論文の概要: Automatic Coding at Scale: Design and Deployment of a Nationwide System
for Normalizing Referrals in the Chilean Public Healthcare System
- arxiv url: http://arxiv.org/abs/2307.05560v1
- Date: Sun, 9 Jul 2023 16:19:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 16:16:01.514894
- Title: Automatic Coding at Scale: Design and Deployment of a Nationwide System
for Normalizing Referrals in the Chilean Public Healthcare System
- Title（参考訳）: 大規模自動コーディング:チリ公共医療システムにおけるレファラーの正規化のための全国的なシステムの設計と展開
- Authors: Fabi\'an Villena, Mat\'ias Rojas, Felipe Arias, Jorge Pacheco, Paulina
Vera, Jocelyn Dunstan
- Abstract要約: 本稿では,チリの公共医療システムからの紹介で,疾患を自動的にコードする2段階のシステムを提案する。
具体的には,病名認識のための最新のNERモデルと,これらの疾患名に関連付けられた最も関連性の高いコードを割り当てるための検索エンジンシステムを用いている。
本システムでは,カテゴリレベルのMAPスコアが0.63,カテゴリレベルの0.83を得た。
- 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: The disease coding task involves assigning a unique identifier from a
controlled vocabulary to each disease mentioned in a clinical document. This
task is relevant since it allows information extraction from unstructured data
to perform, for example, epidemiological studies about the incidence and
prevalence of diseases in a determined context. However, the manual coding
process is subject to errors as it requires medical personnel to be competent
in coding rules and terminology. In addition, this process consumes a lot of
time and energy, which could be allocated to more clinically relevant tasks.
These difficulties can be addressed by developing computational systems that
automatically assign codes to diseases. In this way, we propose a two-step
system for automatically coding diseases in referrals from the Chilean public
healthcare system. Specifically, our model uses a state-of-the-art NER model
for recognizing disease mentions and a search engine system based on
Elasticsearch for assigning the most relevant codes associated with these
disease mentions. The system's performance was evaluated on referrals manually
coded by clinical experts. Our system obtained a MAP score of 0.63 for the
subcategory level and 0.83 for the category level, close to the best-performing
models in the literature. This system could be a support tool for health
professionals, optimizing the coding and management process. Finally, to
guarantee reproducibility, we publicly release the code of our models and
experiments.
- Abstract（参考訳）: 疾患符号化タスクは、コントロールされた語彙から臨床文書に記載された各疾患にユニークな識別子を割り当てることを含む。
このタスクは、非構造化データからの情報抽出を可能とし、例えば、特定された状況において疾患の発生率と感染率に関する疫学研究を行う。
しかしながら、手動のコーディングプロセスは、医療従事者がコーディングルールや用語に精通する必要があるため、エラーとなる。
さらに、このプロセスは多くの時間とエネルギーを消費し、より臨床的に関連するタスクに割り当てることができる。
これらの困難は、自動的に病気にコードを割り当てる計算システムを開発することで対処できる。
そこで本稿では,チリの公共医療システムから参照される疾患を自動的にコードする2段階のシステムを提案する。
具体的には,病名認識に最先端のNERモデルとElasticsearchをベースとした検索エンジンシステムを用いて,これらの疾患名に関連性の高いコードを割り当てる。
このシステムの性能は、臨床専門家が手作業でコーディングした基準に基づいて評価された。
本システムでは,サブカテゴリレベルでは0.63,カテゴリーレベルでは0.83のマップスコアを得た。
このシステムは、コーディングと管理のプロセスを最適化する健康専門家のためのサポートツールになり得る。
最後に、再現性を保証するため、我々のモデルと実験のコードを公開します。
関連論文リスト
- A Comparative Study on Automatic Coding of Medical Letters with Explainability [7.834930446531957]
本研究では,NLP(Natural Language Processing)と機械学習(ML)による医療用文字の自動符号化の実現について検討する。
利用可能なMIMIC-IIIデータベースとHAN/HLANネットワークモデルをICDコード予測のために使用した。
実験では、97.98%のコードに対して有用な情報を提供した。
論文 参考訳（メタデータ） (2024-07-18T16:12:47Z) - GrabQC: Graph based Query Contextualization for automated ICD coding [16.096824533334352]
textbfGraph textbfベースのtextbfQuery textbfContextualization法である textbfGrabQC を提案する。
本手法の有効性を主張するために,臨床テキストの2つのデータセットを3つの異なる設定で実験を行った。
論文 参考訳（メタデータ） (2022-07-14T10:27:25Z) - Classifying Unstructured Clinical Notes via Automatic Weak Supervision [17.45660355026785]
クラスラベル記述のみから学習する、一般的な弱教師付きテキスト分類フレームワークを導入する。
我々は、事前訓練された言語モデルとデータプログラミングフレームワークに格納された言語ドメインの知識を活用して、テキストにコードラベルを割り当てる。
論文 参考訳（メタデータ） (2022-06-24T05:55:49Z) - ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。
ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。
ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
論文 参考訳（メタデータ） (2022-04-21T20:59:56Z) - A Systematic Literature Review of Automated ICD Coding and
Classification Systems using Discharge Summaries [5.156484100374058]
フリーテキスト臨床物語の体系化は、資金、保険請求処理、研究などの二次的用途に有用であると長年認識されてきた。
コードの割り当ての現在のシナリオは、非常にコストがかかり、時間がかかり、エラーが発生しやすい手作業のプロセスです。
この体系的な文献レビューは、自動化された臨床コーディングシステムの包括的概要を提供する。
論文 参考訳（メタデータ） (2021-07-12T03:55:17Z) - Active learning for medical code assignment [55.99831806138029]
臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。
MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。
その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
論文 参考訳（メタデータ） (2021-04-12T18:11:17Z) - 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) - 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) - 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) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。