L’interopérabilité est en train de se produire – Pourquoi le traitement du langage naturel en est une partie si essentielle

Environ 80 % des données cliniques se trouvent sous une forme non structurée ou semi-structurée dans les sections de notes des dossiers de santé électroniques. Le traitement du langage naturel peut “lire” ces notes et extraire des informations sans fatigue.

Les payeurs doivent avoir accès à des informations précises sur les membres pour attribuer avec précision les risques, piloter des modèles prédictifs de santé de la population et identifier les lacunes en matière de soins. Mais trop souvent, leurs efforts sont entravés parce que les données cliniques sont incomplètes et fragmentées.

Alors que les organisations de soins de santé s’efforcent de se conformer aux exigences d’interopérabilité du cadre d’échange fiable et de l’accord commun du Bureau du coordonnateur national des technologies de l’information sur la santé (TEFCA), les payeurs ont un rôle à jouer pour influencer et bénéficier d’une meilleure interopérabilité.

Avec les récentes modifications apportées à la définition des informations électroniques sur la santé (EHI) entrées en vigueur le 6 octobre 2022, le volume et la variété des données de santé qui peuvent désormais se retrouver à la porte des payeurs sont plus importants que jamais. Les hôpitaux, par exemple, produisent 50 pétaoctets de données par ancomprenant des notes cliniques, des tests de laboratoire, des images médicales, des lectures de capteurs, des données génomiques et opérationnelles et financières. Cependant, la plupart — 97 %, selon le Forum économique mondial — ne sont pas utilisés,

Un défi supplémentaire découle du fait que jusqu’à 80 % des données cliniques se trouvent sous une forme non structurée ou semi-structurée dans les sections de notes des dossiers de santé électroniques (DSE). Les données non structurées sont souvent désordonnées et incohérentes. En conséquence, les utilisateurs ne peuvent pas accéder facilement aux informations critiques et les analyser via les méthodes de recherche conventionnelles. Il est donc difficile d’identifier les données essentielles liées à l’état de santé des membres, y compris les symptômes, la progression de la maladie, les facteurs liés au mode de vie, les résultats des tests de laboratoire, etc. Toutes ces données sont désormais potentiellement disponibles pour les payeurs et, avec la bonne stratégie, peuvent être utilisées pour améliorer les soins aux membres, combler les lacunes dans les soins et améliorer la précision des processus tels que l’ajustement des risques.

TEFCA et la pression pour un échange de données plus utile TEFCA, qui faisait partie de La loi sur les remèdes du 21e sièclelancé en janvier 2022. L’objectif est d’établir le modèle d’infrastructure technique et l’approche de gouvernance pour différents réseaux d’information sur la santé et leurs utilisateurs afin de partager en toute sécurité des informations cliniques entre eux, le tout selon des règles convenues d’un commun accord. Les prestataires de soins de santé et les payeurs qui fournissent des plans ou des services pour des programmes gouvernementaux tels que Medicare et Medicaid, sont spécifiquement inclus dans les mandats TEFCA. Cependant, la loi sur les cures prévoit que les nouvelles normes d’interopérabilité seront adoptées par tous les payeurs et fournisseurs.

L’objectif est de créer la prochaine génération d’interopérabilité des données électroniques de santé qui génère davantage d’échanges entre les organisations de soins de santé, les patients et les payeurs, rendant ainsi les données de santé plus largement disponibles pour améliorer les soins aux patients.

Mais pour les payeurs – et les prestataires – échanger des informations qui peuvent être facilement utilisées et interprétées par le destinataire est difficile car tant d’informations sur les patients sont enterrées sous forme de données non structurées. Heureusement, de nouvelles technologies sont désormais disponibles pour aider les utilisateurs à comprendre les vastes volumes de données non structurées sur les patients.

Comment le NLP améliore l’efficacité des payeurs

Par exemple, de plus en plus de payeurs remplacent aujourd’hui les recherches manuelles traditionnelles, chronophages et coûteuses, par des outils basés sur l’intelligence artificielle tels que le traitement du langage naturel (NLP) pour permettre l’analyse rapide de quantités massives de données sur les membres.

