尽管有数十亿美元用于激励，支持电子医疗档案的采用，但这些系统改善护理效率和质量的证据却几乎没有。然而，一项新研究表明，自然语言处理——计算机科学的一个分支，利用语言学来分析日常讲话内容——可能会大幅促进这些档案在改善护理方面的应用。

　　研究人员利用该方法来筛查医师记录并查找术后并发症，比如肺炎（pneumonia）和败血症（sepsis），这类记录是电子医疗档案中最丰富最复杂的方面。已证明该方法的精确度比其他自动系统高很多， 他们说，类似方法可以用于各种用途，包括预测哪个患者处于危险之中，还有研发自动化工具，帮助医生们选择疗法。

　　“最终，你会看到临床数据是如何能够应用于更加系统地衡量患者安全状况的，并且，我们将来确实能够用这些数据来管理护理，”哈佛大学医学院（Harvard Medical School）的一位医师艾思旭·加哈（Ashish Jha）说。加哈写了一篇该论文的随同评论。

　　电子医疗档案一个最令人期待的益处就是，可以利用计算机追踪相关患者和机构，比如，以查明某个特定患者是否处于某特殊并发症的风险之中，或者发现某个特定部门或医院是否比其他部门或医院表现差。

　　自动化追踪已在开处方过程中应用，比如用来查明什么时候两种药物会相互作用。因为处方信息是医疗档案中一个高度条理化的部分，所以，用软件来分析还算容易。然而，利用医疗档案里条理性较低部分中的大量可用信息就难多了，比如临床医生的记录——包括对患者病史和状态（包含术后并发症）的自由形式的记录。

　　“如果不能利用那些信息，我们要对档案进行监测以改善护理可就要费劲儿了，” 加哈说，“这篇论文影响巨大，因为它表明你能够利用那些信息。”

　　哈维·穆尔夫（Harvey Murff）是美国范德堡大学（Vanderbilt University）的一位医生，该论文的合作者，利用自然语言处理算法解决这个问题，该算法将讲话和语言的一些特定规则涵盖进来纳入分析。比如，一个关键词搜索可以对含有“肺炎”一词的所有实例进行检索，但是，自然语言处理还可以将修饰语考虑进来，比如“无肺炎症状”，这样可以给出一个更精确的统计。

　　研究人员分析了近3,000份患者医疗档案，这些患者由于肺炎、败血症、深层静脉栓塞（deep vein thrombosis）、肺栓塞（pulmonary embolism）和心肌梗塞（myocardial infarction）的症状在6个医疗中心做过手术。这些中心属于美国退伍军人健康管理局（Veterans Health Administration）的一部分。追踪术后不良事故可以帮助医院和健康护理系统监测，某个机构遵守安全规定的程度如何。但是，目前的方法需要大量人力——人工筛查档案，以鉴定并发症——或者缺少精确性。“我们想要尝试对人力所做的工作进行重复，但是，要以一种可以扩展到一个更宽广健康护理环境中的、更经济有效的方式来进行重复，” 穆尔夫说。

　　虽然算法研发包括一些试验和失误，但是，最终结果具有高度敏感性——它们可以鉴定出早先靠训练有素的护士记录在复核手册里的80%到90%的并发症。与另外一个利用清单代码来鉴定术后并发症的自动化方法相比，该自然语言处理方法敏感度更高。比如，穆尔夫的方法检测到82%的急性肾功能衰竭（acute renal failure）案例，而利用清单代码的方法检测到38%。

　　然而，新方法在很多案例中特异性较低，假阳性检测较高。“我认为，增加迭代次数，我们就可以改善这种情况，” 穆尔夫说。他的团队现正致力于利用临床医师记录中的数据来预测患者并发症风险或其他安全隐患。

　　自然语言处理的一个好处就是它的灵活性。加哈说，该方法可以用以许多用途。他说，最值得注意的是临床决策支持工具，“在这种情况下，你可以给医生如何更好医治患者的灵感。建议医生们将临床记录中的信息考虑进来，作用将会十分巨大。”

　　纽尔斯（Nuance）公司是一家领先的语音识别软件制造商，它已在研发商业化系统，利用自然语言处理来分析医疗信息。该公司正在与IBM公司研发沃森（Watson）——机器人，因在电视游戏节目Jeopardy里击败了人类选手而著名——的团队合作，以将该机器人的自然语言处理工具应用于医疗。