Sobre el mapeo automático basado en incrustaciones de sistemas de clasificación clínica: manejo de variaciones...

Área de la Ciencia:

• Informática Médica
• Procesamiento del Lenguaje Natural
• Lingüística Computacional

Sus antecedentes:

• El mapeo de sistemas de clasificación clínica, como la Clasificación Internacional de Enfermedades (CIE), es crucial pero desafiante.
• El mapeo manual requiere mucha mano de obra y no es escalable.
• Los métodos automáticos existentes tienen dificultades con la variación lingüística y la diferente granularidad en las afecciones clínicas.

Objetivo del estudio:

• Introducir un método de mapeo automático que combine codificadores preentrenados y modelos de lenguaje grandes (LLM).
• Abordar la variación lingüística y las discrepancias de granularidad en el mapeo de la clasificación clínica.

Principales métodos:

• Generación de descripciones aumentadas con jerarquía (HA) y descripciones generadas por LLM (LG) para códigos CIE.
• Utilización de un marco de indicaciones (PR) con razonamiento LLM para el manejo de la granularidad.
• Realización de mapeos por capítulos entre versiones de la CIE (CIE-9-MC↔CIE-10-MC, CIE-10-AM↔CIE-11).

Principales resultados:

• El enfoque propuesto superó consistentemente a los métodos de referencia en todos los pares y capítulos de la CIE.
• La combinación de descripciones HA con descripciones generadas por LLM mejoró la precisión de 'top-1' en un promedio del 6,5%.
• El método HA+LG demostró ser eficaz para mapeos desafiantes de uno a muchos en un estudio piloto.

Conclusiones:

• La integración de codificadores preentrenados con razonamiento LLM proporciona una solución robusta y escalable para el mapeo automático de la CIE.
• Este enfoque híbrido mejora la precisión y la eficiencia del mapeo de sistemas de clasificación clínica.