Eine empirische Bewertung des tiefen Lernens für die Zuordnung von ICD-9-Codes unter Verwendung der MIMIC-III-Klinikkunden

Hintergrund und Ziel: Die Zuordnung von Codes ist in modernen Krankenhäusern auf vielen Ebenen von entscheidender Bedeutung, sei es für die Sicherstellung eines genauen Abrechnungsprozesses oder für die Erstellung einer gültigen Aufzeichnung der Patientenversorgungsgeschichte. Der Kodierungsprozess ist jedoch mühsam und subjektiv und erfordert medizinische Kodierer mit umfangreicher Ausbildung. Diese Studie zielt darauf ab, die Leistung von tiefen Lernsystemen zur automatischen Zuordnung klinischer Notizen zu ICD-9-Codes zu bewerten.Methoden: Die Bewertungen dieses Forschungsprojekts konzentrieren sich auf End-to-End-Lernmethoden ohne manuell definierte Regeln. Traditionelle Maschinelles-Lernen-Algorithmen sowie moderne Deep-Learning-Methoden wie Rekurrente Neuronale Netze (Recurrent Neural Networks) und Faltende Neuronale Netze (Convolutional Neural Networks) wurden auf den Datensatz Medical Information Mart for Intensive Care (MIMIC-III) angewendet. Eine große Anzahl von Experimenten wurde unter verschiedenen Einstellungen des getesteten Algorithmus durchgeführt.Ergebnisse: Die Ergebnisse zeigten, dass die tiefen Lernmethoden andere herkömmliche Maschinelles-Lernen-Methoden übertrafen. Aus unserer Bewertung ergab sich, dass die besten Modelle die Top 10 ICD-9-Codes mit einem F1-Wert von 0,6957 und einer Genauigkeit von 0,8967 vorhersagen konnten und die Top 10 ICD-9-Kategorien mit einem F1-Wert von 0,7233 und einer Genauigkeit von 0,8588 schätzen konnten. Unsere Implementierung übertraf auch bestehende Arbeiten bei bestimmten Evaluationsmetriken.Schlussfolgerung: Eine Reihe standardisierter Metriken wurde verwendet, um die Leistung der ICD-9-Codierung auf dem MIMIC-III-Datensatz zu bewerten. Alle entwickelten Evaluationswerkzeuge und Ressourcen sind online verfügbar und können als Referenz für weitere Forschungen verwendet werden.