基于因果推断的 ICD 编码中消除人口统计学偏差与专家偏差的新方法
计算与语言
2024-10-21 v1
摘要
ICD（国际疾病分类）编码涉及根据患者就诊记录分配 ICD 编码。将 ICD 编码视为多标签文本分类任务，研究人员已发展出 sophisticated 方法。尽管取得了进展，但这些模型常因标签不平衡且可能与人口统计因素建立虚假关联而受到影响。此外，虽然人类编码员会分配 ICD 编码，但来自无关专家的无关信息的纳入会引入偏差。为对抗这些问题，我们提出了一种通过因果推断消除 ICD 编码中人口统计学偏差与专家偏差的新方法（DECI）。我们为 ICD 编码提供了新的因果解释，使模型通过三个 distinct 路径进行预测。基于反事实推理，DECI 消除了人口统计学和专家偏差。实验结果表明，DECI 在准确且无偏差的 ICD 编码方面超越了最先进的模型，为 ICD 编码的准确无偏提供了显著性进展。
引用
@article{arxiv.2410.14236,
title = {A Novel Method to Metigate Demographic and Expert Bias in ICD Coding with Causal Inference},
author = {Bin Zhang and Junli Wang},
journal= {arXiv preprint arXiv:2410.14236},
year = {2024}
}