臨床分類システムの埋め込みベース自動マッピング：言語的変動と粒度の不整合の処理

科学分野:

• 医療情報学
• 自然言語処理
• 計算言語学

背景:

• 国際疾病分類（ICD）などの臨床分類システムのコーディングは重要ですが、困難です。
• 手動コーディングは労働集約的であり、スケーラブルではありません。
• 既存の自動化された方法は、臨床状態における言語的変動と異なる粒度に苦労しています。

研究 の 目的:

• 事前学習済みエンコーダーと大規模言語モデル（LLM）を組み合わせた自動マッピング方法を導入すること。
• 臨床分類マッピングにおける言語的変動と粒度の不一致に対処すること。

主な方法:

• ICDコードの階層拡張（HA）およびLLM生成（LG）の説明を生成しました。
• 粒度処理のためのLLM推論を使用したプロンプトフレームワーク（PR）を利用しました。
• ICDバージョン間（ICD-9-CM↔ICD-10-CM、ICD-10-AM↔ICD-11）でチャプターごとのマッピングを実行しました。

主要な成果:

• 提案されたアプローチは、すべてのICDペアとチャプターでベースライン法を一貫して上回りました。
• HAの説明とLLM生成の説明を組み合わせることで、トップ1の精度が平均6.5%向上しました。
• HA+LG法は、パイロットスタディにおける困難な1対多マッピングに効果的であることが証明されました。

結論:

• 事前学習済みエンコーダーとLLM推論を統合することは、自動ICDマッピングのための堅牢でスケーラブルなソリューションを提供します。
• このハイブリッドアプローチは、臨床分類システムのコーディングの精度と効率を向上させます。