[论文解读] Fast, Structured Clinical Documentation via Contextual Autocomplete

Divya Gopinath, Monica Agrawal+4 more|arXiv (Cornell University)|Jul 29, 2020

Topic Modeling参考文献 27被引用 16

一句话总结

本文提出了一种用于临床文档的实时上下文自动补全系统，该系统利用浅层神经网络从电子健康记录（EHR）数据中建议标准化的医学概念，将打字次数减少67%，同时自动标记并结构化笔记。该系统与医院实时工作流程集成，支持即时消歧、通过UMLS进行语义归一化，并在各部分动态插入概念，显著提升了文档效率和数据质量。

ABSTRACT

We present a system that uses a learned autocompletion mechanism to facilitate rapid creation of semi-structured clinical documentation. We dynamically suggest relevant clinical concepts as a doctor drafts a note by leveraging features from both unstructured and structured medical data. By constraining our architecture to shallow neural networks, we are able to make these suggestions in real time. Furthermore, as our algorithm is used to write a note, we can automatically annotate the documentation with clean labels of clinical concepts drawn from medical vocabularies, making notes more structured and readable for physicians, patients, and future algorithms. To our knowledge, this system is the only machine learning-based documentation utility for clinical notes deployed in a live hospital setting, and it reduces keystroke burden of clinical concepts by 67% in real environments.

研究动机与目标

• 为减少电子健康记录（EHR）中临床医生的文档录入负担，目前该负担已超过与患者相处的时间。
• 解决临床笔记内容非结构化、模糊且充斥术语的问题，这些问题会妨碍可读性并阻碍机器学习应用。
• 开发一种可部署的实时系统，在书写笔记时基于分诊信息和过往笔记的上下文特征，建议标准化的临床概念。
• 通过在临床决策点使用标准化词汇表（如UMLS）对概念进行标记，自动结构化临床笔记。
• 为未来机器学习应用创建前瞻性、高质量的临床概念标注数据集。

提出的方法

• 该系统使用在临床笔记和EHR数据上训练的分层语言模型，基于上下文预测下一个相关的临床概念。
• 利用浅层神经网络确保低延迟推理，实现实时建议且不会在客户端造成显著延迟。
• 输入特征包括分诊信息和过往医疗笔记，这些信息被编码以表示患者的上下文用于预测。
• 建议的概念被映射到标准化的医学词汇表（UMLS），以确保语义一致性和消歧义。
• 系统支持将标记后的概念自动插入多个部分（如既往病史），以减少重复输入。
• 当作用域检测失败时，使用手动触发机制，确保即使在上下文不完整的情况下仍具可用性。

实验结果

研究问题

• RQ1 能否使用轻量级的实时机器学习模型，在EHR文档过程中有效建议临床相关的标准化概念？
• RQ2 上下文自动补全在真实临床工作流程中能在多大程度上减少打字负担？
• RQ3 实时标记临床概念是否能改善临床笔记的结构化程度和机器可读性？
• RQ4 模型在医疗史稀疏或缺失的患者中泛化能力如何？
• RQ5 系统能否根据笔记中已标记的术语动态更新建议？

主要发现

• 在真实医院环境中，该系统将临床概念的打字负担减少了67%，显著缩短了文档时间。
• 即使在数据稀疏的情况下，仅使用少数关键特征（如患者病史表示）即可实现高性能。
• 系统通过映射到标准化的UMLS概念，成功对多义术语（如“MS”表示多发性硬化症与二尖瓣狭窄）进行消歧义。
• 该工具实现了已标记概念（如疾病）在笔记相关部分的自动传播，减少了重复数据录入。
• 该系统在真实医院环境中展示了可行性，是首个在该环境中部署的基于机器学习的文档辅助工具。
• 消融研究证实，仅需极少的特征工程即可实现优异性能，降低了对复杂数据填补的依赖。