Fujitsu Aplica IA para Automatizar a Codificação de Notas Médicas

Os Fujitsu Laboratories of Europe trabalham de perto com parceiros inovadores no sector da prestação de cuidados de saúde, entre os quais o Hospital Clínico San Carlos, em Madrid, colaborando numa série de projectos clínicos bem-sucedidos nos últimos 4 anos. Julio Mayol, Chief Medical Officer, explica a importância desta abordagem de co-criação de uma perspectiva médica: “Estamos sempre em busca de novas formas de melhorar a tomada de decisões clínicas e o nosso trabalho com os Fujitsu Laboratories of Europe ajuda-nos a concretizar avanços importantes que melhoram a eficiência. A maior parte dos sistemas de EHR actualmente disponíveis não cumpre os requisitos da relação médico/paciente. Aliás, o uso de EHR tem sido directamente associado ao burn-out dos clínicos, como demonstram vários estudos. Com novas tecnologias como esta recente tecnologia de text mining por AI da Fujitsu, podemos abordar estes desafios directamente e alcançar melhorias tangíveis no processo de tomada de decisões clínicas.”

Adel Rouz, Chief Executive Officer dos Fujitsu Laboratories of Europe, acrescenta: “A nossa estratégia de co-criação com parceiros como o Hospital Clínico San Carlos forneceu-nos informações importantes acerca dos desafios que o sector dos cuidados de saúde enfrenta, sobretudo em termos de apoio à tomada de decisões clínicas. Temos tido sucesso na criação de várias inovações importantes que já estão a fazer a diferença no fluxo de trabalho dos profissionais de medicina. Este recente avanço é mais um passo para ajudar a melhorar o rigor dos dados clínicos e automatizar a sua digitalização para os hospitais, as empresas de seguros médicos e as instituições governamentais. Acreditamos que a nossa tecnologia tem aplicações mais vastas e pode ser facilmente adaptada para resolver desafios similares noutros domínios, como os seguros, a justiça e a conformidade.”

A informação estruturada desempenha um papel essencial na tomada de decisões médicas e na melhoria da prestação de cuidados de saúde. Todavia, como os clínicos têm cada vez menos tempo directo com os pacientes, a exigência de uma introdução de dados imediata nos sistemas EHR representa um grande fardo adicional. Ao permitir métodos de introdução de dados mais flexíveis, como uma narrativa de texto livre associada a um relatório sobre o paciente, este custo pode ser reduzido ao mesmo tempo que permite que os clínicos registem dados mais úteis e adequados do paciente. Utilizando técnicas NLP com provas dadas, esta solução colaborativa dos Fujitsu Laboratories e dos Fujitsu Laboratories of Europe responde directamente a esta necessidade, extraindo automaticamente a informação estruturada exigida pelo sistema EHR a partir do texto de narrativa livre dos médicos. Utilizando deep learning, a solução pode ser novamente treinada para corresponder às necessidades individuais de um clínico, possibilitando uma flexibilidade adicional quando comparada com as limitações associadas às complexas regras linguísticas utilizadas por muitos sistemas de codificação existentes para identificar os termos correctos a partir de texto livre. O resultado é um elevado grau de precisão, bem como a capacidade de extrair uma maior selecção de termos relevantes do que apenas a dos códigos da Classificação Estatística Internacional de Doenças e Problemas Físicos Relacionados (ICD), relacionados com adesão a tratamentos ou dados de background social.

A solução de text mining por AI da Fujitsu aplicada aos cuidados de saúde explora o text mining a par de técnicas de Deep Learning no processo de codificação médica, evitando a dependência de enormes conjuntos de dados pré-anotados. A abordagem da Fujitsu compreende duas componentes essenciais:

• criação de uma base de conhecimento: um gráfico de conhecimento é desenhado para representar as classificações médicas, sendo enriquecido semanticamente com recursos externos. Este enriquecimento semântico fornece contexto adicional às classificações médicas, traduzindo-se em resultados melhorados nas sucessivas fases do processo. Ontologias e técnicas de incorporação de palavras são usadas para o enriquecimento semântico.
• reconhecimento e atribuição: envolvendo um processo de reconhecimento de termos médicos que utiliza Deep Learning, seguido pela definição de fórmulas de classificação ponderada para calcular a codificação potencial das notas clínicas.