具备可解释性的医疗信函自动编码比较研究
计算与语言
2024-07-19 v1 人工智能
摘要
本研究旨在探索如何运用自然语言处理（NLP）和机器学习（ML）技术，在轻量化的本地计算机设置下，实现具有可视化可解释性的医疗信函自动编码。目前在临床环境中，编码是一个手动过程，涉及为患者文书（例如，使用 SNOMED CT 代码 56265001 表示心脏病）中的每种状况、操作和药物分配代码。该领域已有使用最先进 ML 模型进行自动编码的初步研究；然而，由于模型的复杂性和规模，尚未实现实际部署。为了进一步推动自动编码实践的可能性，我们在本地计算机环境中探索了一些解决方案；此外，我们还探索了可解释性功能，以实现 AI 模型的透明度。我们使用公开的 MIMIC-III 数据库和 HAN/HLAN 网络模型进行 ICD 代码预测。我们还对 ICD 与 SNOMED CT 知识库之间的映射进行了实验。在我们的实验中，模型为 97.98% 的代码提供了有用信息。这项调查的结果可以为在实践中实施自动临床编码提供一些启示，例如在医院环境中，在临床医生使用的本地计算机上，项目页面见 \url{https://github.com/Glenj01/Medical-Coding}。
引用
@article{arxiv.2407.13638,
title = {A Comparative Study on Automatic Coding of Medical Letters with Explainability},
author = {Jamie Glen and Lifeng Han and Paul Rayson and Goran Nenadic},
journal= {arXiv preprint arXiv:2407.13638},
year = {2024}
}
备注
working paper