在一個龐大的醫療保健組織裡，就算對工作流程稍做調整，也能大幅提升工作效率，代表醫療保健服務提供商可以降低成本，也能更快提供更優質的照護服務給患者。
UnitedHealth Group 是美國最大的醫療保健公司之一，開始使用有著 GPU 助力的人工智慧技術來協助改善工作流程和提升工作效率。UnitedHealth Group 的兩名人工智慧開發人員上個月在 GPU 技術大會上的一場演講活動裡，分享了該集團如將深度學習用在從醫療程序事前授權到電話轉接等多種用途上。
「解決這些問題需要用到極為龐大的資料集。深度學習有能力解析大量資料，極為適合用來解決其中部分難題。」UnitedHealth Group 醫療服務平台 Optum 的資深傑出工程師 Dima Rekesh 說。
Rekesh 表示人工智慧要能派上用場的難題，在於錯誤率要夠低。「你開發出一個模型，精準度要跨越一個門檻值，到你能信任它的程度，再到對於某個人來說能產生愉快使用體驗的程度，無論這個人是客服中心的代表，還是查看模型預測結果的醫療專業人員。」
他說深度學習模型可以滿足那麼高的標準。
Optum 的首席資料科學家暨傑出工程師 Julie Zhu 說。「人工智慧解決方案其實不僅影響著我們的營運成本，也影響著患者服務。我們可以更快做出決定、提供患者更準確的治療建議，也能更早檢測出疾病。」
Optum 現在使用著多個 NVIDIA GPU，包括一個 V100 GPU 叢集和 NVIDIA DGX-1，以支持其深度學習的研究工作。
這個程序已經獲得人工智慧的許可
在進行某個醫療程序或開立處方前，醫療保健服務提供者通常需取得事前授權，或先取得患者保險方案的批准。Optum 目前一年要花上數百個人工小時及數百萬美元的費用，以人工方式進行取得許可的程序。
除了檢查患者的保險方案是否有給付治療金額，醫療保健服務提供者還必須從多個來源收集資訊，以確認特定患者是否一定要接受手術或服用特定藥物。通過深度學習模型，最終可以自動做出上述多數決定。
Julie Zhu 跟她的同事正在開發可以即時進行事前授權的神經網路。這項人工智慧神經網路現處於正式生產環境，並且按照人工作業流程進行基準測試。
該團隊發現其深度學習模型在處理大量病例時，表現遠優於傳統的機器學習模型。
「一年要處理一百萬件病例時，差別就真的很大。」Julie Zhu 說。UnitedHealth Group 提供醫療保健服務給為 1.26 億人和美國八成的醫療院所。「即使在準確度方面只有提升一點點，也會造成巨大的影響。」
電話線另一頭的深度學習
每天有超過一百萬人打電話給 UnitedHealth Group。與任何大型組織一樣，自動語音接聽系統會先接聽來電者的電話，電話分機系統則是提示「按1以轉接給急診室」或「按6以轉接給放射科」。
可以用深度學習來簡化這個過程。
UnitedHealth Group 在電話系統裡加入人工智慧，便能使用自然語言處理模型來瞭解來電者想找些什麼和自動接聽，或是把電話轉到正確部門或客服代表。
Rekesh 正忙著開發能夠完成這些任務的神經網路，目標是縮短通話時間，以及將患者與客服代表連接起來，以便更快接聽電話。他為此使用了 OpenSeq2Seq，這是一套由 NVIDIA 研究人員開發出用於自然語言處理及語音辨識的開放源碼工具套件。
「在自然語言處理領域裡，深度學習是唯一的選擇，其它辦法的準確度都不夠。」他說。
深度學習模型也能用於簡化在電話中驗證患者身份的過程。加入人工智慧技術的使用介面可以協助客服代表一邊講電話，一邊在電腦螢幕上取得患者病歷紀錄或提供建議。
Optum 打算在今年底前部署上述部分深度學習模型。該組織還致力於開發多項神經網路工具，以對多種疾病進行預測和偵測醫療理賠欺詐活動。