用于出院前 ICD10 编码预测的集成模型
信息检索
2020-12-22 v1 机器学习
摘要
将医学诊断转换为临床编码在计费、病因分析和审计方面具有广泛的应用。目前，编码是一项人工工作，而此类任务的自动化并不简单。其中的挑战包括混乱且有噪声的临床记录、病例复杂性，以及庞大的 ICD10 编码空间。以往的工作主要依赖出院记录进行预测，且应用于非常有限的数据规模。我们提出了一种融合多种临床数据源的集成模型，以实现准确的编码预测。我们进一步提出了一种评估机制，为预测结果提供置信度。我们在来自清迈大学皇家医院（Maharaj Nakorn Chiang Mai Hospital）的两个新的真实世界临床数据集（住院与门诊）上进行了大量实验，其病例组合分布未经改动。在预测主要诊断时，我们在住院和门诊数据集上分别获得了多标签分类平均精度 0.73 和 0.58、F1 分数 0.56 和 0.35，以及准确率 0.71 和 0.4。
引用
@article{arxiv.2012.11333,
title = {Ensemble model for pre-discharge icd10 coding prediction},
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:2012.11333},
year = {2020}
}
备注
6 Pages, 2 Figures and 5 tables. Presented at AIDH (Australian Institute of Digital Health) Conference 2020