggono e scrivono note nel sistema EHR. Analizzando migliaia di sessioni di scrittura di note nel reparto di emergenza, puntiamo a creare un sistema che possa suggerire informazioni rilevanti mentre il clinico scrive la sua nota.

#Analisi delle Sessioni di Scrittura di Note EHR

Abbiamo esaminato i dati di numerose sessioni di scrittura di note nel reparto di emergenza. Studi precedenti si sono principalmente concentrati sulle azioni generali che i medici compiono negli EHR, come rivedere i registri e inserire ordini. Il nostro lavoro va più a fondo, esaminando come i medici leggono e scrivono note insieme per trovare schemi nel modo in cui raccolgono informazioni.

Abbiamo sviluppato un framework che consente suggerimenti dinamici di informazioni mentre il contesto cambia. Il nostro sistema prevede quali note possono essere utili in base alla nota che si sta scrivendo. Abbiamo anche applicato tecniche di machine learning per aiutare il nostro sistema a recuperare attivamente informazioni utili per assistere nel processo di scrittura.

Nei nostri esperimenti, abbiamo scoperto che il nostro sistema può prevedere con impressionante precisione quali note saranno lette in una singola sessione di scrittura di note.

#Studio con Clinici

Per convalidare il nostro approccio, abbiamo condotto uno studio in cui clinici reali hanno utilizzato il nostro framework. Abbiamo scoperto che effettivamente ha semplificato la loro capacità di trovare informazioni importanti rapidamente. Questo suggerisce che i nostri metodi potrebbero essere utili in altri contesti sanitari e attraverso vari tipi di dati, come i risultati di laboratorio e le immagini.

#Osservazioni Generali sul Machine Learning in Sanità

La nostra ricerca sottolinea l'importanza del recupero di informazioni in tempo reale nella sanità. Anche se ci siamo concentrati specificamente sul recupero di informazioni da note non strutturate, questo concetto può applicarsi ad altri tipi di dati all'interno dei registri elettronici della salute. C'è un'opportunità per creare sistemi proattivi che possano aiutare i lavoratori sanitari a localizzare automaticamente informazioni pertinenti.

Inoltre, con i progressi nei modelli linguistici, abbiamo l'opportunità di migliorare la generazione e l'analisi delle note cliniche. Dobbiamo esplorare i flussi di lavoro e le esigenze informative che portano alla documentazione finale invece di trattare queste note come documenti immutabili.

#Lavori Correlati

Negli anni, sono state sviluppate molte tecniche di machine learning per aiutare i professionisti della salute a estrarre e riassumere informazioni dalle note EHR in testo libero. Ad esempio, alcuni metodi si concentrano sulla strutturazione dei dati o sul riassunto dei punti chiave dalle note. Altri usano l'embedding dei documenti per trovare codici pertinenti per le diagnosi basati su documenti esistenti.

Tuttavia, la maggior parte di questa ricerca guarda a documenti statici piuttosto che a come le esigenze informative cambiano durante il processo di scrittura. Il nostro lavoro è diverso perché esploriamo come utilizzare il machine learning per trovare note importanti in modo dinamico mentre un clinico crea una nuova nota.

#Log di Audit negli EHR

Gli EHR generano anche log di audit, che registrano informazioni dettagliate sulle attività degli utenti all'interno del sistema. Inizialmente progettati per il controllo degli accessi, questi log si sono rivelati preziosi per comprendere come i clinici utilizzano gli EHR. Possono mostrare con quale frequenza vengono eseguite diverse azioni e aiutare a riprogettare le interfacce utente per migliorare i flussi di lavoro.

Tuttavia, i log di audit da soli potrebbero perdere importanti contesti, quindi combinarli con altri metodi analitici può fornire un quadro più completo. Il nostro studio non solo esamina i modelli di recupero e documentazione, ma anche il contenuto delle note e come possono essere progettati algoritmi predittivi per migliorare il processo.

#Recupero Proattivo delle Informazioni

Dato che i professionisti della salute spesso hanno elevate esigenze informative durante la documentazione, sono stati fatti vari sforzi per migliorare la loro capacità di trovare dinamicamente dati pertinenti. Alcuni sistemi esistenti utilizzano il processing del linguaggio naturale per riassumere le storie cliniche dei pazienti, ma non personalizzano le informazioni in base al contesto clinico attuale.

Il nostro approccio è diverso perché puntiamo a recuperare attivamente note non strutturate importanti mentre vengono scritte. Questa posizione proattiva consente ai clinici di beneficiarne da un accesso tempestivo a informazioni pertinenti durante il processo di cura del paziente.

#Il Processo di Documentazione nel Reparto di Emergenza

La documentazione che avviene dopo che un paziente si presenta al pronto soccorso è critica. I clinici vedono frequentemente molti pazienti in un breve lasso di tempo, il che richiede loro di raccogliere e processare rapidamente informazioni da varie note storiche.

I medici spesso comunicano con i colleghi per coordinare le cure, il che aggiunge un ulteriore livello di complessità ai loro compiti. L'ambiente frenetico di un pronto soccorso crea schemi distintivi di recupero e documentazione delle informazioni che differiscono da normali scenari di scrittura.

Per analizzare questo processo, abbiamo sviluppato un dataset che cattura le attività intorno al recupero e alla scrittura delle note. Abbiamo raccolto log da un grande ospedale urbano, registrando attività dettagliate di lettura e scrittura per diverse settimane.

