深度学习模型用于预测诊断和计费代码在访问家庭医学实践后:开发和验证研究

科学领域:

• 医疗保健中的人工智能
• 临床信息学 临床信息学
• 家庭医学的实践管理管理.

背景情况:

• 家庭医生因时间限制而面临计费准确性和收入捕获方面的挑战.
• 机器学习 (ML) 在预测其他专业的医疗代码方面取得了成功.
• 准确的编码对于报销和实践可持续性至关重要.

研究的目的:

• 开发和验证ML模型,用于从电子医疗记录 (EMR) 注释中预测诊断和计费代码.
• 评估这些模型在学术家庭医学环境中的表现.

主要方法:

• 来自学术家庭医学实践的EMR数据的回顾性研究 (2015年7月 - 2020年6月).
• 开发两个深度学习模型来预测诊断和计费代码.
• 将模型预测与提交的报销代码进行比较,使用准确度,回忆度,精度,F1分数和AUC.

主要成果:

• 在198802次患者访问中,模型接受了培训.
• 实现了高精度:诊断代码为99.8%,计费代码为99.5%.
• 与诊断代码模型相比,计费代码模型显示出更好的回忆 (70.3%) 和精度 (76.7%),回忆率为49.4%,精度为55.3%).
• 曲线下的面积 (AUC) 为诊断的0.983和计费代码的0.993.

结论:

• 开发的ML模型可以有效地预测家庭医学的EMR笔记中的诊断和计费代码.
• 计费代码模型表现出更强的绩效指标,这可能是由于更专注的预测集.
• 需要进一步的研究来提高模型性能,并确认在不同实践中普遍性.