일반적으로 의사의 진료, 응급실 방문 또는 수술 절차에서 의료 제공자는 상호 작용에 대해 설명하는 메모를 입력한다. 그러나 의사들의 필체는 읽기가 매우 어렵다. 더욱 비밀스러운 것은 의료 코딩이다.

즉, 의료 코딩은 임상의의 노트를 모든 진단과 절차를 나타내는 영숫자 코드 세트로 바꾸는 과정이다.

이 시스템은 전 세계 100개국 이상에서 사용되지만 정확한 코딩은 미국에서 특히 중요하다. 의료 코드가 의사, 클리닉 및 병원이 보험 제공자와 환자에게 발행하는 법안의 기초를 형성하기 때문이다.

세계보건기구(WHO, World Health Organization)가 개발한 표준인 국제 질병 분류를 미국이 채택한 데는 15만 개 이상의 코드가 사용된다. 의사가 할 수 있는 모든 일에 대한 일련의 절차 코드도 있는 것이다. 의사의 모든 의료 절차가 끝난 후, 의사의 상호 작용에 대한 요약은 이 코드로 변환되지만 의료 조직이나 민간 기업 내에서 의료 차트 코딩의 소요 시간은 종종 이틀 이상 걸리기도 한다고 한다.

이에 샌프란시스코에 본사를 둔 AI 의료 스타트업 파톰(Fathom)은 정확도를 높이면서 힘든 의료 코딩 과정을 자동화하기 위한 딥러닝 도구를 개발했다. 이로 인해 훈련된 임상 코더의 부족을 해결하고 청구의 속도와 정확성을 향상시키고 인간 코더는 복잡한 사례와 후속 질의에 집중할 수 있도록 도와준다.

파톰의 솔루션은 GPU에 의해 가속된 자연언어처리(NLP) 인공지능(AI)은 그 시간을 몇 분 또는 몇 초로 단축할 수 있게 됐으며, 딥러닝 알고리즘의 훈련과 추론을 위해 구글 클라우드(Google Cloud)와 엔비디아 P100 및 V100 텐서코어(Tensor Core) GPU를 사용해 의료 코딩에 소요되는 시간을 무려 90%까지 줄일 수 있게됐다고 한다.

특히, 의료 코딩은 다중 레이블 분류 및 시퀀스-시퀀스 NLP의 두 가지 작업 요소를 공유한다. 효과적인 AI는 의사의 메모에 있는 텍스트를 이해하고 청구에 적합한 순서로 구성된 진단 및 절차 목록으로 정확하게 태그를 지정해야 한다.

솔루션은 최고의 자연 언어 이해 모델인 엔비디아의 GPU 최적화 버전 버트(BERT) 와 같은 도구를 통해 이러한 과제를 해결하고 있으며, 텐서플로(TensorFlow) 딥러닝 프레임 워크를 사용하고 텐서 코어(Tensor Cores)가 제공하는 혼합 정밀 학습(mixing precision learning)을 사용하여 크기가 다양한 의료 문서의 대규모 처리를 가속화하며, 추론에 GPU를 사용해 시간당 수백만 건의 의료 서비스를 처리할 수 ​​있게 된 것이다.

한편, 의료 차트 및 예약 기록을 신속하고 정확하게 분석하는 AI는 의사가 누락되었을 수 있는 환자 질병을 발견하고 환자 결과를 예측하며, 치료 옵션을 제안하며, 임상 시험을 위한 환자 후보를 식별하는데 많은 도움이 될 수 있을 것으로 예상된다.