臨床 NLP 訓練資料：如何在不違反 HIPAA 的情況下準備醫療記錄

臨床自然語言處理是醫療保健中 AI 應用價值最高的領域之一。能夠閱讀臨床筆記並提取結構化資訊的模型——診斷、藥物、程序、發現——可以自動化 ICD 編碼、呈現藥物交互作用、標記惡化模式，並加速臨床研究。技術已然存在。瓶頸幾乎始終在於訓練資料。

準備臨床 NLP 訓練資料在技術問題之前首先是合規問題。醫療記錄包含受保護的健康資訊（PHI）。任何涉及雲端服務、外部工具或第三方承包商的資料準備工作流程，都必須圍繞 HIPAA 的要求構建。大多數現有工具在設計時並未考慮這一約束。

本指南涵蓋臨床 NLP 模型實際需要什麼、誰應該做標注、什麼是符合 HIPAA 的管道，以及現有工具的不足之處。

臨床 NLP 模型的功能

臨床 NLP 模型是專門訓練用於在臨床文字上執行特定語言理解任務的模型。主要用途：

ICD 和 CPT 編碼。 從臨床文檔中自動提取帳單代碼。模型讀取出院摘要並建議應計費的 ICD-10 診斷代碼和 CPT 程序代碼，減少醫療編碼員的手動負擔並提高編碼一致性。

臨床命名實體識別（NER）。 識別和提取臨床文字中的特定實體類型：診斷、藥物（含劑量、途徑和頻率）、程序、實驗室結果、解剖位置和臨床發現。這驅動了從非結構化臨床筆記中提取結構化資料。

藥物 NER。 臨床 NER 的專門子類型，專注於藥物提及。訓練良好的藥物 NER 模型不僅提取藥物名稱，還提取劑量（「美托洛爾 25mg」）、頻率（「每日兩次」）、途徑（「口服」）和狀態（「已停用」）。

出院摘要分類。 按主要診斷類別、再入院風險或護理路徑對出院摘要進行分類，用於人群健康管理。

時間推理。 理解臨床事件的順序：「患者在手術後三天出現心房顫動」需要理解實體之間的時間關係。這比簡單的實體提取更難，需要訓練資料中有標注的時間推理示例。

每種任務都需要不同的標注架構。適合藥物 NER 的資料集與適合 ICD 編碼的資料集有不同的標籤。訓練資料準備必須針對特定的臨床 NLP 任務進行範疇界定，而不是泛泛準備。

這些模型需要什麼訓練資料

臨床 NLP 模型需要標注的臨床文字——人工審查者根據一致的標注架構對文件應用了標籤。標注是訓練信號。

對於臨床 NER 模型，標注是跨度級別的標籤：標記每個實體提及的起始和結束字元偏移量，加上實體類型。一份含 600 個詞的臨床筆記可能包含跨越診斷、藥物和程序的 40-60 個實體標注。

序列化形式的標注示例如下：

{
  "text": "Patient was started on lisinopril 10mg daily for hypertension.",
  "entities": [
    {"start": 21, "end": 31, "label": "DRUG", "text": "lisinopril"},
    {"start": 32, "end": 36, "label": "DOSE", "text": "10mg"},
    {"start": 37, "end": 42, "label": "FREQUENCY", "text": "daily"},
    {"start": 47, "end": 59, "label": "CONDITION", "text": "hypertension"}
  ]
}

對於 ICD 編碼模型，標注是文件級別的：適用於文件的 ICD-10 代碼，以及支持每個代碼的文字跨度。

臨床 NLP 的最小可行資料集大小：

• 臨床 NER 模型（單一實體類型，例如藥物）： 2,000-5,000 個標注句子
• 臨床 NER 模型（完整實體集）： 10,000-30,000 個標注句子
• ICD 編碼模型： 5,000-20,000 個標注出院摘要
• 文件分類模型： 每類 3,000-10,000 個標記文件

這些數字假設設計良好的標注架構和一致的標注品質。不一致的標注需要更多資料來克服雜訊。

誰應該標記臨床 NLP 資料

這是使大多數醫療 AI 項目脫軌的問題。本能是讓 ML 工程師或資料科學家做標注。這是錯誤的方法。

臨床 NLP 標注需要臨床知識。決定「呼吸急促」是症狀標注還是診斷標注需要理解臨床背景。標注藥物劑量需要讀取「美托洛爾 10mg 每日兩次」並正確區分藥物名稱、劑量和頻率。識別發現是否已被肯定或否定（「無肺炎證據」不應創建正面的「肺炎」標注）需要臨床閱讀理解能力。

應標記臨床 NLP 資料的人是臨床醫生：醫生、護士、藥劑師和醫療編碼員——取決於任務。由藥劑師標注的藥物 NER 模型將顯著優於由非臨床人員標注的模型。

實際問題是臨床醫生不是 ML 工程師。他們不知道如何使用 Label Studio、Prodigy 或任何需要 Docker 設置、JSON 配置檔案或命令列初始化的工具。他們很忙，而且在能夠做任何標注之前，他們不會花數小時學習標注工具。

