NIPSDec, 2017

智能电子病历：从诊断代码预测手术代码

PDF
TL;DR本文介绍了一种使用深度学习和多标签分类的方法，自动编码医生输入的诊断编码 (ICDs) 为程序编码 (CPTs)，并针对 13,000 个过程代码进行了试验和比较，结果表明，该方法在 2.3 百万个索赔单中能够胜过现有的基于规则、基于概率论和关联规则挖掘的方法，且召回率高达 90％。
electronic health recordprocedure codesdeep learningmulti-label classificationassociation-rule mining
发现论文，激发创造
  • 患者健康记录中临床笔记和 ICD 码的连续预测建模

    通过研究，我们发现在入院后两天就可以预测最终的 ICD 代码，并且我们提出了一种定制模型，能够在这一早期预测任务上提高性能。

    May, 2024

  • 利用深度学习实现自动化 ICD 编码

    本文提出了一种具有注意力机制的分层深度学习模型，该模型可以根据诊断描述自动分配 ICD 诊断代码。实验结果表明，我们的深度学习模型能够在合理的范围内自动编码，并为计算机辅助 ICD 编码提供了框架。

    Nov, 2017

  • 利用现成大型语言模型进行自动临床编码

    利用大型预训练生成语言模型开发出零样本和少样本编码分配的实用解决方案，通过信息提取，利用 ICD 本体论和专业临床编码任务描述，检索相关提及，并利用 GPT-4 在第二阶段进行元细化，实现了自动 ICD 编码的方法，无需任务特定的学习，而在更稀缺的类别上达到了最优的性能。

    Oct, 2023

  • 一种用于高效 ICD 编码的两阶段解码器

    本文提出了一个两阶段解码机制来预测国际疾病分类（ICD）码，该模型利用了代码的分层属性，在公共 MIMIC-III 数据集上表现良好。

    May, 2023

  • 基于机器学习的诊断决策支持中诊断患病率与效能的比较研究

    通过在 MIMIC-III 数据集中提取患者特征，本研究使用 43 种不同的机器学习分类器预测 ICD-9-CM 代码，并发现疾病患病率下降对分类器 F1 评分有影响。

    Jun, 2020

  • 临床记录中医学编码预测：从人工编码到机器编码

    该论文通过自然语言处理和深度学习技术预测医学编码，提高编码准确性并探讨神经网络模型的可解释性。

    Oct, 2022

  • 基于树型对比学习的半结构化自动 ICD 编码研究

    通过研究调查临床记录的半结构化性质，我们提出了一种自动算法将其分割为不同的部分。为了解决现有 ICD 编码模型在数据有限性方面的可变性问题，我们引入了对于部分使用基于树编辑距离的软多标签相似度度量的对比预训练方法。此外，我们设计了一个掩码部分训练策略，使 ICD 编码模型能够定位与 ICD 编码相关的部分。广泛的实验结果表明，我们提出的训练策略有效地提升了现有 ICD 编码方法的性能。

    Oct, 2023

  • BERT-XML：利用 BERT 预训练进行大规模自动 ICD 编码

    该研究提出了一种名为 BERT-XML 的机器学习模型，利用最近发展的无监督预训练，从电子病历中自动化地进行 ICD 编码，利用数百万电子病历笔记训练了一个 BERT 模型以预测数千个独特的 ICD 代码。

    May, 2020

  • 基于医生参与的可扩展工作流程，构建机器学习分类器以识别特定疾病患者

    该论文提出了一种可扩展的工作流程，在利用包括 NLP、AutoML 和 Clinician-in-the-Loop 机制在内的技术，从 EHR 的结构化和非结构化的文本记录中构建机器学习分类器来评估患者。在 MIMIC-III 数据集上进行的案例研究表明，该提议的工作流程在识别患有卵巢癌、肺癌、癌症恶病质和狼疮性肾炎等疾病的病人方面表现出更高的分类性能，并且可以发现更多的由编码问题所引起的未编码患者。

    May, 2022

  • 使用出院总结的自动 ICD 编码和分类系统的系统性文献综述

    该研究系统地回顾了 2010 年至 2020 年间使用自然语言处理、机器学习和深度学习等方法来帮助医生更准确、高效地对患者病历进行编码的研究，其中共筛选出 38 篇符合条件的文献，并提出了未来的研究方向。

    Jul, 2021