自动医学编码推荐的多阶段检索和再排序模型
本文提出了一种新颖的 ICD 索引方法,采用多级深度扩张残余卷积编码器来聚合临床记录的信息,学习不同长度文本的文档表示;通过辅助医疗记录的医学知识,包括临床文本、临床编码术语和药物处方等,以更好地推断 ICD 代码;引入图卷积网络利用 ICD 代码的共现模式,提高标签表示质量。实验结果表明,所提出的方法在多项指标上达到了最先进的性能。
May, 2024
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
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
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
本研究提出了一种新颖的双向层次框架(HieNet),其中包括个性化的 PageRank 算法、双向层次通道编码器和渐进预测方法,以解决医疗记录自动 ICD 编码中存在的异质性、标签不平衡和 ICD 代码之间复杂关系的挑战,两个广泛使用的数据集上的实验结果表明,我们的方法将预测性能大幅提升。
Dec, 2022
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
本文介绍了四种模型来自动给出患者摘要的多个 ICD 诊断编码,其中介绍了一种基于分层注意力 GRU(HA-GRU)的分层标签文档方法,其实现了最先进的结果,并且通过学习的句子级注意力层突显了模型的决策过程和为未来的改进提出了建议。
Sep, 2017
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
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