基于 MIMIC-III 临床笔记的深度学习用于 ICD-9 编码分配的实证评估
计算与语言
2019-10-03 v2
摘要
背景与目的：编码分配在现代医院的多个层面至关重要，从确保准确的计费流程到创建有效的患者护理史记录。然而，编码过程繁琐且主观，需要受过广泛培训的医学编码员。本研究旨在评估基于深度学习的系统自动将临床笔记映射到 ICD-9 医学编码的性能。方法：本研究评估聚焦于无人工定义规则的端到端学习方法。传统机器学习算法以及最先进的深度学习方法（如循环神经网络和卷积神经网络）被应用于重症监护医学信息集市（MIMIC-III）数据集。针对被测算法的不同设置进行了大量实验。结果：结果表明，基于深度学习的方法优于其他常规机器学习方法。根据我们的评估，最佳模型能以 0.6957 的 F1 和 0.8967 的准确率预测前 10 个 ICD-9 编码，并能以 0.7233 的 F1 和 0.8588 的准确率估计前 10 个 ICD-9 类别。在某些评估指标下，我们的实现也优于已有工作。结论：采用一组标准指标评估 MIMIC-III 数据集上 ICD-9 编码分配的性能。所有开发的评估工具与资源均在线可用，可作为进一步研究的基线。
引用
@article{arxiv.1802.02311,
title = {An Empirical Evaluation of Deep Learning for ICD-9 Code Assignment using MIMIC-III Clinical Notes},
author = {Jinmiao Huang and Cesar Osorio and Luke Wicent Sy},
journal= {arXiv preprint arXiv:1802.02311},
year = {2019}
}