机器视觉中有众多的用例医疗保健行业，包括临床解决方案，如医疗成像和医疗诊断。也有可能在白领自动化，如医疗转录，这是其中之一我们的白领自动化面试中的主要面试话题与CognitiveScale执行主席。
也就是说，有一个不太常见的应用程序机器视觉在光学字符识别（OCR），其可以被用于数字化物理文档及其数据传输到数字存储诸如电子健康记录。
在本文中，我们确定了机器视觉和OCR软件在医疗文档数字化方面的可能性。我们强调哪些类型的数据可以数字化，这对医疗网络和医院意味着什么。
我们将解释如何从医疗文档中提取每种类型的数据可能是有用的。然后，我们讨论如何访问这可能是在医疗保健，以及如何必要，可以成为领导者，并给予展示他们成功的软件供应商的一个例子。
然后，我们讨论在采用方面，OCR软件对医疗网络和医院的可访问性如何。此外，我们还讨论了采用机器视觉/OCR技术是否值得用于医疗网络。最后，我们提出了一个文件数字化供应商的例子，并提供了一个案例研究表明成功与供应商的软件。
在医疗文件数字化应用AI空间相对新生相比其他应用程序，如医疗诊断和医疗转录.我们在本文的最后部分包含了一个关于为什么会出现这种情况的部分，以提供关于为什么这个领域的创新相对较少的上下文。
在这篇文章中，我们将讨论：
- 基于AI-文件数字化的医疗保健 - 什么是可能的，什么是成功，什么是需要，使其工作
- 为什么医疗OCR相对落后
我们通过讨论技术的可能性锋线开始在医疗保健我们的AI文件数字化的状态的概况。然后，我们再深入到什么样的数据是必要的医疗保健公司看到成功和如何实例的成功体现。
基于AI-文件数字化在医疗保健 - 什么是可能的
用于文档数字化的最常见的人工智能技术是一种称为光学字符识别(OCR)的机器视觉软件。这个软件是用来分析图像的纸张文件从一个附加的相机和识别书面字符和字母在其中。然后，它将识别出的字符按其在扫描图像上出现的顺序记录下来，然后将其以数字格式保存。
这个过程有效地从数字化扫描文档的信息，并允许用户将其保存以供将来使用的数据库。这是公司拥有大量的物理形式的数据，他们希望利用，深入了解可能的业务改进特别有用。在医疗行业，OCR技术可以帮助数字化文档类型，包括但不限于：
对一些人来说，这是一种获取书面信息并将其自动转换成数字格式供企业使用的想法商业智能将是一个新的能力。然而，对那些在美国的技术可能似乎司空见惯。像医疗卫生行业的一些可能已经被磨练他们，因为之前被认为是AI和OCR用例文件数字化的过程。
我们采访了中国陈，医疗大数据实验室主任腾讯，关于公司可能如何为AI医疗保健特别是关于数据采集的挑战。当记者问关于医疗数据的优势，美国可能比其他国家，陈先生说，
所以我觉得教育，人才的角度来看，我认为美国有一个非常强大的优势。另一种是数字化。它在美国各行业的基本方式发生更早。另外，我觉得竞争实际上带动了很多行业的变化。例如，在医疗行业中的国家，[数字化]已经很多年了，但是这不是在其他许多国家在世界上的情况。所以我猜这个数字使美国在世界上更有利的位置。
从这句话中我们可以推断，文献数字化在中国可能并没有被广泛认为是一个可行的机器视觉用例。然而，美国公司现在习惯于从打印的文件中扫描数据，然后手工将数据转录到文字处理器中。
这些公司可能希望保持与数字化技术的最新更新。有些公司可能希望这即使不是完全必要为他们的业务需求。
我们提醒读者不要采取AI“玩具”，或者被加工成自己的企业应用程序，只是因为他们使用的AI。如果要数字化的文件的数量，禁止手工抄写文件数字化技术只会是必要的。
使用这些应用程序之一，需要典型的医疗保健公司不是用来做临床医疗领域之外的研究和开发的量。他们依靠的是技术工作，以完成自己的研究和开发。
从过去的临床试验物理文件可能是一个很好的资源用于医疗保健公司将其目前的临床试验业务比较，以提高他们的最佳实践。例如，寻找，收集他们的患者人群的整体健康数据的医院可能需要从数字化临床试验的文件，在过去在那里进行的。
患者自述，可能从外面诊所或医生，也可能包含有关药物可能的副作用以及如何个别患者可响应的有用信息。它纳入所有相关的患者信息时，新的副作用被发现或患者是否曾在过去它过敏反应就显得尤为重要。
医疗保健公司可以从这些信息中受益，因为它们可以获得过去对某种药物的所有反应，并利用这种意识来改善病人的护理。
所有的药理实验和研究的其他医疗领域的过程和结果都记录在实验室记录本，它通常包含来自多个星期的工作笔记。然后，这些票据将被数字化，如新的效果被发现保存到数据库中。
这些笔记被数字化，这样就可以向公司的医疗数据库里添加与当前实验或目标相关的新信息。
这方面的一个例子是与相应的实验组织所有发现任何录像一起拯救这个OCR数据。一个公司可以选择电影的实验，用来记录他们发现和存储数据集方法是实验中的任何反应或结果。
在为医疗保健提供机器视觉OCR软件方面取得成功的一个供应商是Apixio.该公司的软件平台从众多具体领域的详细文档捕获数据制成。
