ترميز ICD هو عملية تعيين أكواد تشخيصية لتصنيف الأمراض الدولية للملاحظات السريرية/الطبية التي يوثقها المهنيون الصحيون (مثل الأطباء). تتطلب هذه العملية موارد بشرية كبيرة، وبالتالي فهي باهظة الثمن ومعرضة للأخطاء. للتعامل مع هذه المشكلة، تم استخدام التعلم الآلي لترميز ICD تلقائيًا. كانت النماذج الرائدة سابقًا تعتمد على شبكات العصب الاصطناعية التلافيفية، باستخدام نافذة واحدة أو عدة نوافذ ثابتة. ومع ذلك، فإن أطوال وارتباطات الأجزاء النصية المتعلقة بأكواد ICD في النص السريري تختلف بشكل كبير، مما يؤدي إلى صعوبة تحديد أفضل حجم للنافذة. في هذا البحث، نقترح نموذج انتباه جديد للأوسمة لترميز ICD تلقائيًا، والذي يمكنه التعامل مع الأطوال المختلفة والارتباطات بين الأجزاء النصية المرتبطة بأكواد ICD. بالإضافة إلى ذلك، بما أن معظم أكواد ICD لا يتم استخدامها بشكل متكرر، مما يؤدي إلى مشكلة عدم التوازن الشديد في البيانات، فقد اقترحنا أيضًا آلية تعلم مشترك هرميّة تمتد من نموذج انتباه الأوسمة لدينا للتعامل مع هذه المشكلة باستخدام العلاقات الهرمية بين الأكواد. حقق نموذج انتباه الأوسمة لدينا نتائج جديدة رائدة على ثلاث مجموعات بيانات مرجعية من MIMIC، وساعدت آلية التعلم المشترك في تحسين الأداء للأكواد غير المتكررة.