人机大战？是的，自从有了“人工智能+医疗”的概念，可能你已经听到无数次这个词了。就像演唱会一样，每年都会有公司举办一些作秀性质的PK大赛。于是，医生反感了、企业腻味了，行业还是各就各位。
然而，最近就有那么有一家“头铁”较真的AI公司，联合上海儿童医学中心（国家儿童医学中心主体建设单位之一），用试验证实了在科研数据收集方面，人工智能+医生的确要强于医生人工的方式提取数据。不过，他们的目的可不是为了作秀，宣扬AI超越了人类，而是利用严谨的RCT研究方法来告诉医生，你或许真的需要那么一款AI产品，因为用它做科研，就像电动牙刷一样便捷好用。
自然语言处理（NLP）技术的的发展，为医生更好地使用非结构化EMR数据提供了新的技术途径。近几年，医疗界逐渐认可了使用NLP技术从临床文本中获取价值信息用于定位符合准入标准的患者或进行大规模的数据抽取和分析的方式。
不过令人诧异的是，NLP在国内医院被使用已四年有余，但此前还从未有机构应用严谨的方法和数据科学地证实过这点。本次研究，恰好填补了这项空白。
如今，他们将这一研究成果发表在了国际医学信息学专业SCI期刊JMIR Medical Informatics,2019, 7(3): e13331（影响因子:3.188）上。在与森亿智能技术负责人深入交流后，动脉网不仅对论文核心内容进行了梳理，更进一步发掘了NLP在临床数据录入之外的价值。
效率、准确度都更高
本次研究邀请专业的临床研究的方法学专家参与设计，并且邀请到了医学信息学领域的国际知名权威专家参与前期设计。采用随机对照双盲临床试验，招募了24名具有临床医学背景的研究人员作为志愿者参与研究。
作为试验的技术支持方，医疗AI公司森亿智能还特意为志愿者开发了一款基于i2b2标准的信息提取系统（NLP-MIES）。通过这套系统，医生无需填鸭式地输入数据，只需对已有预设进行确认及更正，省去了依次录入数据的时间。
自然语言处理医学信息提取系统的工作流程为了尽可能保证试验的科学、严谨性，上海儿童医学中心在试验开始前，会对所有志愿者进行统一培训，以确保他们都会使用NLP-MIES和eCRF（电子临床试验数据收集表）应用进行数据录入。在签署书面知情同意书之后，志愿者会被随机分配到人工组和NLP-MIES支持的小组中，正式开始试验过程。
随机对照双盲临床试验现场另外，每位志愿者都配备了一台笔记本电脑，并要求在试验规定时间内完成所有的数据录入。基于种种设计，试验完整模拟了一个真实世界的eCRF填写过程，从而确保试验过程能够证实NLP技术可以提高科研数据收集的效率。试验结果如下表所示：
结果显示，一名医生从头到尾录入一份病历，平均需要73.28-103.79秒，AI结合人工则仅需49.42-69.73秒；并且，纯医生的准确性是84.21-90.42%，纯AI是84.15-92.77%，AI结合人工校验则是92.19-97.17%，相对于人工组，AI组先心病和肺炎准确性分别提升了15%和18%，消耗时间减少了31%和33%。简单一句话总结：医生用AI收集数据，更快速、更准确！
从量变到质变的场景跃迁
一项技术能够应用的场景范围，往往和它发展的成熟度有关，这是一个从量变到质变的过程。
以目前大热的5G为例，正是因为华为公司5G技术成熟所带来的网络速度的跃迁式发展，因此激活了不少过去难以实现或者体验较差的医疗场景化应用。如：无线监护、远程实时会诊、无线手术示教、远程机器人超声和内窥镜检查等等。
再比如人工智能领域的计算机视觉，当人脸识别技术突破了之后，AI便能识别视频里的人的动态，进而预测各种行动轨迹。阿里巴巴通过其实现了人脸支付，进而出现了无人监管的自助超市和餐厅等新兴实体。这是人脸识别技术未突破前，难以想象的应用场景。
如今，森亿智能的NLP技术也已经过了三年的打磨。它能像医生一样读懂病历的同时，将医学文本、病历等文字数据高效结构化，从而满足科研之外的种种诉求。因为当医院获得了解析医院文本数据的能力，就能激活各种分析模型，做到很多之前用信息系统做不到的事情。
对此，作为论文通讯作者的上海儿童医学中心生物样本库主任刘世建也表示，NLP的应用不止于科研，因为把数据抓取出来只是第一步，医生更看重临床数据的利用，例如卫健委电子病历评级中基于AI的临床辅助决策系统（CDSS），便是很好的应用案例。这类系统今后可以辅助临床医生进行临床决策，帮助医院规范临床路径，应用前景广泛。
或许正如森亿智能CEO张少典所言：“一项技术成功的标志在于你在使用它，但并不会感受到它的存在，就像春雨一般，润物细无声，没人会因此感到奇怪。人工智能也能像互联网技术一般，隐含于医生的工作流程中，真正成为医生的伙伴。”
在未来的医疗场景中，AI终将会无处不在。
