Eine vergleichende Studie zur automatischen Kodierung von medizinischen Briefen mit Erklärbarkeit.

A Comparative Study on Automatic Coding of Medical Letters with Explainability

July 18, 2024

Autoren: Jamie Glen, Lifeng Han, Paul Rayson, Goran Nenadic

cs.AI

Zusammenfassung

Diese Studie zielt darauf ab, die Implementierung von Natural Language Processing (NLP) und Machine Learning (ML) Techniken zur Automatisierung der Codierung von medizinischen Briefen mit visualisierter Erklärbarkeit und leichtgewichtigen lokalen Computer-Einstellungen zu erforschen. Derzeit ist die Codierung in klinischen Umgebungen ein manueller Prozess, bei dem Codes für jeden Zustand, jede Prozedur und jedes Medikament in den Unterlagen eines Patienten zugewiesen werden (z. B. 56265001 Herzerkrankung unter Verwendung des SNOMED CT-Codes). Es gibt Voruntersuchungen zur automatischen Codierung in diesem Bereich unter Verwendung modernster ML-Modelle. Aufgrund der Komplexität und Größe der Modelle wird jedoch die Implementierung in der realen Welt nicht erreicht. Um die Möglichkeit der automatischen Codierungspraxis weiter zu erleichtern, erforschen wir einige Lösungen in einer lokalen Computerumgebung. Darüber hinaus untersuchen wir die Funktion der Erklärbarkeit zur Transparenz von KI-Modellen. Wir verwendeten die öffentlich verfügbare MIMIC-III-Datenbank und die HAN/HLAN-Netzwerkmodelle für die Vorhersage von ICD-Codes. Wir haben auch mit der Zuordnung zwischen ICD- und SNOMED CT-Wissensbasen experimentiert. In unseren Experimenten lieferten die Modelle für 97,98 % der Codes nützliche Informationen. Das Ergebnis dieser Untersuchung kann einige Einblicke in die Implementierung automatischer klinischer Codierung in der Praxis bieten, z. B. in Krankenhauseinstellungen, auf den von Klinikern verwendeten lokalen Computern, Projektseite https://github.com/Glenj01/Medical-Coding.

English

This study aims to explore the implementation of Natural Language Processing (NLP) and machine learning (ML) techniques to automate the coding of medical letters with visualised explainability and light-weighted local computer settings. Currently in clinical settings, coding is a manual process that involves assigning codes to each condition, procedure, and medication in a patient's paperwork (e.g., 56265001 heart disease using SNOMED CT code). There are preliminary research on automatic coding in this field using state-of-the-art ML models; however, due to the complexity and size of the models, the real-world deployment is not achieved. To further facilitate the possibility of automatic coding practice, we explore some solutions in a local computer setting; in addition, we explore the function of explainability for transparency of AI models. We used the publicly available MIMIC-III database and the HAN/HLAN network models for ICD code prediction purposes. We also experimented with the mapping between ICD and SNOMED CT knowledge bases. In our experiments, the models provided useful information for 97.98\% of codes. The result of this investigation can shed some light on implementing automatic clinical coding in practice, such as in hospital settings, on the local computers used by clinicians , project page https://github.com/Glenj01/Medical-Coding.