Fugu-MT 論文翻訳(概要): Effective Medical Code Prediction via Label Internal Alignment

論文の概要: Effective Medical Code Prediction via Label Internal Alignment

arxiv url: http://arxiv.org/abs/2305.05162v1
Date: Tue, 9 May 2023 04:14:20 GMT
ステータス: 処理完了
システム内更新日: 2023-05-10 13:55:25.968663
Title: Effective Medical Code Prediction via Label Internal Alignment
Title（参考訳）: ラベル内アライメントによる効果的な医療コード予測
Authors: Guodong Liu
Abstract要約: 臨床用テキストから医療用コードを予測するために,多視点アテンションに基づくニューラルネットワークを提案する。提案手法は,オープンソースデータセット上で有効であることが確認された。
参考スコア（独自算出の注目度）: 2.538209532048867
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The clinical notes are usually typed into the system by physicians. They are typically required to be marked by standard medical codes, and each code represents a diagnosis or medical treatment procedure. Annotating these notes is time consuming and prone to error. In this paper, we proposed a multi-view attention based Neural network to predict medical codes from clinical texts. Our method incorporates three aspects of information, the semantic context of the clinical text, the relationship among the label (medical codes) space, and the alignment between each pair of a clinical text and medical code. Our method is verified to be effective on the open source dataset. The experimental result shows that our method achieves better performance against the prior state-of-art on multiple metrics.
Abstract（参考訳）: 臨床ノートは通常、医師によってシステムにタイプされる。これらは通常、標準的な医療コードによってマークされ、それぞれのコードは診断または治療手順を表す。これらのノートに注釈をつけるのは時間がかかり、エラーを起こしやすい。本稿では,臨床テキストから医用コードを予測するために,多視点注意型ニューラルネットワークを提案する。本手法は,3つの情報,臨床テキストの意味的文脈,ラベル(医療コード)空間間の関係,臨床テキストと医療コード間のアライメントの3つの側面を包含する。本手法はオープンソースデータセット上で有効であることを確認した。実験結果から,本手法は従来手法よりも性能が向上することが示された。

関連論文リスト

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-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文参考訳（メタデータ） (2022-08-03T08:33:21Z)
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)
Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文参考訳（メタデータ） (2021-12-23T16:11:19Z)
Word-level Text Highlighting of Medical Texts forTelehealth Services [0.0]
本研究の目的は,異なるテキストハイライト技術が関連する医療状況をどのように捉えることができるかを示すことである。 3つの異なる単語レベルのテキストハイライト手法を実装し評価する。実験の結果、ニューラルネットワークアプローチは医療関連用語の強調に成功していることがわかった。
論文参考訳（メタデータ） (2021-05-21T15:13:54Z)
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)
A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文参考訳（メタデータ） (2021-02-26T17:49:58Z)
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)
Seeing The Whole Patient: Using Multi-Label Medical Text Classification Techniques to Enhance Predictions of Medical Codes [2.158285012874102]
18,50,155ラベルの多ラベル医療用テキスト分類問題について報告する。不均衡なデータに対して、頻繁に発生するラベルは、埋め込みに組み込まれた追加機能から最も恩恵を受けることを示す。この研究の高次元埋め込みは公共用途に利用可能である。
論文参考訳（メタデータ） (2020-03-29T02:19:30Z)

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。