الخلفية والهدف: تعتبر تعيين الأكواد من أهم الجوانب في المستشفيات الحديثة على مستويات متعددة، بدءًا من ضمان دقة عملية الفواتير وحتى إنشاء سجل صالح لتاريخ الرعاية الصحية للمرضى. ومع ذلك، فإن عملية الترميز مرهقة وذاتية، وتتطلب موظفين طبيين مدربين بشكل مكثف. يهدف هذا البحث إلى تقييم أداء أنظمة التعلم العميق لخريطة الملاحظات السريرية تلقائيًا إلى الأكواد الطبية ICD-9. الطرق: ركزت تقييمات هذا البحث على طرق التعلم من النهاية إلى النهاية دون قواعد محددة يدويًا. تم تطبيق خوارزميات التعلم الآلي التقليدية بالإضافة إلى أساليب التعلم العميق المتقدمة مثل الشبكات العصبية المتكررة (Recurrent Neural Networks) والشبكات العصبية التلافيفية (Convolutional Neural Networks) على مجموعة بيانات Medical Information Mart for Intensive Care (MIMIC-III). تم إجراء عدد كبير من التجارب في إعدادات مختلفة للخوارزميات المختبرة. النتائج: أظهرت النتائج أن أساليب التعلم العميق أدت أفضل من غيرها من الطرق التقليدية للتعلم الآلي. ومن خلال تقييمنا، كانت أفضل النماذج قادرة على التنبؤ بالعشرة أكواد ICD-9 الأولى بمعيار F1 بمقدار 0.6957 وبدقة 0.8967، وكانت قادرة أيضًا على تقدير العشرة فئات ICD-9 الأولى بمعيار F1 بمقدار 0.7233 وبدقة 0.8588. كما تفوق تنفيذنا على الأعمال الموجودة تحت بعض مقاييس التقييم. الاستنتاج: تم استخدام مجموعة من المقاييس القياسية لتقييم أداء تعيين الأكواد ICD-9 على مجموعة بيانات MIMIC-III. جميع أدوات وأمكانيات التقييم التي تم تطويرها متاحة عبر الإنترنت ويمكن استخدامها كأساس للمزيد من الأبحاث.