論文の概要: Autoencoder-based prediction of ICU clinical codes
- arxiv url: http://arxiv.org/abs/2305.04992v1
- Date: Mon, 8 May 2023 18:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 20:10:59.881636
- Title: Autoencoder-based prediction of ICU clinical codes
- Title（参考訳）: オートエンコーダによるicu臨床コード予測
- Authors: Tsvetan R. Yordanov, Ameen Abu-Hanna, Anita CJ Ravelli, Iacopo
Vagliano
- Abstract要約: 我々は、MIMIC-IIIデータセットを用いて、臨床コードを補完するタスクを推薦問題として設定する。
様々なオートエンコーダアプローチと2つの強いベースライン、項目共起と特異値分解を考察する。
不完全なコードリストに加えて、臨床変数を使用することで、モデルの予測性能が向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Availability of diagnostic codes in Electronic Health Records (EHRs) is
crucial for patient care as well as reimbursement purposes. However, entering
them in the EHR is tedious, and some clinical codes may be overlooked. Given an
in-complete list of clinical codes, we investigate the performance of ML
methods on predicting the complete ones, and assess the added predictive value
of including other clinical patient data in this task. We used the MIMIC-III
dataset and frame the task of completing the clinical codes as a recommendation
problem. We con-sider various autoencoder approaches plus two strong baselines;
item co-occurrence and Singular Value Decomposition (SVD). Inputs are 1) a
record's known clinical codes, 2) the codes plus variables. The
co-occurrence-based ap-proach performed slightly better (F1 score=0.26, Mean
Average Precision [MAP]=0.19) than the SVD (F1=0.24, MAP=0.18). However, the
adversarial autoencoder achieved the best performance when using the codes plus
variables (F1=0.32, MAP=0.25). Adversarial autoencoders performed best in terms
of F1 and were equal to vanilla and denoising autoencoders in term of MAP.
Using clinical variables in addition to the incomplete codes list, improves the
predictive performance of the models.
- Abstract（参考訳）: エレクトロニック・ヘルス・レコード(EHR)における診断コードの利用は、患者のケアと再支払いの目的に不可欠である。
しかし、これらをEHRに入力するのは面倒であり、いくつかの臨床コードは見過ごされる可能性がある。
本研究は, 臨床検査の完全リストから, 完全予測におけるML法の性能について検討し, その他の臨床患者データを含む予測値について検討した。
提案手法はMIMIC-IIIデータセットを用いて,臨床コードを補完するタスクを推薦問題として用いた。
項目共起と特異値分解(SVD)という,多種多様なオートエンコーダアプローチと2つの強いベースラインを考察した。
入力は
1) 記録の既知の臨床基準
2) コードプラス変数。
共起基のap-proachはSVD (F1=0.24, MAP=0.18) よりも若干優れていた(F1 score=0.26, Mean Average Precision [MAP]=0.19)。
しかし、逆オートエンコーダはコードプラス変数(f1=0.32, map=0.25)を使用する場合に最高の性能を達成した。
対人オートエンコーダはF1で最善を尽くし,MAPでバニラに等しく,自己エンコーダをデノナイズした。
不完全なコードリストに加えて臨床変数を使用することで、モデルの予測性能が向上する。
関連論文リスト
- Bit-flipping Decoder Failure Rate Estimation for (v,w)-regular Codes [84.0257274213152]
並列ビットフリップデコーダのDFRを高精度に推定する手法を提案する。
本研究は,本症候群のモデル化およびシミュレーションによる重み比較,第1イテレーション終了時の誤りビット分布の誤検出,復号化復号化率(DFR)について検証した。
論文 参考訳（メタデータ） (2024-01-30T11:40:24Z) - A Two-Stage Decoder for Efficient ICD Coding [10.634394331433322]
ICD符号の予測のための2段階復号機構を提案する。
まず、まず親コードを予測し、その子コードを前回の予測に基づいて予測する。
公開MIMIC-IIIデータセット実験により,本モデルが単一モデル設定で良好に動作することを示す。
論文 参考訳（メタデータ） (2023-05-27T17:25:13Z) - 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) - Efficient Nearest Neighbor Search for Cross-Encoder Models using Matrix
Factorization [60.91600465922932]
本稿では,クロスエンコーダのみに頼って,二重エンコーダによる検索を回避する手法を提案する。
我々のアプローチは、現在の広く使われている方法よりも優れたテスト時間リコール-vs計算コストトレードオフを提供する。
論文 参考訳（メタデータ） (2022-10-23T00:32:04Z) - 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) - Medical Code Prediction from Discharge Summary: Document to Sequence
BERT using Sequence Attention [0.0]
ICD符号の自動割り当てにシーケンスアテンション法を用いた変換器(BERT)からの双方向エンコーダ表現に基づくモデルを提案する。
我々はMIMIC-IIIベンチマークデータセットのap-proachを評価した。
論文 参考訳（メタデータ） (2021-06-15T07:35:50Z) - TransICD: Transformer Based Code-wise Attention Model for Explainable
ICD Coding [5.273190477622007]
国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。
現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。
本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
論文 参考訳（メタデータ） (2021-03-28T05:34:32Z) - Collaborative residual learners for automatic icd10 prediction using
prescribed medications [45.82374977939355]
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。
論文 参考訳（メタデータ） (2020-12-16T07:07:27Z) - 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。