HyperAIHyperAI
il y a 2 mois

Prédiction explicable des codes médicaux à partir de textes cliniques

James Mullenbach; Sarah Wiegreffe; Jon Duke; Jimeng Sun; Jacob Eisenstein
Prédiction explicable des codes médicaux à partir de textes cliniques
Résumé

Les notes cliniques sont des documents textuels créés par les cliniciens pour chaque rencontre avec un patient. Elles sont généralement accompagnées de codes médicaux, qui décrivent le diagnostic et le traitement. L'annotation de ces codes est une tâche fastidieuse et sujette aux erreurs ; de plus, la connexion entre les codes et le texte n'est pas annotée, ce qui obscurcit les raisons et les détails derrière les diagnostics et traitements spécifiques. Nous présentons un réseau convolutif à l'attention qui prédit les codes médicaux à partir du texte clinique. Notre méthode agrège les informations tout au long du document en utilisant un réseau neuronal convolutif et emploie un mécanisme d'attention pour sélectionner les segments les plus pertinents parmi les milliers de codes possibles. La méthode est précise, atteignant une précision@8 de 0,71 et un Micro-F1 de 0,54, ce qui est supérieur à l'état de l'art antérieur. De plus, grâce à une évaluation de l'interprétabilité réalisée par un médecin, nous montrons que le mécanisme d'attention identifie des explications pertinentes pour chaque attribution de code.