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

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

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

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

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

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

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

本研究旨在探索利用自然语言处理（NLP）和机器学习（ML）技术，通过可视化的解释能力和轻量级本地计算机环境自动编码医疗信件。

Jul, 2024

本研究针对医学编码中的时间消耗和错误率高的问题，提出了一种新颖的生成性人工智能框架MedCodER，利用提取、检索和再排序技术进行自动医学编码。研究显示，MedCodER在国际疾病分类（ICD）代码预测方面达到了0.60的微F1分数，显著优于现有方法，展示了其在医学编码领域的潜在影响。

Sep, 2024

本研究针对临床编码实践中的效率问题，开发了一种名为Easy-ICD的人工智能工具，以提高编码的准确性和速度。研究结果显示，使用该工具时，处理复杂文本的编码时间中位数减少了46%，表明AI可以显著改善复杂临床编码任务的工作效率，尽管准确性未见显著提高。

Oct, 2024