Comment les moteurs NLP remplissent la promesse de l’IA dans les soins de santé

Dans un monde idéal, l’industrie de la santé serait l’arène idéale pour libérer le potentiel de transformation de l’intelligence artificielle.

Les modèles d’IA sophistiqués nécessitent de grandes quantités de données pour apprendre, et les données de santé représentent près d’un tiers de toutes les données existantes. Néanmoins, toutes ces informations pourraient alimenter le développement d’algorithmes capables de détecter et de diagnostiquer des maladies, de prescrire des traitements préventifs et de remplir une myriade d’autres fonctions avec une rapidité et une précision bien supérieures à celles de l’équipe de médecins la plus qualifiée. Avec ce genre de promesse, ce pouvoir vaut sans aucun doute la peine d’être exploité.

Utilisations de l’IA dans les soins de santé

Dans certains cas, Le potentiel de l’IA a déjà été réalisé. Par exemple, des radiologues équipés d’outils alimentés par l’IA ont pu examiner et traduire des mammographies 30 fois plus rapide qu’ils ne le feraient autrement, avec une précision de 99 %. Alors naturellement, ces résultats ont suscité un énorme enthousiasme parmi les parties prenantes de l’ensemble de l’écosystème de la santé.

Cependant, la réalité actuelle est que la plupart des organisations de soins de santé ne disposent pas de l’infrastructure ou des capacités de gestion des données nécessaires pour former suffisamment d’algorithmes pouvant être déployés de manière fiable dans un environnement clinique.

De plus, le complexe, nature fragmentée de l’industrie et les incitations mal alignées qui soutiennent le statu quo ont encore entravé l’innovation technologique et créé des barrières qui n’existent tout simplement pas dans d’autres secteurs. Pourtant, le potentiel de transformation demeure.

Recherche de solutions

Bien qu’il existe encore d’énormes obstacles au déploiement de l’IA en milieu clinique, les obstacles ne sont pas aussi importants pour les autres cas d’utilisation. L’un des plus prometteurs d’entre eux concerne le domaine du codage médical, en particulier en ce qui concerne l’ajustement au risque. Cependant, comme la quantité de données de santé continue de croître de façon exponentielle, les codeurs médicaux resteront en forte demande et en pénurie.

Heureusement, les outils d’IA équipés de capacités de traitement du langage naturel peuvent aider à alléger certaines des charges de codage, permettant aux plans de santé de surmonter le manque croissant de talents tout en améliorant la vitesse et la précision du codage.

À l’heure actuelle, de nombreuses organisations qui s’appuient uniquement sur des équipes humaines (souvent en sous-effectif) ont tendance à considérer la vitesse et la précision comme étant inversement corrélées. Cependant, un bon moteur AI/NLP ne les obligera pas à sacrifier l’un pour l’autre.

Accélérer le codage

Utiliser l’IA pour accélérer le codage médical donne plus de temps aux codeurs humains pour corriger les erreurs coûteuses, en augmentant la précision et en permettant potentiellement aux installations de diriger davantage de ressources là où elles sont le plus nécessaires.

La PNL a considérablement progressé au cours des cinq dernières années. Et les outils de codage qui exploitent sa technologie augmentent la précision des codes et résolvent le problème du surcodage en supprimant les codes qui ne devraient pas être là.

À première vue, ce type d’application peut sembler relativement banal, mais ses implications pourraient en effet être révolutionnaires pour les plans de soins de santé, les prestataires et les patients.

Le besoin de vitesse

La lenteur du codage médical a longtemps été un point sensible pour les plans de santé. Cela peut prendre des semaines, des mois, voire des années pour examiner et traiter manuellement les notes du graphique afin d’identifier les informations pertinentes. De plus, les patients souffrant de maladies en cours ou chroniques ont besoin d’un traitement pendant que les plans de santé et les prestataires s’efforcent d’identifier les codes de catégorie de condition hiérarchique (HCC) les plus précis.

De nombreux plans utilisent des examens de dossiers simultanés et rétrospectifs pour traiter ces conditions au cours de la même année civile. Pourtant, comme les données sur les soins de santé volume, variation et complexité augmentent, de meilleures solutions sont absolument nécessaires. C’est pourquoi de plus en plus d’organisations se tournent vers la PNL pour rechercher, analyser et interpréter rapidement des ensembles de données patients volumineux.

Faciliter les flux de travail

Les moteurs AI/NLP transforment l’expertise du codeur médical en un atout plus utile pour les plans de soins de santé en permettant à ces professionnels de se concentrer sur un travail plus significatif (comme repérer des tendances et des modèles inhabituels dans les données).

