改善通用醫療編碼：舊金山的新創公司使用人工智慧來自動執行醫療編碼作業

改善通用醫療編碼：舊金山的新創公司使用人工智慧來自動執行醫療編碼作業

眾所皆知，醫生的筆跡就跟鬼畫符一般，根本看不懂，但其實最神秘的是醫療編碼，也就是在這個編碼的過程中，把醫師寫下的內容變成一組代表各項診斷和醫療處理內容的字母數字代碼。

全球有百餘國使用這套系統，在美國尤為重視編碼的準確性，原因在於醫生、診所與醫院向保險公司及病人發出的帳單，均以這項醫療編碼為基礎。

在美國改編世界衛生組織制定的《國際疾病分類表》中，使用了超過15萬個醫療代碼。

像是行人輕型貨車撞傷事故的診斷代碼？答案是 V03.10XA。第二型糖尿病的診斷代碼呢？答案是 E11.9。醫生可能做的每個動作，也都有設下一套醫療處理代碼，比如說對傷者斷掉的右前臂打上石膏，代碼是 2W3CX2Z，或者在冠狀動脈中植入心律調節器，代碼為 02H40NZ。

在醫生每次約診或是執行完某項醫療處理之後，醫生對於這些互動的摘要都會轉換成醫療代碼。由人類來做這件事的時候，無論是在醫療機構還是在私人組織內，通常要花上兩天或更長時間來製作病歷編碼。有了由 GPU 加速的自然語言處理人工智慧，只要幾分鐘或幾秒鐘便能完成。

總部位於舊金山的 Fathom 正在開發多款深度學習工具，在提高準確度的同時，又能自動完成這些耗時煩人的醫學編碼作業。這間新創公司的工具有助於解決訓練有素臨床編碼人員短缺的問題、提高出帳速度和精確度，也讓真人編碼人員可以將心力放在更複雜的病歷個案與後續查詢上。

「不時你得回頭去找醫生，問他們到底寫些什麼鬼東西。有時候時間拖太久，醫生也不記得他寫了些什麼。」Fathom 的共同創辦人暨技術長 Christopher Bockman 說，而 Fathom 也是 NVIDIA Inception 虛擬加速器計畫的成員之一。

Fathom 使用 Google Cloud 裡的 NVIDIA P100 及 V100 Tensor Core GPU，對該公司的深度學習演算法進行訓練和推論作業。成立於2016年的 Fathom，現與美國多間最大規模的醫療編碼公司合作，代表每年要處理超過兩億件的病患接觸紀錄。該公司的工具可以將人類花費在醫學編碼上的時間減少九成之多。

破解醫師的字跡

在醫生執行完約診、急診室就診或手術後，醫療保健服務提供者便會把他們的手寫內容打字輸入電腦，說明與患者間的互動情況。雖說是有標準化的格式，每間醫院、約診或醫療處理類型，以及醫師是在與患者互動的過程中還是結束後才寫下這些紀錄，內容都會有所出入。

醫療編碼人員需要理解這種非結構式文字，將每一項檢測、治療及醫療處理按照編碼表進行分類。寫好代碼後，醫療服務提供者的帳務部門就會將報告轉成發票，以便向保險公司和患者請款。

對人類或人工智慧來說，這都是一項極為紊亂的作業。多項研究指出，人類編碼員對重大案例達成共識的次數不到三分之二。研究發現半數以上的病歷存在著編碼錯誤的情況。

Bockman 說：「我們所面臨的難題是，這些醫生寫下的字跡差異性極大。雖然業界有在推動標準化作業，這又讓醫生在工作時感到綁手綁腳。人類的健康情況千奇百怪，不容易找到一種適用於各種情況的格式。」

編寫一套人工智慧來協助進行醫療編碼

如同一般機器學習問題的醫學編碼，同樣有著多標籤分類與序列到序列自然語言處理這兩項任務的元素。一個有效的人工智慧必須看懂醫師的筆跡文字，以及使用依據正確順序整理好的診斷與醫療處理列表，準確加上標籤，以便後續進行出帳作業。

Fathom 利用 NVIDIA 的 GPU 優化版 BERT（BERT 是一款頂尖的自然語言理解模型）等工具來因應這項挑戰。該團隊使用了 TensorFlow 深度學習框架，靠著 Tensor Core 提供的混合精度訓練來加快大規模處理大小不一的醫學文件。

Fathom 使用 NVIDIA GPU 進行推論作業，便能輕鬆將執行能力擴大到每小時可處理數百萬件醫療接觸內容。

Fathom 的共同創辦人暨執行長 Andrew Lockhart 表示：「降低成本很重要沒錯，但對我們的客戶來說，這麼做就像是立即在其業務活動中加入數千名醫療編碼人員，將帶來莫大的改變。」

研發團隊靠著 Google Cloud 上的 NVIDIA GPU，便能按照需求擴大或縮小使用量。

「我們的需求非常吃緊。」Bockman 說，他指的是團隊不斷變動的運算工作量。「有時候，我們要試著對同一個龐大模型的不同變化版本再次進行訓練，而有時候要進行大量實驗，或者只是要進行推論作業，在這些情況下，或許要用到一個或幾十個 GPU。」

Bockman 說他們會選擇使用 Google Cloud，有部分原因是預設情況下資料是加密的，如此一來便能遵守《健康保險可攜與責任法》（HIPAA）及服務組織控制報告（SOC）2的隱私權要求之一。

Bockman 表示目前醫師的手寫紀錄主要是用在醫療編碼上，不過要是解開這些健康紀錄裡的資訊，或許能用在帳單和報帳之外更多的用途上。

人工智慧可以大規模地快速準確分析病歷及約診紀錄，協助醫師發現患者身上可能錯過的疾病、預測可能的治療結果、建議治療方案，甚至找出有希望的患者進行臨床試驗。