text

Технологии распознавания речи в сфере здравоохранения: применение, особенности внедрения, возможности

  • 4 сентября 2018
  • 94
Руководитель проекта KMS Lighthouse, DIS Group
DIS Group предлагает решения в области управления данными, бизнес-аналитики, защиты информации на базе технологий признанных мировых лидеров: Informatica, KMS Lighthouse и других.

В сфере медицинских технологий один из востребованных сейчас инcтрументов, облегчающих деятельность врача, - это технологии распознавания речи. Как он реализован в работе и какие возможности открываются перед персоналом клиники – в нашей статье.

Технологии распознавания естественной человеческой речи (NLP) позволяет идентифицировать, структурировать и анализировать информацию, которая сформулирована в виде естественной человеческой речи. При этом источник информации не очень важен. Информация может быть представлена в любой форме (например, в виде записи в медицинской карте или рентгеновского снимка).

С повышением возможностей текущих решений NPL приобретает всё большую популярность. Отчет MarketsandMarkets за 2018 год указывает, что рынок NLP до 2021 года вырастет на 16 процентов (более чем на 16 миллиардов долларов). Такие вендоры как NEC, Microsoft Corporation, IBM вкладываются в развитие своих решений в этой области.

Организации здравоохранения могут использовать обработку естественного языка для улучшения качества предоставляемых услуг, оптимизации своих рабочих процессов и повышения качества лечения пациентов.

Распознавать образы

Умение технологий распознавания речи структурировать информацию сделало это решение крайне востребованным в областях, насыщенных большими объемами неструктурированных данных. Примеры неструктурированных данных: электронная почта, информация из соцсетей, данные XML, файлы видео-, аудио- и изображений, данные GPS, спутниковые изображения.

В медицине сейчас развивается применение NLP для анализа томографий, других снимков и изображений.

Распознавать тексты

Организации здравоохранения могут использовать решения с применением NPL для распознавания медицинских текстов, которые тоже в каком-то смысле представляют собой неструктурированные данные. Структурирование медицинских карт, научных статей, описаний болезней, клинических рекомендаций и так далее существенно упростит доступ к информации и повысит качество работы медицинских организаций.

ВАЖНО!
Стоит понимать, что сейчас 80% информации даже в электронных медицинских картах не структурированно (информация The Huffington Post). Например, в Единой медицинской информационно-аналитической системе (ЕМИАС) заведено более 6,3 млн. электронных медицинских карт москвичей. Эти карты также ждут того, чтобы данные в них были структурированы.

К сожалению, применение технологий распознавания речи для многих задач потребует сложных нестандартных алгоритмов распознавания. Например, типовые решения не в состоянии распознать динамику развития болезни из неструктурированного описания истории болезни. Пока даже специализированные решения серьезных вендров демонстрируют ограничения в работе и справляются с ограниченным набором текстов.

Распознавать запросы пациентов

Запись на прием, уточнение адреса, ответ на вопросы про акции и стоимость, первичный сбор анамнеза – типовые задачи. Их сейчас чаще всего решают выделенные специалисты по телефону или при личном общении c пациентом. От скорости и качества взаимодействия зависит отношение пациента к медицинской организации.

Но справиться с такими задачами может и чат-бот в мессенджере или на сайте. Более того чат-бот сделает взаимодействие с пациентом эффективнее и ускорит решение его проблем. Первое, что должен уметь делать чат-бот, – преобразовывать вопрос клиента в структурированный вид с помощью NPL. После этого он переводит этот вопрос во внутренний запрос в базу знаний (базу контента компании). На базе этого запроса бот получает информацию для ответа и потом переводит этот ответ в речь. Обработка естественного языка (NLP) – это важный элемент общения бота и человека. Но несмотря на значительный прогресс таких решений, ботам по-прежнему нужна база знаний для качественных ответов. Именно она в итоге определяет тот уровень интеллекта, который может показать бот.

Само по себе внедрение единой системы управления знаниями для операторов колл-центра и чат ботов уже повышает качество обслуживания в медицинский заведениях, повышает допродажи услуг, сокращает операционные траты компании. Так, Тель-Авивский медицинский центр Сураски после внедрения такой системы повысил качество обслуживания на 15%, на 8% увеличил продажи новых услуг центра. Отдельно укажу, что этот центр – один из крупнейших и наиболее прогрессивных центров здравоохранения Израиля. У него 170 амбулаторных клиник, 4 больницы, штат в 6 000 сотрудников.

Естественно, NLP применяется и для распознавания устной речи, например, в голосовых помощниках. Такие помощники могут отвечать на те же запросы, что и чат-боты, но голосом.

Как и боты, голосовые ассистенты могут отвечать на вопросы пациентов о типичных заболеваниях, помогать выбрать необходимые анализы, записаться на приём. Всё, что для этого требуется, – подключить помощника к базе знаний. Такое решение позволит сократить количество входящих звонков в колл-центрах и регистратурах и поможет сэкономить клинике на операционных затратах. А медицинский персонал будет избавлен от монотонной работы.

ВАЖНО!
Важная задача, которую в будущем сможет выполнять голосовой помощник, – собирать первичный анамнез. На это при общении с пациентом в среднем уходит 60% времени доктора. В это же время ¾ людей, согласно опросам, предпочитают голосовое общение любому другому способу общения и сбора информации.

Голосовой помощник избавит доктора от рутинной работы и снимет с него нагрузку. Медицинские организации смогут экономить за счёт более эффективного использования времени высококвалифицированных специалистов. Голосовые ассистенты Google, Amazon, Apple, Яндекс становятся всё популярнее. Перемещение таких помощников в умные колонки открывают новые возможности для бизнеса.

Например, уже сейчас в большинстве медицинских учреждений установлены специальные терминалы – инфоматы. Они помогают записываться к врачу и посмотреть расписание работы разных специалистов. Но зачастую пациентам сложно разобраться в работе таких инфоматов, найти в них нужную информацию. Многие из пациентов – люди зрелого возраста, зачастую далекие от новинок техники, привычные к общению голосом.

Единственным выходом из этой ситуации до недавнего времени было выделение дополнительного медицинского сотрудника для помощи пациентам при работе инфоматами. А это сильно снижало пользу от введения такой технологии.

При этом недавно целый ряд компаний начали производить умные колонки с голосовыми помощниками на русском языке. (Например, «Яндекс. Станция» с голосовым ассистентом Алисой). Такие колонки можно подключить к базе знаний компании. В России подобными решениями занимается KMS Lighthouse. Так, интеграцию «Яндекс. Станция» можно провести через «Яндекс. Диалоги». После интеграции Алиса сможет делать всё то же, что делают сейчас информанты в клиниках, но голосом.

Объединение голосовых технологий, базы знаний и инфоматов позволит создать полноценного помощника. Пациентам будет удобнее с ним работать. Участие медицинских сотрудников для решения всех типовых вопросов не потребуется.

Мы в соцсетях
Сайт использует файлы cookie. Они позволяют узнавать вас и получать информацию о вашем пользовательском опыте. Это нужно, чтобы улучшать сайт. Посещая страницы сайта и предоставляя свои данные, вы позволяете нам предоставлять их сторонним партнерам. Если согласны, продолжайте пользоваться сайтом. Если нет – установите специальные настройки в браузере или обратитесь в техподдержку.