这包括前面提到的文档类型与国际疾病分类（ICD）码患者记录沿。
下面是从Apixio的图形，说明其软件解决方案平台的四个部分。它从数据采集，其中OCR发生和客户端的文档数字化。然后，可以Apixio据称处理这些数据并格式化它是由机器学习模型可读。
该公司指出他们的软件分析这些数据，并为每个病人单独护理总结。然后，这些摘要是利用创建预测模型能够测量病人的健康风险：
该公司在a案例研究已协助麦格纳健康计划转换自己的医疗优势（MA）的图表转换成数字格式。健康计划想提高通过依靠供应商准确地处理他们的风险调整结果动了他们的合规性。
为了符合医疗编码（HCC）的规定，公司必须标有相应ICD代码患者状况。
该编码也将影响健康计划的风险调整的结果，因为人员确认风险调整需要有正确的代码正式辨别病人的疾病的性质。
根据该案例研究，麦格纳健康计划能够识别584个HCC删除，或者在一个图表上的HCC已被删除的情况下，这会影响他们的风险调整分数。这对他们的病人就诊时报告可能导致更多的准确性和透明度。
Apixio还称麦格纳健康计划能够识别2,171 HCC删除，因为他们有意或准确，并已取代了并不影响他们的风险调整分数。Apixio旨趣是麦格纳健康计划同意这些删除的95.3％，这意味着他们只需要做出最后的决定或改变最后的4.7％。
为什么医疗OCR是相对欠发达
相对于其他用例如医学成像，远程病理学，并且患者群体分割在医疗文献数字化新生。
在医疗保健大多数文件数字化的厂商不太可能使用AI，即使他们声称这样做.许多公司没有列出任何案例记录医疗保健客户与他们的软件的成功。
此外，供应商，我们发现很少有风险投资资金的条款和专用AI人才。低风险投资和低AI人才密度一般是一个供应商的提供的结果为自己与AI客户的能力是个坏兆头。
我们提醒读者注意那些声称使用人工智能的公司，但没有指出人工智能人才、案例研究或风险投资。
医疗行业是看到在业务的几乎所有层面开发并不仅机器视觉技术，但其他类型的软件销售的AI应用。
这就是说，文件数字化遗体甚至比其它数据采集应用程序，如文字矿工和语音识别笔记记录相对新生。这可能主要有三个原因的情况下：
- 该技术主要看作是一个过渡性的工具
- 在许多情况下，该技术需要多个人工智能应用程序来充分利用所捕获的数据
- AI是不准确的文件数字化的，此时的基本要求
许多公司可以解释文件数字化的价值作为转换他们所有的纸质文档转换为数据，供以后使用的方法。即使他们不打算使用基于AI-分析应用来分析这些数据，这是真实的。
这就是说，能够成为完全无纸化的企业都可能这样做的话还是一直在寻找这些类型的很长一段时间的解决方案。已经有一个可靠的数字化方法的医疗保健公司可能不会选择与AI进行升级。
一旦OCR软件检测到所有的字母，并在其中键入的字符，并将它们保存到一个文件中的文件被数字化。然而，为了在任何有用的方法来利用这些文件，医疗保健公司将可能需要使用另一个AI应用程序对它们进行分析。
这是对我们在该公司的平台基于客户的选择数据还提供了预测分析应用Apixio的例子真。
需要注意的是，对于那些仍然依赖于物理形式的商业领袖来说，转向全数字文档可能仍然是一个有益的选择。即使没有能力使用这些数字格式进行数据分析，该技术仍然为需要更多数字文档的医疗网络提供了重要的价值。
了解和维持一个机器学习模型可能是绰绰有余的医疗保健公司来处理，如果他们不与实施这么多的数据经验。要问他们为了完成他们可能认为作为一个简单的任务，扫描文件到他们的系统中采用两种服务，可以从与解决方案前进阻止他们。
医疗保健公司在使用解决方案时可能还希望利用其他类型的非结构化数据，比如医疗文档的旧PDF扫描存储。它们可以尽可能地组织起来，或者存储在一个大数据库中，以至于很难识别。
我们采访了将杰克和Nikhil Buduma的，联合创始人补救健康公司，医疗AI公司，专门从事预测分析。
当记者问医疗保健公司可以如何处理大量的非结构化或结构化数据不佳，并且能够使它使用长期，威尔杰克说，
系统这种想法越来越混乱了，并成为cludges不是唯一的医疗服务。如果你看一下，几乎任何行业出现这种情况。...创新很少从内部发生，它通常是一个政党在形式之外步进。我不认为医疗保健系统将能够把自己挖他们是这个电流洞的出来，这将是非常昂贵的，它可能会招致大量的停机时间。如果你有多个纳税人试图做到这一点，那将是非常困难的认同一套共同的标准和协议。
最后，AI也可能不提供医疗保健公司提供准确的文件数字化完全必要的。虽然人类的错误仍然在这一业务领域，以克服的挑战，文件数字化可能是太紧张了，不具备文件相对较高的音量被数字化的业务解决方案。
公司关注长期使用这些应用程序可以考虑在AI比文件数字化等领域的必要。与此同时，他们可以等待大企业采取风险之前对医疗OCR创新。
标题图片来源：Revalton
