Évaluation empirique de l'apprentissage profond pour l'attribution des codes ICD-9 à partir des notes cliniques MIMIC-III

Contexte et Objectif : L'attribution de codes est d'une importance primordiale à de nombreux niveaux dans les hôpitaux modernes, que ce soit pour garantir un processus de facturation précis ou pour créer un enregistrement valide de l'historique des soins aux patients. Cependant, le processus de codage est laborieux et subjectif, et il nécessite des codificateurs médicaux hautement formés. Cette étude vise à évaluer la performance des systèmes basés sur l'apprentissage profond pour mapper automatiquement les notes cliniques aux codes ICD-9. Méthodes : Les évaluations de cette recherche se concentrent sur des méthodes d'apprentissage end-to-end sans règles définies manuellement. Des algorithmes traditionnels d'apprentissage automatique ainsi que des méthodes d'apprentissage profond de pointe telles que les Réseaux Neuronaux Récurents (Recurrent Neural Networks) et les Réseaux Neuronaux Convolutifs (Convolution Neural Networks) ont été appliqués au jeu de données Medical Information Mart for Intensive Care (MIMIC-III). Un grand nombre d'expériences ont été menées dans différentes configurations de l'algorithme testé. Résultats : Les résultats ont montré que les méthodes basées sur l'apprentissage profond surpassaient les autres méthodes d'apprentissage automatique conventionnelles. Selon notre évaluation, les meilleurs modèles pouvaient prédire les 10 premiers codes ICD-9 avec une mesure F1 de 0,6957 et une précision de 0,8967, et estimer les 10 premières catégories ICD-9 avec une mesure F1 de 0,7233 et une précision de 0,8588. Notre mise en œuvre a également surpassé les travaux existants selon certains critères d'évaluation. Conclusion : Un ensemble de métriques standard a été utilisé pour évaluer la performance de l'attribution des codes ICD-9 sur le jeu de données MIMIC-III. Tous les outils et ressources d'évaluation développés sont disponibles en ligne et peuvent servir de référence pour des recherches ultérieures.