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
- Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2022-06-27T06:51:48Z) - A Scalable Workflow to Build Machine Learning Classifiers with
Clinician-in-the-Loop to Identify Patients in Specific Diseases [10.658425378457363]
臨床医は、EHR(Electronic Health Records)から疾患のある患者を識別するために、ICD(International Classification of Diseases)などの医療コーディングシステムを利用することができる。
近年の研究では、ICD符号は、実際の臨床実践において特定の疾患に対して、患者を正確に特徴づけることができないことが示唆されている。
本稿では,構造化データと非構造化テキストノートの両方を,NLP,AutoML,Cysian-in-the-Loop機構などの技術で活用するスケーラブルなワークフローを提案する。
論文 参考訳(メタデータ) (2022-05-18T12:24:07Z) - Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。
われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。
このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文 参考訳(メタデータ) (2022-05-05T18:39:09Z) - 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) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-06T16:30:43Z) - Medical SANSformers: Training self-supervised transformers without
attention for Electronic Medical Records [61.409078231922486]
電子カルテにおける臨床コードモデリングに適した誘導バイアスを具現化した新規な無注意シーケンシャルモデルSANSformersを開発した。
次に、タスク固有の自己監督目標を設計し、その効果を、特に少ないデータ設定で示す。
本研究では,新たなSANSformerアーキテクチャとLSTMモデルとTransformerモデルとの比較を行った。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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)
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。