Mar, 2022

自动化临床编码：什么、为什么以及我们在何处？

PDF
TL;DR介绍了自动临床编码的想法，并从人工智能和自然语言处理的角度阐述了其挑战，指出当前深度学习方法在实际应用中存在解释性和一致性的差距，需要将基于知识的方法纳入深度学习方法中。尽管存在技术和组织上的挑战，自动临床编码是人工智能领域的有前途的研究方向。
clinical codingautomated systemartificial intelligencenatural language processingexplainability
发现论文，激发创造
  • 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

  • 深度学习用于自动医疗编码的统一综述

    该研究提出了一个统一的深度学习神经网络架构设计框架，以自然语言处理技术识别医疗文档中的文本信息并转换成医学编码，包括医学编码器、编码器结构、解码器和附加信息的应用等组成部分，然后总结了各种深度学习模型在该框架下的应用，并探讨了未来的研究方向及挑战。

    Jan, 2022

  • 探索医院门诊信件中自由文本诊断的手工和自动编码的一致性、质量和挑战

    评估人工及自动化临床编码的质量和一致性，对于改进直接护理、支持临床沟通和促进临床研究至关重要。比较人工和计算机生成的编码与标准值，结果表明人工稍微优于自动化编码，但二者在仅包含一个诊断的自由文本描述中表现更好。

    Nov, 2023

  • 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

  • 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

  • 门诊科室自动临床编码

    本研究旨在调查最新的深度学习基于的临床编码方法在门诊设置中的有效性，通过收集超过 700 万个持有超过 50 万个患者的门诊病记录数据集，并将四种最新的临床编码方法应用到该数据集中，研究发现在门诊设置中的临床编码可以从住院编码基准测试中的创新中获益。通过对导致成功的因素进行深入分析，包括数据的数量和形式以及文档表示的选择，揭示了一些易解决的例子，这些例子的编码可以完全自动化并且具有较低的错误率。

    Dec, 2023

  • 临床文本中医疗代码的可解释预测

    本文提出了一种使用卷积神经网络和注意力机制对临床文本进行医学编码的方法，并展示了该方法在精度和可解释性方面的优势。

    Feb, 2018

  • 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

  • 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

  • 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