基于处方用药的协同残差学习器用于 ICD10 自动预测
信息检索
2020-12-22 v1 机器学习
摘要
临床编码是一项行政流程，涉及将诊疗过程中的诊断数据转换为如 ICD10 之类的标准编码格式。它有许多关键应用，例如计费和病因学研究。由于数据稀疏性、数字健康系统互操作性低、现实诊断的复杂性以及 ICD10 编码空间的庞大，临床编码的自动化非常具有挑战性。相关工作因依赖多种数据源、建模效率低以及泛化能力较差而适用性低。我们提出了一种新颖的基于协同残差学习的模型，仅利用处方数据来自动预测 ICD10 编码。我们在来自 Maharaj Nakorn Chiang Mai 医院的两个真实世界临床数据集（门诊和住院）上进行了大量实验，其具有真实的病例组合分布。在预测住院和门诊数据集的主要诊断时，我们分别获得了 0.71 和 0.57 的多标签分类平均精确率、0.57 和 0.38 的 F1 值以及 0.73 和 0.44 的准确率。
引用
@article{arxiv.2012.11327,
title = {Collaborative residual learners for automatic icd10 prediction using prescribed medications},
author = {Yassien Shaalan and Alexander Dokumentov and Piyapong Khumrin and Krit Khwanngern and Anawat Wisetborisu and Thanakom Hatsadeang and Nattapat Karaket and Witthawin Achariyaviriya and Sansanee Auephanwiriyakul and Nipon Theera-Umpon and Terence Siganakis},
journal= {arXiv preprint arXiv:2012.11327},
year = {2020}
}
备注
6 Pages, 5 Figures and 4 tables. Presented at AIDH (Australian Institute of Digital Health) Conference 2020