基于出院小结的自动化 ICD 编码与分类系统系统文献综述
计算与语言
2021-07-23 v1 机器学习
摘要
自由文本临床叙述的编码长期被认为有利于资金、保险理赔处理与研究等二次利用。当前赋码为人工过程，昂贵、耗时且易错。近年许多研究者研究自然语言处理（NLP）、相关机器学习（ML）与深度学习（DL）方法技术，以解决临床叙述人工编码问题并辅助人工编码员更准确高效赋临床码。本系统文献综述全面概述了利用恰当 NLP、ML 与 DL 方法技术为出院小结赋 ICD 码的自动化临床编码系统。我们遵循 PRISMA 指南，在 PubMed、ScienceDirect、ACM 数字图书馆与 ACL Anthology 四个学术库对 2010 年 1 月至 2020 年 12 月出版物全面检索。审读 7556 篇，38 篇符合纳入标准。本综述识别：含出院小结的数据集；NLP 技术与其他数据提取过程；不同特征提取与嵌入技术。为衡量分类方法表现，使用了不同评估指标。最后给出未来研究方向。仍需努力提升 ICD 码预测准确率、最新版分类系统的大规模去标识临床语料可用性。这可作为向经验较少编码员与研究者指导与共享知识的平台。
引用
@article{arxiv.2107.10652,
title = {A Systematic Literature Review of Automated ICD Coding and Classification Systems using Discharge Summaries},
author = {Rajvir Kaur and Jeewani Anupama Ginige and Oliver Obst},
journal= {arXiv preprint arXiv:2107.10652},
year = {2021}
}
备注
33 pages, 1 figure. Under review in the Journal of Artificial Intelligence in Medicine