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

为了解决医疗机器学习中数据不一致和标准化处理框架缺失等难题，MIMIC-Extract提供了一种开源管道，将公开可用的MIMIC-III数据库中的复杂健康记录数据转换为可以直接用于通用机器学习管道的数据帧，并展示了其在基准任务和基线结果中的实用性。

Jul, 2019

本文提出了一种层次化标签注意力网络（HLAN）和标签嵌入（LE）初始化方法，旨在提高自动化医学编码的性能并改善深度学习模型的可解释性，在使用MIMIC-III出院摘要进行实验后，结果表明HLAN在预测排名前50个编码时实现了最佳的微观级别AUC和F1，对于每个标签突出显示最显著的单词和句子，相对于基线和CNN模型，HLAN显示出更具有意义和全面的模型解释。LE初始化一致提升大多数深度学习模型的性能。

Oct, 2020

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

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

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

用大型语言模型进行临床决策支持和医疗编码任务，提出LLM-codex方法，通过两个阶段生成证据提案和基于LSTM的验证阶段，同时实现医疗编码精度、稀有编码准确性和句级证据识别的最新结果，无需依赖人工标注的数据证据。

Nov, 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