Mar, 2023

无监督特征选择以识别机器学习中的重要 ICD-10 编码：以冠状动脉疾病患者队列为例的案例研究

PDF
TL;DR本研究比较了多种无监督特征选择方法以选择最佳 100 个特征，结果显示 Concrete Autoencoder 方法在重现特征空间和预测 90 天死亡率方面的表现优于其他方法。此外，该方法中 ICD 树的权重调整可降低特征的复杂性。
发现论文，激发创造
  • 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

  • 应用监督学习算法和新的特征选择方法预测冠状动脉疾病

    本文利用 DNA 位点级别上所采集的单核苷酸多态性（SNPs）数据，从数据科学的视角探讨了冠状动脉疾病的预测。研究中介绍了两种常用的监督学习算法和二维降维技术，分别进行了误差比较分析，结果表明新方法随机森林预测模型的准确率和 ROC 曲线的面积都比传统方法更优。

    Feb, 2014

  • 基于自编码器的 ICU 临床代码预测

    研究使用 ML 方法对患者的电子健康记录中的临床代码进行自动填充，其中包括使用不完整临床代码和其他临床相关数据来完成此任务，结果表明使用自编码器方法获得最佳表现。

    May, 2023

  • 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

  • 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

  • 考虑不同共病程度的改进基于 ICD 的语义相似度

    通过使用语义相似性算法，考虑到并发症变异，本研究比较了 80 种已建立的算法在以 ICD 代码集为基础的语义相似性方面的表现，结果显示目前的语义相似性算法在考虑到并发症变异时表现良好，并且达到了与专家基本事实的相关性为 0.75 的最佳结果。

    Aug, 2023

  • 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

  • 冠状动脉疾病早期诊断 AI 框架：边界 SMOTE、自编码器和卷积神经网络集成方法

    通过机器学习算法对冠心病风险进行分类，本研究开发了一种数据平衡和增强方法，提高了诊断准确性，对样本数量较少和数据不平衡的情况特别适用。实验结果显示，本方法的平均预测准确率为 95.36%，高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。

    Aug, 2023

  • 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

  • 自动 ICD 编码的诊断标签相关性建模

    提出一个两阶段的框架，通过捕捉标签相关性来提高自动 ICD 编码，利用标签集分布估计器和基准预测器来生成每个标签集候选项的概率，并重排序，以解决测量标签相关性的问题。

    Jun, 2021