MIMIC-III 임상 노트를 사용한 ICD-9 코드 할당을 위한 딥 러닝의 실증적 평가

배경 및 목적:현대 병원에서 코드 할당은 정확한 청구 과정을 보장하고 환자 치료 이력을 유효한 기록으로 만드는 등 여러 단계에서 매우 중요합니다. 그러나 코드화 과정은 번거롭고 주관적이며, 많은 훈련을 받은 의료 코드 전문가가 필요합니다. 본 연구의 목적은 심층 학습 기반 시스템이 임상 노트를 ICD-9 의료 코드로 자동 매핑하는 성능을 평가하는 것입니다.방법:본 연구의 평가는 수작업으로 정의된 규칙 없이 end-to-end 학습 방법에 초점을 맞추었습니다. 전통적인 기계 학습 알고리즘뿐만 아니라 최신 심층 학습 방법인 순환 신경망(Recurrent Neural Networks)과 컨볼루션 신경망(Convolutional Neural Networks)도 Medical Information Mart for Intensive Care (MIMIC-III) 데이터셋에 적용되었습니다. 다양한 알고리즘 설정에 대해 대규모 실험이 수행되었습니다.결과:연구 결과, 심층 학습 기반 방법이 다른 전통적인 기계 학습 방법보다 우수한 성능을 보였습니다. 우리의 평가 결과, 가장 좋은 모델들은 상위 10개 ICD-9 코드를 예측하는 데 F1 점수가 0.6957이고 정확도가 0.8967인 것으로 나타났으며, 상위 10개 ICD-9 범주를 추정하는 데 F1 점수가 0.7233이고 정확도가 0.8588인 것으로 확인되었습니다. 또한, 우리의 구현은 특정 평가 지표 하에서 기존 연구보다 우수한 성능을 보였습니다.결론:MIMIC-III 데이터셋에서 ICD-9 코드 할당의 성능을 평가하기 위해 표준 지표 세트를 활용했습니다. 모든 개발된 평가 도구와 자원은 온라인으로 제공되며, 이를 통해 후속 연구의 기준선으로 사용할 수 있습니다.