ComplicaCode：通过 ICD 路径生成增强电子健康记录中的疾病并发症检测
机器学习
2026-01-21 v2 计算与语言
神经与进化计算
摘要
电子健康记录（EHR）编码的目标是根据 EHR 查找诊断代码。在以往的研究中，研究人员倾向于对 EHR 编码任务进行多分类；他们大多先对 EHR 进行编码，然后基于 EHR 表示处理以获得每个代码的概率。然而，所有这些方法都忽视了疾病并发症的问题。在本文中，我们提出了一种新颖的 EHR 编码框架，这是检测并发症疾病的首次尝试，称为 ComplicaCode。该方法借鉴了对抗学习的思想；设计了路径生成器和路径判别器以更高效地完成 EHR 编码任务。我们提出了一个复制模块来检测并发症疾病；通过所提出的复制模块和对抗学习策略，我们有效地识别了并发症疾病。大量实验表明，我们的方法在预测中实现了 57.30\% 的并发症疾病比例，并在基于 cnn 的基线中实现了最先进的性能，它在并发症检测任务中也超越了 transformer 方法，证明了我们所提出模型的有效性。根据消融研究，所提出的复制机制在检测并发症疾病中起着至关重要的作用。
引用
@article{arxiv.2312.10259,
title = {ComplicaCode: Enhancing Disease Complication Detection in Electronic Health Records through ICD Path Generation},
author = {Xiaofan Zhou},
journal= {arXiv preprint arXiv:2312.10259},
year = {2026}
}
备注
arXiv admin note: text overlap with arXiv:2305.13250