HyperAIHyperAI
il y a 2 mois

Codage ICD à partir de textes cliniques à l'aide d'un réseau neuronal convolutif résiduel multi-filtres

Fei Li; Hong Yu
Codage ICD à partir de textes cliniques à l'aide d'un réseau neuronal convolutif résiduel multi-filtres
Résumé

La codification automatique des codes CIM (Classification Internationale des Maladies), qui attribue les codes de la Classification Internationale des Maladies aux visites de patients, a suscité beaucoup d'attention dans la recherche car elle peut économiser du temps et de la main-d'œuvre pour la facturation. Le modèle précédemment considéré comme l'état de l'art utilisait une couche de convolution unique pour construire des représentations de documents destinées à prédire les codes CIM. Cependant, la longueur et la grammaire des fragments de texte, qui sont étroitement liés à la codification CIM, varient considérablement selon les documents. Par conséquent, une architecture convolutive plate et de longueur fixe peut ne pas être en mesure d'apprendre de bonnes représentations de documents. Dans cet article, nous proposons un réseau neuronal convolutif résiduel à filtres multiples (MultiResCNN) pour la codification CIM. Les innovations de notre modèle se présentent sous deux aspects : il utilise une couche convolutive à filtres multiples pour capturer divers motifs textuels de différentes longueurs et une couche convolutive résiduelle pour élargir le champ récepteur. Nous avons évalué l'efficacité de notre modèle sur l'ensemble de données MIMIC largement utilisé. Sur l'ensemble complet des codes MIMIC-III, notre modèle a surpassé le modèle considéré comme l'état de l'art dans 4 des 6 métriques d'évaluation. Sur l'ensemble des 50 premiers codes MIMIC-III et l'ensemble complet des codes MIMIC-II, notre modèle a surpassé tous les modèles existants et considérés comme l'état de l'art dans toutes les métriques d'évaluation. Le code est disponible sur https://github.com/foxlf823/Multi-Filter-Residual-Convolutional-Neural-Network.