論文の概要: Automated Clinical Coding for Outpatient Departments
- arxiv url: http://arxiv.org/abs/2312.13533v1
- Date: Thu, 21 Dec 2023 02:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-22 16:02:26.570905
- Title: Automated Clinical Coding for Outpatient Departments
- Title（参考訳）: 外来における臨床検査の自動化
- Authors: Viktor Schlegel, Abhinav Ramesh Kashyap, Thanh-Tung Nguyen, Tsung-Han
Yang, Vijay Prakash Dwivedi, Wei-Hsian Yin, Jeng Wei, Stefan Winkle
- Abstract要約: 本報告は,病院における外来医療における最先端の深層学習に基づく臨床コーディング手法の有効性を検討するための最初の試みである。
私たちは、500万人以上の患者を記録した700万以上のノートからなる、大規模な外来患者データセットを収集します。
我々はこの設定に4つの最先端の臨床的コーディングアプローチを適用し、コーダを補助する可能性を評価する。
- 参考スコア（独自算出の注目度）: 13.898751223151155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computerised clinical coding approaches aim to automate the process of
assigning a set of codes to medical records. While there is active research
pushing the state of the art on clinical coding for hospitalized patients, the
outpatient setting -- where doctors tend to non-hospitalised patients -- is
overlooked. Although both settings can be formalised as a multi-label
classification task, they present unique and distinct challenges, which raises
the question of whether the success of inpatient clinical coding approaches
translates to the outpatient setting. This paper is the first to investigate
how well state-of-the-art deep learning-based clinical coding approaches work
in the outpatient setting at hospital scale. To this end, we collect a large
outpatient dataset comprising over 7 million notes documenting over half a
million patients. We adapt four state-of-the-art clinical coding approaches to
this setting and evaluate their potential to assist coders. We find evidence
that clinical coding in outpatient settings can benefit from more innovations
in popular inpatient coding benchmarks. A deeper analysis of the factors
contributing to the success -- amount and form of data and choice of document
representation -- reveals the presence of easy-to-solve examples, the coding of
which can be completely automated with a low error rate.
- Abstract（参考訳）: computerized clinical coding approachは、一連のコードを医療記録に割り当てるプロセスを自動化することを目的としている。
入院患者のための臨床コーディングに関する技術の現状を推し進める研究が活発に行われているが、医師が非入院患者を診察する外来の状況は見過ごされている。
どちらの設定もマルチラベル分類タスクとして定式化できるが、それらは独特で明確な課題を示しており、外来臨床コーディングアプローチの成功が外来の状況に繋がるかどうかという問題を引き起こす。
本稿では,病院規模の外来で,最先端の深層学習に基づく臨床コーディング手法がいかにうまく機能するかを初めて検討する。
この目的のために、500万人以上の患者を記録した700万以上のノートからなる大規模な外来患者データセットを収集した。
我々は4つの最先端臨床コーディングアプローチをこの設定に適応させ,コーダ支援の可能性を評価する。
外来における臨床的コーディングは、一般的な入院型コーディングベンチマークにおいて、より多くのイノベーションの恩恵を受けることができることを示す。
データの量と形式、文書表現の選択など、成功に寄与する要因のより深い分析は、容易に解決できる例の存在を明らかにし、そのコーディングはエラー率を低くして完全に自動化できる。
関連論文リスト
- Large Language Models in the Clinic: A Comprehensive Benchmark [63.21278434331952]
診療所の大規模言語モデル(LLM)をよりよく理解するためのベンチマークであるClimateBenchを構築した。
まず、さまざまな臨床言語の生成、理解、推論タスクを含む11の既存のデータセットを収集します。
次に,現実の実践において複雑だが一般的である6つの新しいデータセットと臨床タスクを構築した。
ゼロショット設定と少数ショット設定の両方で、20個のLDMを広範囲に評価する。
論文 参考訳（メタデータ） (2024-04-25T15:51:06Z) - Zero-Shot Clinical Trial Patient Matching with LLMs [40.31971412825736]
大規模言語モデル(LLM)は、自動スクリーニングの有望なソリューションを提供する。
我々は,患者の診療歴を非構造的臨床テキストとして考慮し,その患者が包括的基準を満たしているかどうかを評価するLCMベースのシステムを構築した。
提案システムは,n2c2 2018コホート選択ベンチマークにおいて,最先端のスコアを達成している。
論文 参考訳（メタデータ） (2024-02-05T00:06:08Z) - Exploring the Consistency, Quality and Challenges in Manual and
Automated Coding of Free-text Diagnoses from Hospital Outpatient Letters [4.743464936070594]
本研究は,外来患者からの診断における手動および自動臨床符号化の質と整合性を評価するものである。
金の基準は、注釈付き診断のサブセットから臨床医のパネルによって構築された。
以上の結果から,自由テキスト記述に1つの診断しか含まれていない場合,人間による自動符号化はわずかに性能が優れていた。
論文 参考訳（メタデータ） (2023-11-17T20:32:24Z) - 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) - Automated Clinical Coding: What, Why, and Where We Are? [17.086212195006894]
クリニカルコーディングは、プロセスの効率と正確性を改善するために、自動化システムによってサポートされる可能性がある。
本研究は、臨床コーディングに適用されている現在のディープラーニングベースのアプローチと、実世界の実践における説明可能性と一貫性の必要性のギャップを明らかにする。
今後5年以内にコーディングをサポートするために、AIベースの自動化システムの開発とデプロイを達成するには、多くのことが必要です。
論文 参考訳（メタデータ） (2022-03-21T16:17:38Z) - 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) - 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) - 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) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-04T06:09:02Z) - 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。