Au fur et à mesure que les codeurs se familiarisent avec les outils basés sur l’IA, leur vitesse de codage continuera d’augmenter au fil du temps, réduisant ainsi le coût de codage d’un graphique et rendant ces employés humains de plus en plus précieux pour leurs organisations.

Aucun être humain ne peut se souvenir de tous les codes hiérarchiques des catégories de condition (qui se sont rapidement développés au cours des dernières décennies). Pourtant, avec l’aide de l’IA, les équipes humaines peuvent faire correspondre plus rapidement un code à sa condition correspondante.

Le coût de la complaisance

En revanche, les organisations qui continuent de s’appuyer sur des outils de codage traditionnels rencontreront davantage les mêmes obstacles qui ont tourmenté le secteur pendant des années. Étant donné que plus de 9 500 codes ICD-10 correspondent à environ 80 HCC, les codeurs médicaux qui ne peuvent pas compter sur les capacités de recherche améliorées par la PNL sont beaucoup plus susceptibles de manquer des codes.

Les dossiers médicaux NLP utilisant des algorithmes d’apprentissage automatique peuvent même découvrir des maladies qui n’auraient peut-être pas été codées auparavant, une caractéristique essentielle pour faire des découvertes sur les maladies HCC.

De plus, l’attribution manuelle de graphiques aux codeurs peut être coûteuse du point de vue de la gestion et complique la mise à l’échelle des projets pour de grandes équipes.

Cela désavantage également les codeurs : sans priorisation NLP, ils doivent parcourir manuellement les graphiques, ce qui entraîne souvent de la fatigue et de l’épuisement professionnel. De plus, étant donné que les outils traditionnels n’offrent généralement que des capacités de reporting limitées, les équipes qui les utilisent continueront à avoir des difficultés avec la supervision des projets et la gestion des performances.

Exploitez des algorithmes avancés

Parce qu’ils peuvent exploiter des algorithmes avancés, les moteurs d’apprentissage automatique et de TAL peuvent aider les équipes à recueillir des informations et des concepts pertinents à partir de données précédemment considérées comme enfouies sous forme de texte.

En donnant la parole aux données non structurées, ces outils peuvent mieux comprendre la qualité des données, l’amélioration continue des processus, une précision accrue de l’ajustement des risques et de meilleurs résultats pour les patients.

Un mot d’avertissement

Comme toute technologie émergente, les moteurs NLP ne sont pas une panacée. Sans formation suffisante, ils pourraient manquer des codes précieux, et la réalité est que de nombreux outils de codage NLP sont formés sur un nombre limité de dossiers médicaux. En conséquence, ils ont tendance à lutter avec des conditions moins courantes et des formats de dossiers médicaux électroniques.

De plus, la plupart des outils NLP disposent toujours d’une interface utilisateur qui n’est tout simplement pas optimisée pour répondre aux besoins des codeurs. Ce n’est pas un problème mineur, car une interface utilisateur mal conçue peut amener les codeurs à perdre le contexte autour des notes cliniques et à faire des erreurs supplémentaires.

L’efficacité de ces outils dépend également en grande partie des flux de travail conçus autour d’eux.

Les outils de codage NLP conçus avec une approche unique ne parviennent généralement pas à prendre en charge les flux de travail qui ne sont pas uniquement associés à l’ajustement des risques. Par exemple, la plupart ne fournissent pas de fonctionnalités permettant l’audit du travail des fournisseurs. Par conséquent, les outils NLP qui privilégient la vitesse à la précision manqueront des codes et exposeront les organisations à des problèmes de conformité et au risque de perte de revenus.

Selon une étude de CMS, 80 % des paiements abusifs proviennent d’un codage inexact ; ces paiements abusifs peuvent entraîner des accusations de fraude qui pourraient coûter trois fois plus qu’une fausse déclaration, faisant de l’exactitude un impératif financier pour les organisations de soins de santé.

Le choix de la vitesse a tendance à entraîner la soumission de codes incorrects, ce qui a un effet domino, car des paiements inférieurs ou des audits de validation des données d’ajustement des risques encombrent finalement le plan de santé, et donc sa capacité à soutenir la santé des patients.

Propulser le progrès

Lorsqu’ils sont bien conçus et correctement mis en œuvre, les moteurs AI/NLP peuvent accélérer et accélérer le codage médical. Ils permettent aux codeurs d’atteindre des vitesses de codage nettement plus rapides tout en réduisant les cas d’erreur humaine et la multitude de risques qui l’accompagnent.

En rendant le processus d’extraction d’informations des notes médicales et d’attribution de codes médicaux beaucoup plus efficace, ces outils accélérer la facturation et veiller à ce que les organisations qui les déploient puissent continuer à soutenir la santé des patients à l’avenir.

Crédit image : fourni par l’auteur ; Merci!