#Insight dall'Analisi dei Dati

Guardando sia a cosa leggono i clinici che a cosa scrivono durante le stesse sessioni, possiamo ottenere insight sui loro comportamenti di raccolta delle informazioni. Ad esempio, possiamo analizzare quanto delle note scritte deriva dalle note lette, il che ci aiuta a capire come i medici sintetizzano le informazioni da varie fonti.

I nostri risultati finora mostrano che c'è spesso un significativo sovrapposizione tra il testo delle note lette e le note finali scritte. Questo indica che molti clinici si affidano a note passate per informare la loro scrittura attuale, il che sottolinea la necessità di un accesso efficiente a informazioni rilevanti.

#Schemi di Lettura tra i Clinici

Per capire meglio come i clinici recuperano informazioni, abbiamo selezionato casualmente alcuni casi paziente per analizzare i modelli di lettura. Abbiamo osservato che più membri del team leggono spesso le stesse note, specialmente quelle più recenti. Questo indica una forte dipendenza dalla documentazione recente per prendere decisioni di cura.

Ogni clinico può avere esigenze diverse a seconda della sua specialità e ruolo all'interno del team di cura. Ad esempio, un residente potrebbe aver bisogno solo delle note più recenti, mentre uno specialista potrebbe approfondire documenti più vecchi per ottenere una comprensione completa della storia medica di un paziente.

#Modellazione del Recupero Proattivo delle Informazioni

Il nostro modello mira a assistere i clinici nel trovare rapidamente informazioni rilevanti mentre documentano le interazioni con i pazienti. Durante il processo, un medico è sotto pressione per raccogliere tutti i fatti necessari in un lasso di tempo molto breve. Deve leggere più documenti mentre tratta i pazienti e coordina con altri membri del team.

Per affrontare questo, abbiamo inquadrato il compito di recupero proattivo delle informazioni come un problema di classificazione. Il modello prevede se un documento sorgente debba essere recuperato in base al contesto attuale della nota che si sta scrivendo.

Il nostro approccio aggiorna continuamente il set di documenti rilevanti per la scrittura del clinico, tenendo conto delle informazioni più recenti disponibili. Questo porta a suggerimenti più accurati durante ogni sessione successiva.

#Caratteristiche Utilizzate nel Modello

Il modello incorpora varie caratteristiche, inclusa l'informazione sui pazienti catturata durante il triage, il tempo di creazione del documento e i metadati sui documenti sorgente. Utilizzando queste caratteristiche, possiamo offrire previsioni accurate su quali note siano più probabilmente rilevanti.

Il problema principale del paziente, insieme al ruolo del clinico, aiuta a fornire il contesto necessario per ogni nota. Le caratteristiche relative al tempo di creazione del documento e alla frequenza con cui è stata letta contribuiscono anche a migliorare l'accuratezza del modello.

La rappresentazione testuale sia dei documenti sorgente che delle note scritte viene effettuata utilizzando un approccio bag-of-words. Questo metodo ci consente di catturare la presenza di parole e frasi che possono segnalare la rilevanza di documenti specifici.

#Valutazione delle Prestazioni del Modello

Per valutare l'efficacia del nostro modello, abbiamo utilizzato diversi metriche di prestazione comunemente applicate nei compiti di classificazione, come precisione, richiamo, punteggio F1 e area sotto la curva (AUC). Abbiamo prestato particolare attenzione all'AUC, poiché indica quanto bene il modello differenzia tra documenti rilevanti e irrilevanti.

Inoltre, abbiamo considerato metriche di Recupero delle informazioni che misurano quanto bene il modello riporta documenti rilevanti per la prossima sessione di scrittura. Queste metriche ci aiutano a determinare se l'approccio di machine learning soddisfa le esigenze pratiche dei clinici.

#Feedback dai Clinici

Per convalidare ulteriormente i nostri risultati, abbiamo condotto una revisione delle cartelle pazienti con clinici di diverse specialità. Ogni clinico ha fornito feedback sulle note che hanno scelto di leggere e le ragioni dietro le loro scelte. Questo ci ha aiutato a inquadrare la rilevanza delle note in termini della loro utilità clinica.

I risultati hanno indicato che il nostro modello ha funzionato bene nel riportare note rilevanti che i clinici hanno ritenuto importanti per la cura del paziente. In molti casi, i documenti più altamente classificati corrispondevano alle necessità dei clinici per un accesso rapido a informazioni pertinenti.

#Conclusione

Mentre i dati sanitari continuano a crescere, è essenziale che i clinici recuperino e processino queste informazioni in modo efficiente per fornire la massima assistenza. Il nostro lavoro dimostra come il machine learning possa contribuire a creare sistemi proattivi che aiutino a trovare rapidamente informazioni rilevanti.

Sviluppando un framework di recupero dinamico delle informazioni utilizzando i log di audit degli EHR, abbiamo fatto un passo significativo verso il miglioramento del processo di documentazione. Questo framework ha il potenziale di essere ampliato e utilizzato in vari contesti sanitari, beneficiando in ultima analisi sia i clinici che i pazienti.

#Direzioni Future

Guardando al futuro, intendiamo esplorare diversi contesti all'interno della sanità per comprendere come le esigenze di recupero delle informazioni varino. Pianifichiamo di valutare e rifinire il nostro modello predittivo attraverso il dispiego pratico, raccogliendo feedback in tempo reale dai clinici durante le interazioni con i pazienti.

Con i continui progressi nella tecnologia, siamo ottimisti che il nostro lavoro porterà a migliori strumenti per i professionisti della salute, aiutandoli a concentrarsi di più sulla cura dei pazienti piuttosto che sui compiti amministrativi.