La PNL automatise la capacité humaine à comprendre un langage naturel, permettant l’analyse de quantités illimitées de données textuelles sans fatigue, de manière cohérente et impartiale. Essentiellement, la PNL permet aux ordinateurs de comprendre la signification nuancée du langage clinique dans un corps de texte donné, comme l’identification de la différence entre un patient qui fume, un patient qui dit qu’il a arrêté de fumer il y a cinq ans et un patient qui dit qu’il est essayer de quitter.

Avec les nouvelles exigences d’interopérabilité, les payeurs devront gérer plus de données que jamais auparavant. Pour assurer la préparation à l’interopérabilité et répondre aux autres exigences des payeurs, NLP est passé d’une technologie « agréable à avoir » à un outil commercial essentiel « incontournable ».

Considérez les trois cas d’utilisation ci-dessous qui montrent comment les payeurs tirent parti de la puissance du NLP pour augmenter l’efficacité opérationnelle. Notez que dans tous ces cas, les données des membres restent derrière le pare-feu du payeur et la technologie fonctionne.

Améliorer l’ajustement au risque

L’ajustement au risque est un processus essentiel pour s’assurer que les comorbidités des patients sont capturées par le biais de catégories d’état hiérarchiques, ou codes HCC, qui sont ensuite utilisés pour déterminer le financement approprié disponible pour les soins aux patients en fonction de leurs conditions spécifiques.

Un grand payeur a utilisé la PNL pour améliorer l’efficacité de ses révisions de dossiers, dans le but d’augmenter la précision de la capture du code HCC. Les équipes de révision des graphiques ont utilisé l’outil NLP pour rationaliser les flux de travail et améliorer la productivité. Plus précisément, l’outil a identifié les caractéristiques des codes HCC avec une précision de plus de 90 %, traitant des documents de 45 à 100 pages par patient. La technologie permet à l’entreprise de traiter des millions de documents par heure, une amélioration significative par rapport à l’examen manuel des dossiers.

Conduire des modèles prédictifs de santé de la population

Un important payeur a utilisé la PNL pour créer un modèle qui prédit le risque pour les membres de développer des ulcères du pied diabétique, qui, s’ils ne sont pas traités, peuvent entraîner des complications importantes et coûteuses, parfois même une amputation. Le modèle a parcouru le texte non structuré dans les dossiers des patients pour faire apparaître des indices qui signalent un risque d’ulcères du pied diabétique, y compris des données sur l’indice de masse corporelle, des facteurs liés au mode de vie, des commentaires sur les médicaments et des maladies du pied documentées.

Le modèle a permis au payeur d’améliorer la santé de cette population de patients, en identifiant 155 patients à risque qui pourraient être gérés de manière proactive. Cette identification se traduit potentiellement par des économies annuelles comprises entre 1,5 et 3,5 millions de dollars pour le payeur grâce aux amputations évitées.

Identifier les déterminants sociaux de la santé

Le principe 6 de la TEFCA stipule que les réseaux d’information sur la santé devraient adopter une approche d’équité en santé dès la conception. Une stratégie clé pour assurer l’équité en santé consiste à saisir une image précise des déterminants sociaux de la santé (DSS) des membres. Les facteurs SDOH comprennent des informations sur le logement, le transport et l’emploi. Ceux-ci ne se trouvent souvent que dans des sources non structurées, telles que les notes d’admission, de sortie et de transfert. Les informations SDOH sont souvent nécessaires pour d’abord identifier, puis combler les lacunes en matière de soins pour les membres.

La PNL fournit un mécanisme fiable pour présenter ces informations aux payeurs, leur permettant de fournir une équité en santé dès la conception.

Des données complètes et précises sur les membres sont essentielles pour les payeurs qui cherchent à optimiser leurs approches d’ajustement des risques, de modélisation prédictive et de réduction des écarts de soins. Cependant, avec les volumes toujours croissants de données disponibles, y compris les informations enfermées dans des enregistrements sous forme de texte non structuré, de plus en plus de payeurs se tournent vers une technologie améliorée par l’IA comme la PNL pour aider à développer des informations critiques qui augmentent l’efficacité.

Calum Yacoubian, MD, est directeur de la stratégie NLP pour IQVIA.

Leave a Comment