論文の概要: Collaborative residual learners for automatic icd10 prediction using prescribed medications

• arxiv url: http://arxiv.org/abs/2012.11327v1
• Date: Wed, 16 Dec 2020 07:07:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:46:37.336100
• Title: Collaborative residual learners for automatic icd10 prediction using prescribed medications
• Title（参考訳）: 特定薬剤を用いたICD10自動予測のための協調学習者
• Authors: Yassien Shaalan, Alexander Dokumentov, Piyapong Khumrin, Krit Khwanngern, Anawat Wisetborisu, Thanakom Hatsadeang, Nattapat Karaket, Witthawin Achariyaviriya, Sansanee Auephanwiriyakul, Nipon Theera-Umpon, Terence Siganakis
• Abstract要約: 本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
• 参考スコア（独自算出の注目度）: 45.82374977939355
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Clinical coding is an administrative process that involves the translation of diagnostic data from episodes of care into a standard code format such as ICD10. It has many critical applications such as billing and aetiology research. The automation of clinical coding is very challenging due to data sparsity, low interoperability of digital health systems, complexity of real-life diagnosis coupled with the huge size of ICD10 code space. Related work suffer from low applicability due to reliance on many data sources, inefficient modelling and less generalizable solutions. We propose a novel collaborative residual learning based model to automatically predict ICD10 codes employing only prescriptions data. Extensive experiments were performed on two real-world clinical datasets (outpatient & inpatient) from Maharaj Nakorn Chiang Mai Hospital with real case-mix distributions. We obtain multi-label classification accuracy of 0.71 and 0.57 of average precision, 0.57 and 0.38 of F1-score and 0.73 and 0.44 of accuracy in predicting principal diagnosis for inpatient and outpatient datasets respectively.
• Abstract（参考訳）: 臨床コーディングは、治療のエピソードからicd10のような標準的なコード形式への診断データの変換を含む管理プロセスである。 請求書やエチオロジー研究など多くの重要な応用がある。 データスパーシティ、デジタルヘルスシステムの低相互運用性、実際の診断の複雑さ、icd10コード空間の巨大化などにより、臨床コーディングの自動化は非常に困難である。 関連する作業は、多くのデータソースへの依存、非効率なモデリング、より汎用性の低いソリューションによって、適用性が低下する。 本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 Maharaj Nakorn Chiang Mai病院の2つの臨床データセット(外来患者と入院患者)において,実ケースミックスの分布について広範な実験を行った。 f1-score の 0.71 と 0.57 のマルチラベル分類精度,f1-score の 0.57 と 0.38 それぞれ 0.73 と 0.44 の精度が得られた。

関連論文リスト

• Unlocking Historical Clinical Trial Data with ALIGN: A Compositional Large Language Model System for Medical Coding [44.01429184037945]
  自動ゼロショット医療符号化のための新しい合成LLMシステムであるALIGNを紹介する。 我々は、ALIGNを解剖学的治療化学(ATC)と医学史用語に調和させ、MedDRA(Medicical Dictionary for Regulatory Activity)コードに評価した。
  論文  参考訳（メタデータ） (2024-11-20T09:59:12Z)
• Large language models are good medical coders, if provided with tools [0.0]
  本研究は,ICD-10-CM自動医療符号化のための2段階リトリーブ・ランクシステムを提案する。 両方のシステムを100の単一長期医療条件のデータセットで評価する。 Retrieve-Rank システムは正しい ICD-10-CM 符号の予測において100%の精度を達成した。
  論文  参考訳（メタデータ） (2024-07-06T06:58:51Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Time-dependent Iterative Imputation for Multivariate Longitudinal Clinical Data [0.0]
  Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。 500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
  論文  参考訳（メタデータ） (2023-04-16T16:10:49Z)
• TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials [0.0]
  我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。 次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。 我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
  論文  参考訳（メタデータ） (2021-12-15T15:36:57Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。