這對標注界面創造了一個硬性要求：它必須可由沒有技術背景的領域專家操作，零設置。臨床醫生應該能夠打開應用程式、看到一份臨床筆記，並用滑鼠繪製標注跨度，實體類型標籤顯示為按鈕——無需任何技術協助。

符合 HIPAA 的管道

臨床 NLP 訓練資料的完整資料準備管道有六個階段。每個階段都必須在本地運行。

第 1 階段：資料提取。 從電子病歷（EHR）系統中提取臨床筆記、出院摘要和影像報告。這需要與 EHR 團隊協調和適當的資料訪問控制。輸出是包含 PHI 的原始文字或結構化文件。

第 2 階段：PHI 去識別化。 在任何標注開始之前，每份文件都要經過自動 PHI 檢測和去識別化。使用為 PHI 檢測訓練的臨床 NER 模型檢測 18 個安全港識別符。由人工審查者（通常是資料治理或合規團隊成員，而非臨床標注員）審查檢測到的實例。審查後應用去識別化並記錄日誌。只有去識別化的文件才能進入標注。去識別化日誌無限期保留。

第 3 階段：標注架構設計。 在標注開始之前，撰寫標注指南：存在哪些實體類型、如何處理模糊案例、每個實體跨度的邊界應在哪裡、如何處理否定和不確定性。良好的標注指南減少標注者間的分歧並提高訓練資料品質。此階段只需一次，但隨著邊緣案例出現而修訂。

第 4 階段：臨床標注。 去識別化的文件分配給臨床標注員。標注員使用標注界面應用實體標籤。對文件子集由兩個或多個標注員獨立標注，以計算標注者間一致性。使用 Cohen's kappa 或重疊跨度上的 F1 衡量一致性。kappa 低於 0.7 的一致性分數表示應在繼續之前解決的標注指南問題。

第 5 階段：品質審查。 審查標注的一致性。標記標注密度非常低（可能的標注員疲勞或文件品質問題）和非常高（可能的過度標注）的文件。標注員之間的系統性分歧觸發指南修訂。

第 6 階段：JSONL 匯出。 已批准的標注以下游訓練框架所需的格式匯出。對於大多數臨床 NLP 框架，這是帶有實體跨度的 JSONL。匯出包括文件級別的元資料（文件類型、專科、大致日期範圍），可用於分層評估。

現有工具的不足

Label Studio 是最常提到的 NLP 開源標注工具。它有一個臨床 NER 模板，支持跨度級別標注。問題在於：Label Studio 需要 Docker 進行部署、伺服器設置和資料庫配置。臨床標注員無法獨立設置它。在醫院環境中，獲得 Docker 安裝和伺服器配置可能需要數週的 IT 審批。而且 Label Studio 作為網路應用程式運行——標注資料通過網絡提供服務，引發了關於儲存位置和訪問權限的問題。

雲端標注服務（Scale AI、Surge AI、Appen）對 PHI 明確禁止。這些服務涉及不是醫療保健員工的人工標注員，審查在去識別化完成之前需要是 PHI 的文件。即使有去識別化，向第三方標注服務發送臨床文件也引發了大多數醫院法律團隊不會批准的資料治理問題。

Prodigy（來自 spaCy 團隊）是一個在本地運行的強大標注工具，但它是一個 Python 命令列應用程式。執行 prodigy ner.manual clinical_ner en_core_web_sm clinical_notes.jsonl 對臨床標注員來說不是現實的期望。它需要配置的 Python 環境、安裝的 Prodigy 授權以及對命令列工具的熟悉。

現有工具的差距是一個本地優先、無設置的標注應用程式，臨床標注員可以直接操作。標注界面必須是原生的（非基於瀏覽器、非基於 Docker），不需要技術設置，並且必須在同一工作流程中包含去識別化和匯出步驟，以確保合規步驟不能被跳過。

入門指南

對於開始臨床 NLP 項目的醫療 AI 團隊，順序如下：

1. 在接觸任何資料之前，定義具體的 NLP 任務（藥物 NER、ICD 編碼等）
2. 在臨床投入下編寫標注架構和指南——而非 ML 工程投入
3. 通過完整管道處理試點批次的 500 份文件：PHI 去識別化 → 標注 → 品質審查
4. 計算試點批次上的標注者間一致性
5. 如果一致性低於 0.7 kappa，修訂指南並重複
6. 僅在試點驗證了標注品質後，才擴展到完整資料集

誘惑是標注數千份文件，然後再考慮品質問題。結果是一個包含不一致標注文件的大型資料集，訓練出平庸的模型。較小、高品質的資料集始終優於較大、雜亂的資料集。

---

相關閱讀

• AI 訓練資料的 PHI 去識別化：醫療 ML 團隊逐步指南 — 完整的 PHI 檢測和去識別化工作流程
• 為什麼向量 RAG 在臨床資料上失敗——以及改用什麼 — 微調臨床 NLP 何時優於 RAG
• 符合 HIPAA 的 AI 訓練資料指南 — 醫療 AI 的 HIPAA 框架和合規要求