烟草治疗实时自动计费:CigStopper机器学习框架的性能评估

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 卫生系统面临的挑战是,烟草戒断咨询的账单不足和文档缺口.
• 对像CPT 99406/99407这样的服务进行准确的计费对于收入和患者护理的协调至关重要.

研究的目的:

• 为了评估CigStopper,一个用于预测戒烟咨询的计费资格的机器学习算法.
• 通过使用自动化CPT编码来解决医疗系统中低账单和文档不一致的问题.

主要方法:

• 训练有素的CigStopper在一个40,000笔记的语料库 (真实,合成,混合数据).
• 利用具有平面多类和等级分类的随机森林模型.
• 在真实世界的持久设置上评估性能,使用准确性,精度,回忆和F1分数.

主要成果:

• 在混合数据集上训练的模型实现了高计费资格 (F1 ≥0.97) 和CPT 99406预测 (F1 ≥0.90).
• 层次分类在资格和CPT代码预测方面表现优于平面多类模型.
• 由于训练量较低,密集咨询 (CPT 99407) 的预测仍然有限 (F1 ≤0.56).

结论:

• 作为一个可扩展的NLP工具来验证戒烟CPT代码,CigStopper显示出承诺.
• 混合数据集和层次架构提高了模型的概括性和性能.
• 临床文档中的系统性问题对某些代码的影响预测准确性,突出了更广泛的挑战.