論文の概要: Medical Codes Prediction from Clinical Notes: From Human Coders to
Machines
- arxiv url: http://arxiv.org/abs/2210.16850v1
- Date: Sun, 30 Oct 2022 14:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 15:21:43.176507
- Title: Medical Codes Prediction from Clinical Notes: From Human Coders to
Machines
- Title(参考訳): 臨床ノートからの医用コード予測--ヒューマン・コーダーから機械へ
- Authors: Byung-Hak Kim
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.21320960069210473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prediction of medical codes from clinical notes is a practical and essential
need for every healthcare delivery organization within current medical systems.
Automating annotation will save significant time and excessive effort that
human coders spend today. However, the biggest challenge is directly
identifying appropriate medical codes from several thousands of
high-dimensional codes from unstructured free-text clinical notes. This complex
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 code prediction results of full-fledged deep learning-based
methods. This progress raises the fundamental question of how far automated
machine learning systems are from human coders' working performance, as well as
the important question of how well current explainability methods apply to
advanced neural network models such as transformers. This is to predict correct
codes and present references in clinical notes that support code prediction, as
this level of explainability and accuracy of the prediction outcomes is
critical to gaining trust from professional medical coders.
- Abstract(参考訳): 臨床ノートから医療コードを予測することは、現在の医療システム内のすべての医療提供組織にとって、実用的で不可欠な必要性である。
アノテーションの自動化は、今日の人間のプログラマが費やす膨大な時間と過大な労力を省きます。
しかし、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。
この臨床ノートからの複雑な医療符号予測問題は、nlpコミュニティに大きな関心を集めており、最近のいくつかの研究は、本格的な深層学習に基づく方法の最先端のコード予測結果を示している。
この進歩は、自動機械学習システムが人間のプログラマの作業パフォーマンスからどこまで遠いのかという根本的な疑問を提起すると同時に、トランスフォーマーのような先進的なニューラルネットワークモデルに対して、現在の説明可能性手法がどの程度有効であるかという重要な疑問も提起する。
このことは、このレベルの説明可能性と予測結果の正確性は、プロの医療プログラマーから信頼を得るために重要であるため、コード予測をサポートする臨床ノートに正しいコードと参照を予測することである。
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) - Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review
and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。
その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。
再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文 参考訳(メタデータ) (2023-04-21T11:54:44Z) - Can Current Explainability Help Provide References in Clinical Notes to
Support Humans Annotate Medical Codes? [53.45585591262433]
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。
論文 参考訳(メタデータ) (2022-10-28T04:06:07Z) - User-Driven Research of Medical Note Generation Software [49.85146209418244]
本稿では,医療用ノート生成システム開発における3ラウンドのユーザスタディについて述べる。
参加する臨床医の印象と,システムがどのようにそれらに価値あるものに適合すべきかの視点について論じる。
遠隔医療における3週間のシステムテストについて述べる。
論文 参考訳(メタデータ) (2022-05-05T10:18:06Z) - 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) - Multitask Recalibrated Aggregation Network for Medical Code Prediction [19.330911490203317]
長期かつノイズの多い臨床文書の符号化の課題を解決するために,マルチタスク再校正アグリゲーションネットワークを提案する。
特に、マルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。
実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。
論文 参考訳(メタデータ) (2021-04-02T09:22:10Z) - Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative
Study [2.871614744079523]
事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。
本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。
現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
論文 参考訳(メタデータ) (2021-03-11T07:23:45Z) - 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) - Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。
新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。
提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
論文 参考訳(メタデータ) (2020-10-14T11:37:24Z) - 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。