Un Estudio Comparativo sobre la Codificación Automática de Cartas Médicas con Explicabilidad

A Comparative Study on Automatic Coding of Medical Letters with Explainability

July 18, 2024

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

cs.AI

Resumen

Este estudio tiene como objetivo explorar la implementación de técnicas de Procesamiento de Lenguaje Natural (PLN) y aprendizaje automático (AA) para automatizar la codificación de cartas médicas con explicabilidad visual y configuraciones informáticas locales livianas. Actualmente, en entornos clínicos, la codificación es un proceso manual que implica asignar códigos a cada condición, procedimiento y medicamento en la documentación de un paciente (por ejemplo, 56265001 enfermedad cardíaca utilizando el código SNOMED CT). Existen investigaciones preliminares sobre la codificación automática en este campo utilizando modelos de AA de última generación; sin embargo, debido a la complejidad y tamaño de los modelos, no se ha logrado su implementación en el mundo real. Para facilitar aún más la posibilidad de prácticas de codificación automática, exploramos algunas soluciones en una configuración informática local; además, investigamos la función de explicabilidad para la transparencia de los modelos de IA. Utilizamos la base de datos MIMIC-III disponible públicamente y los modelos de red HAN/HLAN para fines de predicción de códigos ICD. También experimentamos con el mapeo entre las bases de conocimiento ICD y SNOMED CT. En nuestros experimentos, los modelos proporcionaron información útil para el 97.98\% de los códigos. El resultado de esta investigación puede arrojar algo de luz sobre la implementación de la codificación clínica automática en la práctica, como en entornos hospitalarios, en las computadoras locales utilizadas por los clínicos, página del proyecto 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.