論文の概要: Can Current Explainability Help Provide References in Clinical Notes to
Support Humans Annotate Medical Codes?
- arxiv url: http://arxiv.org/abs/2210.15882v1
- Date: Fri, 28 Oct 2022 04:06:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 15:06:05.586924
- Title: Can Current Explainability Help Provide References in Clinical Notes to
Support Humans Annotate Medical Codes?
- Title（参考訳）: 現在の説明責任は、ヒトが医療コードに注釈を付けるための臨床ノートの参考になるか?
- Authors: Byung-Hak Kim, Zhongfen Deng, Philip S. Yu, Varun Ganapathi
- Abstract要約: 本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。
我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
- 参考スコア（独自算出の注目度）: 53.45585591262433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The medical codes prediction problem from clinical notes has received
substantial interest in the NLP community, and several recent studies have
shown the state-of-the-art (SOTA) code prediction results of full-fledged deep
learning-based methods. However, most previous SOTA works based on deep
learning are still in early stages in terms of providing textual references and
explanations of the predicted codes, despite the fact that this level of
explainability of the prediction outcomes is critical to gaining trust from
professional medical coders. This raises the important question of how well
current explainability methods apply to advanced neural network models such as
transformers to predict correct codes and present references in clinical notes
that support code prediction. First, we present an explainable Read, Attend,
and Code (xRAC) framework and assess two approaches, attention score-based
xRAC-ATTN and model-agnostic knowledge-distillation-based xRAC-KD, through
simplified but thorough human-grounded evaluations with SOTA transformer-based
model, RAC. We find that the supporting evidence text highlighted by xRAC-ATTN
is of higher quality than xRAC-KD whereas xRAC-KD has potential advantages in
production deployment scenarios. More importantly, we show for the first time
that, given the current state of explainability methodologies, using the SOTA
medical codes prediction system still requires the expertise and competencies
of professional coders, even though its prediction accuracy is superior to that
of human coders. This, we believe, is a very meaningful step toward developing
explainable and accurate machine learning systems for fully autonomous medical
code prediction from clinical notes.
- Abstract（参考訳）: 臨床ノートから得られた医療コード予測問題は,NLPコミュニティにおいて大きな関心を集めており,最近のいくつかの研究では,本格的な深層学習手法による最先端(SOTA)コード予測結果が示されている。
しかし,従来の深層学習に基づくSOTA研究の多くは,このレベルの予測結果が専門医の信頼を得る上で重要であるにもかかわらず,予測符号のテキスト参照や説明提供の観点からはまだ初期段階にある。
これは、現在の説明可能性手法がトランスフォーマーのような高度なニューラルネットワークモデルにどの程度うまく適用され、正しいコードを予測するか、コード予測をサポートする臨床ノートに参照を提示するかという重要な疑問を提起する。
まず、注意点に基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチを、SOTA変換器を用いた簡易かつ徹底的な人為的評価により評価する。
我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
さらに重要なことは、現在の説明可能性の方法論を考えると、その予測精度が人間のコーダよりも優れているにもかかわらず、SOTAの医療コード予測システムを使用するには、プロのコーダの専門知識と能力が必要であることを示します。
これは、臨床ノートから完全に自律的な医療コード予測のための説明可能で正確な機械学習システムを開発するための、非常に有意義なステップであると考えています。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting [11.96384267146423]
臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。
モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
論文 参考訳（メタデータ） (2024-08-07T14:52:06Z) - Continuous Predictive Modeling of Clinical Notes and ICD Codes in Patient Health Records [9.427150895481832]
本研究は, 患者全員の滞在時間におけるICDコード予測の可能性について検討した。
早期に診断と治療を予測する手法の開発は、予測医学の機会を開く可能性がある。
論文 参考訳（メタデータ） (2024-05-19T17:23:04Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Medical Codes Prediction from Clinical Notes: From Human Coders to
Machines [0.21320960069210473]
臨床ノートから医療コードを予測することは、すべての医療提供組織にとって実用的で不可欠である。
最大の課題は、構造化されていないフリーテキスト臨床ノートから数千の高次元コードから適切な医療コードを直接識別することである。
最近の研究では、本格的なディープラーニングベースの手法による最先端のコード予測結果が示されている。
論文 参考訳（メタデータ） (2022-10-30T14:24:13Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳（メタデータ） (2022-06-04T13:16:30Z) - Unifying Heterogenous Electronic Health Records Systems via Text-Based
Code Embedding [7.3394352452936085]
本稿では,コードに依存しない記述に基づく表現学習フレームワークであるDescEmbを紹介した。
予測タスクや伝達学習,プール学習など,さまざまな実験において,モデルの性能を検証した。
論文 参考訳（メタデータ） (2021-08-08T12:47:42Z) - Read, Attend, and Code: Pushing the Limits of Medical Codes Prediction
from Clinical Notes by Machines [0.42641920138420947]
医用コード代入マッピングを学習するための、読み取り、 attend、および Code (RAC) モデルを提示する。
RACは、現在最高のマクロF1を18.7%上回るSOTA(the New State of the Art)を確立している。
この新たなマイルストーンは、マシンにおける完全自律型医療コーディング(AMC)への重要な一歩となる。
論文 参考訳（メタデータ） (2021-07-10T06:01:58Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。