Feb, 2018

使用 MIMIC-III 临床笔记进行 ICD-9 编码分配的深度学习实证评估

PDF
TL;DR研究通过采用深度学习等机器学习方法，对临床笔记进行自动代码映射，结果表明这些深度学习方法优于其他传统机器学习模型，并且在 MIMIC-III 数据集上能够准确估计和预测 ICD-9 医疗代码。
icd-9 medical codesdeep learningmachine learningclinical notesmimic-iii dataset
发现论文，激发创造
  • 自动 ICD 编码的多模态机器学习

    该研究提出了一种多模态机器学习模型，用于预测 ICD-10 诊断代码，并通过集成不同模态的机器学习模型和提取关键证据来增强预测的可信度和可解释性。在解释性方面，该方法在文本数据上达到了 0.1806 的 Jaccard 相似系数，在表格数据上达到了 0.3105。

    Oct, 2018

  • Mimic-IV-ICD：一个新的极端多标签分类基准

    本文提出了一个基于 MIMIC-IV 公共电子病历数据集的 ICD 编码公共基准套件，使数据预处理标准化并建立全面的 ICD 编码基准数据集，加速未来研究中采用自动 ICD 编码的进展。

    Apr, 2023

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • 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

  • 基于多视角卷积和描述规范的标签依赖注意力医疗编码预测

    本文提出了一种基于深度学习的系统，通过使用视图卷积通道和基于自然语言代码描述的注意力规则等技术，取得了针对医疗文本编码的新进展，显著优于先前最佳结果，困难在于有数千个罕见代码。

    Nov, 2018

  • MIMIC-III 和 MIMIC-IV 的自动医疗编码：一项关键评论和可复制性研究

    本文重现、比较和分析了最先进的自动医学编码机器学习模型。通过改进数据的采样和评估方法，我们的研究结果表明，在新的医学数据集 MIMIC-IV 上，使用正确的参数和配置，这些模型可以产生良好的效果。

    Apr, 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

  • 从巴西葡萄牙语临床笔记中预测多个 ICD-10 代码

    该论文提出了使用机器学习模型对巴西葡萄牙语临床记录中的 ICD 编码进行自动化预测的方法，并采用 Logistic 回归模型、卷积神经网络、门控循环神经网络和具有 Attention 机制的 CNN 模型进行研究和优化。该论文的主要贡献是在临床记录的自动编码问题上，将研究范围扩大到了非英语语言中，并证明 CNN-Att 模型是在数据集中最佳的预测模型。

    Jul, 2020

  • 读、参与、编码：机器从临床笔记中预测医学编码的极限挑战

    通过使用卷积神经网络（CNN）和长短期记忆（LSTM）网络，将医疗代码分配映射与卷积嵌入相连接，使用自我关注和代码标题引导注意力模块，结合基于句子排列的数据增强和随机权重平均训练，该研究提供的 Read，Attend 和 Code（RAC）模型在医疗代码预测方面超越了人类编码基线，成为完全自主医疗编码（AMC）机器实现医学代码预测的新的最佳性能水平（SOTA）。

    Jul, 2021

  • 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