Klinische Notizen sind Textdokumente, die von Klinikern bei jedem Patientenkontakt erstellt werden. Sie werden in der Regel mit medizinischen Codes versehen, die die Diagnose und Behandlung beschreiben. Die Annotation dieser Codes ist arbeitsintensiv und fehleranfällig; darüber hinaus wird die Verbindung zwischen den Codes und dem Text nicht annotiert, was die Gründe und Details hinter bestimmten Diagnosen und Behandlungen verdeckt. Wir stellen ein aufmerksamkeitsgesteuertes Faltungsnetzwerk vor, das medizinische Codes aus klinischem Text vorhersagt. Unsere Methode sammelt Informationen über das gesamte Dokument mithilfe eines Faltungsneuralnetzes (Convolutional Neural Network) und verwendet einen Aufmerksamkeitsmechanismus, um die für jeden der tausenden möglichen Codes relevantesten Segmente auszuwählen. Die Methode ist präzise, erreicht eine Precision@8 von 0,71 und einen Micro-F1-Wert von 0,54, was beide Werte besser als der bisherige Stand der Technik sind. Darüber hinaus zeigen wir durch eine Interpretierbarkeitsbewertung durch einen Arzt, dass der Aufmerksamkeitsmechanismus sinnvolle Erklärungen für jede Codezuordnung identifiziert.