Erklärbares automatisches Kodieren von klinischen Notizen unter Verwendung hierarchischer labelweiser Aufmerksamkeitsnetze und Label-Embedding-Initialisierung

Die diagnostische oder prozedurale Kodierung klinischer Notizen zielt darauf ab, eine kodifizierte Zusammenfassung der erkrankungsbezogenen Informationen über Patienten zu erstellen. Diese Kodierung wird in Krankenhäusern in der Regel manuell durchgeführt, könnte aber potenziell automatisiert werden, um die Effizienz und Genauigkeit der medizinischen Kodierung zu verbessern. Neuere Studien zur tiefen Lernmethode für die automatische medizinische Kodierung erzielten vielversprechende Ergebnisse. Allerdings ist die Erklärbarkeit dieser Modelle in der Regel gering, was ihre sichere Nutzung zur Unterstützung der klinischen Praxis verhindert. Eine weitere Einschränkung besteht darin, dass diese Modelle in der Regel die Unabhängigkeit zwischen den Etiketten annehmen, dabei jedoch die komplexe Korrelation zwischen medizinischen Codes ignorieren, die potenziell genutzt werden könnte, um die Leistungsfähigkeit zu steigern. Wir schlagen ein hierarchisches labelweises Aufmerksamkeitsnetzwerk (HLAN) vor, das darauf abzielt, das Modell durch Quantifizierung der Bedeutung (als Aufmerksamkeitsgewichte) von Wörtern und Sätzen im Bezug auf jedes Etikett zu interpretieren. Zweitens schlagen wir vor, die wichtigsten tiefen Lernmodelle mit einer labelweisen Einbettungsinitialisierungsstrategie (Label Embedding Initialisation – LE) zu verbessern, bei der eine dichte, kontinuierliche Vektordarstellung gelernt wird und dann diese Darstellung in die Endschichten und die labelweisen Aufmerksamkeitsschichten des Modells injiziert wird. Wir haben die Methoden unter drei Einstellungen anhand der Entlassungszusammenfassungen aus MIMIC-III evaluiert: vollständige Codes, Top-50-Codes und UK NHS COVID-19-Schutzcodes. Experimente wurden durchgeführt, um HLAN und LE-Initialisierung mit den neuesten neuronalen Netzwerk-basierten Methoden zu vergleichen. HLAN erzielte den besten mikro-AUC-Wert und das beste $F_1$-Maß bei der Vorhersage der Top-50-Codes sowie vergleichbare Ergebnisse bei der Vorhersage der NHS COVID-19-Schutzcodes im Vergleich zu anderen Modellen. Durch das Hervorheben der wichtigsten Wörter und Sätze für jedes Etikett zeigte HLAN eine bedeutendere und umfassendere Modellinterpretation im Vergleich zu seinen reduzierten Baselines und den CNN-basierten Modellen. Die LE-Initialisierung verbesserte konsistent die meisten tiefen Lernmodelle für die automatische medizinische Kodierung.请注意，虽然您要求的是德语翻译，但您的第4条要求中提到了“使其更符合法语读者的阅读习惯”。这里我假设您指的是德语读者，因此进行了相应的翻译。如果有误，请告知。