論文の概要: Aligning AI Research with the Needs of Clinical Coding Workflows: Eight Recommendations Based on US Data Analysis and Critical Review

• arxiv url: http://arxiv.org/abs/2412.18043v1
• Date: Mon, 23 Dec 2024 23:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:39.281504
• Title: Aligning AI Research with the Needs of Clinical Coding Workflows: Eight Recommendations Based on US Data Analysis and Critical Review
• Title（参考訳）: 臨床コーディングワークフローの必要性を考慮したAI研究の調整:米国データ分析と批判的レビューに基づく8つの勧告
• Authors: Yidong Gan, Maciej Rybinski, Ben Hachey, Jonathan K. Kummerfeld,
• Abstract要約: 本研究の目的は,AIコーディング研究と臨床コーディングの実践的課題をより緊密に連携させることである。 分析の結果,8つの推奨事項が提示され,現在の評価方法を改善する方法が提案されている。
• 参考スコア（独自算出の注目度）: 14.381199039813675
• License:
• Abstract: Clinical coding is crucial for healthcare billing and data analysis. Manual clinical coding is labour-intensive and error-prone, which has motivated research towards full automation of the process. However, our analysis, based on US English electronic health records and automated coding research using these records, shows that widely used evaluation methods are not aligned with real clinical contexts. For example, evaluations that focus on the top 50 most common codes are an oversimplification, as there are thousands of codes used in practice. This position paper aims to align AI coding research more closely with practical challenges of clinical coding. Based on our analysis, we offer eight specific recommendations, suggesting ways to improve current evaluation methods. Additionally, we propose new AI-based methods beyond automated coding, suggesting alternative approaches to assist clinical coders in their workflows.
• Abstract（参考訳）: 臨床コーディングは、医療請求書作成とデータ分析に不可欠である。 手動の臨床的コーディングは、労働集約的でエラーを起こし、プロセスの完全な自動化に向けた研究を動機付けている。 しかし,本研究は,米国における電子健康記録とこれらの記録を用いた自動コーディング研究に基づいて,広く用いられている評価手法が実際の臨床状況と一致していないことを示す。 例えば、最も一般的なコードのトップ50にフォーカスする評価は、実際には何千ものコードがあるため、過度に単純化されている。 本研究の目的は,AIコーディング研究と臨床コーディングの実践的課題をより緊密に連携させることである。 分析の結果,8つの推奨事項が提示され,現在の評価方法を改善する方法が提案されている。 さらに、自動コーディング以外の新しいAIベースの手法を提案し、ワークフローにおける臨床コーダーを支援するための代替アプローチを提案する。

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)
• 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)
• Automated Clinical Coding for Outpatient Departments [14.923343535929515]
  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。
  論文  参考訳（メタデータ） (2023-12-21T02:28:29Z)
• Automated clinical coding using off-the-shelf large language models [10.365958121087305]
  診断用ICD符号を患者病院入院に割り当てる作業は、典型的には、熟練した人間のコーダーによって行われる。 自動ICD符号化への取り組みは、教師付きディープラーニングモデルによって支配されている。 本研究では,既製の事前学習型大規模言語モデルを活用し,実用的ソリューションを開発する。
  論文  参考訳（メタデータ） (2023-10-10T11:56:48Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• 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)

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。