論文の概要: A Comparative Study on Automatic Coding of Medical Letters with Explainability
- arxiv url: http://arxiv.org/abs/2407.13638v1
- Date: Thu, 18 Jul 2024 16:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 14:41:26.066925
- Title: A Comparative Study on Automatic Coding of Medical Letters with Explainability
- Title（参考訳）: 説明性を考慮した医療用文字の自動符号化法の比較検討
- Authors: Jamie Glen, Lifeng Han, Paul Rayson, Goran Nenadic,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.834930446531957
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This study aims to explore the implementation of Natural Language Processing (NLP) and machine learning (ML) techniques to automate the coding of medical letters with visualised explainability and light-weighted local computer settings. Currently in clinical settings, coding is a manual process that involves assigning codes to each condition, procedure, and medication in a patient's paperwork (e.g., 56265001 heart disease using SNOMED CT code). There are preliminary research on automatic coding in this field using state-of-the-art ML models; however, due to the complexity and size of the models, the real-world deployment is not achieved. To further facilitate the possibility of automatic coding practice, we explore some solutions in a local computer setting; in addition, we explore the function of explainability for transparency of AI models. We used the publicly available MIMIC-III database and the HAN/HLAN network models for ICD code prediction purposes. We also experimented with the mapping between ICD and SNOMED CT knowledge bases. In our experiments, the models provided useful information for 97.98\% of codes. The result of this investigation can shed some light on implementing automatic clinical coding in practice, such as in hospital settings, on the local computers used by clinicians , project page \url{https://github.com/Glenj01/Medical-Coding}.
- Abstract（参考訳）: 本研究では,NLP(Natural Language Processing)と機械学習(ML)による医用文字の自動符号化の実現を,視覚的説明可能性と軽量なローカルコンピュータ設定を用いて検討することを目的とする。
現在、臨床環境では、コーディングは、患者の書類(例えば、SNOMED CTコードを用いた56265001心臓病)のそれぞれの状態、手順、薬品にコードを割り当てる手作業である。
この分野では、最先端のMLモデルを用いた自動コーディングに関する予備的な研究があるが、モデルの複雑さとサイズのため、実際の展開は達成されていない。
自動コーディングの実施可能性をさらに促進するために,我々は,局所的なコンピュータ環境におけるいくつかのソリューションを探究するとともに,AIモデルの透明性に関する説明可能性機能についても検討する。
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。
また,ICDとSNOMED CTの知識ベース間のマッピング実験を行った。
実験では、97.98 %のコードに対して有用な情報を提供した。
本研究の結果は, 臨床医が使用するローカルコンピュータ上で, 病院設定, プロジェクトページ \url{https://github.com/Glenj01/Medical-Coding} などにおいて, 臨床検査の実施に光を当てることができる。
関連論文リスト
- Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z) - CoRelation: Boosting Automatic ICD Coding Through Contextualized Code
Relation Learning [56.782963838838036]
我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。
提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
論文 参考訳（メタデータ） (2024-02-24T03:25:28Z) - Automatic Coding at Scale: Design and Deployment of a Nationwide System
for Normalizing Referrals in the Chilean Public Healthcare System [0.0]
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。
論文 参考訳（メタデータ） (2023-07-09T16:19:35Z) - PyTrial: Machine Learning Software and Benchmark for Clinical Trial
Applications [49.69824178329405]
PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。
患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。
PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
論文 参考訳（メタデータ） (2023-06-06T21:19:03Z) - 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) - HiCu: Leveraging Hierarchy for Curriculum Learning in Automated ICD
Coding [2.274915755738124]
我々は、自然言語記述からICDの診断と手順コードを予測するマルチラベル分類モデルのためのカリキュラムを作成する。
提案するカリキュラムは、リカレント、畳み込み、トランスフォーマーベースのアーキテクチャにまたがるニューラルネットワークベースの予測モデルの一般化を改善する。
論文 参考訳（メタデータ） (2022-08-03T18:39:27Z) - 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) - 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) - 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)
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。