使用大型开放的临床体来改进ICD-10诊断编码

科学领域:

• 自然语言处理自然语言处理.
• 深度学习 (Deep Learning) 是一种深度学习.
• 医疗信息学 医疗信息学

背景情况:

• 在NLP和深度学习方面的进步使得人工智能辅助的医学编码变得更加可行.
• 有效的ICD-10诊断编码出院摘要对于医疗保健数据管理至关重要.

研究的目的:

• 提出用于训练医疗编码AI模型的新型数据集.
• 开发和评估一个基于BERT的语言模型,用于将ICD-10代码分配给瑞典解雇摘要.
• 在一个实用的编码支持工具中展示这些数据集和模型的实用性.

主要方法:

• 开发和策划用于医疗编码任务的专用数据集.
• 培训一个基于BERT的语言模型,用瑞典语汇总出台的 absoluttsammendragningar.
• 评估模型在分配ICD-10代码方面的表现.
• 模拟编码支持工具,推代码以减少编码员的工作量.

主要成果:

• 一个基于BERT的语言模型成功地使用所介绍的数据集进行了训练.
• 该模型在将准确的ICD-10代码分配给瑞典出院摘要方面表现一致.
• 开发的模型可以集成到编码支持系统中,以提高编码器的效率.

结论:

• 提出的数据集是开发医疗编码人工智能的宝贵资源.
• 像基于BERT的AI模型一样,可以通过减少医疗编程人员的工作量来显著帮助医疗编程人员.
• 无标识和伪名的数据集可用于学术研究,以促进进一步的发展.