Uno Studio Comparativo sulla Codifica Automatica di Lettere Mediche con Spiegabilità

A Comparative Study on Automatic Coding of Medical Letters with Explainability

July 18, 2024

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

cs.AI

Abstract

Questo studio mira a esplorare l'implementazione di tecniche di Elaborazione del Linguaggio Naturale (NLP) e di apprendimento automatico (ML) per automatizzare la codifica di lettere mediche con spiegabilità visualizzata e configurazioni leggere su computer locali. Attualmente, negli ambienti clinici, la codifica è un processo manuale che prevede l'assegnazione di codici a ciascuna condizione, procedura e farmaco nella documentazione di un paziente (ad esempio, 56265001 malattia cardiaca utilizzando il codice SNOMED CT). Esistono ricerche preliminari sulla codifica automatica in questo campo che utilizzano modelli ML all'avanguardia; tuttavia, a causa della complessità e delle dimensioni dei modelli, il dispiegamento nel mondo reale non è stato raggiunto. Per facilitare ulteriormente la possibilità di pratiche di codifica automatica, esploriamo alcune soluzioni in un ambiente informatico locale; inoltre, esploriamo la funzione di spiegabilità per la trasparenza dei modelli di intelligenza artificiale. Abbiamo utilizzato il database pubblico MIMIC-III e i modelli di rete HAN/HLAN per scopi di previsione dei codici ICD. Abbiamo anche sperimentato la mappatura tra le basi di conoscenza ICD e SNOMED CT. Nei nostri esperimenti, i modelli hanno fornito informazioni utili per il 97,98% dei codici. Il risultato di questa indagine può gettare luce sull'implementazione della codifica clinica automatica nella pratica, ad esempio in contesti ospedalieri, sui computer locali utilizzati dai clinici, pagina del progetto 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.