설명 가능성을 고려한 의료 서신 자동 코딩에 관한 비교 연구

A Comparative Study on Automatic Coding of Medical Letters with Explainability

July 18, 2024

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

cs.AI

초록

본 연구는 자연어 처리(NLP) 및 머신러닝(ML) 기술을 활용하여 의료 서신 코딩을 자동화하고, 시각적 설명 가능성과 경량화된 로컬 컴퓨터 환경을 구현하는 것을 목표로 합니다. 현재 임상 현장에서는 환자 서류에 포함된 각 질환, 시술, 약물에 코드를 할당하는 코딩 작업이 수동으로 이루어지고 있습니다(예: SNOMED CT 코드 56265001 심장 질환). 이 분야에서는 최신 ML 모델을 사용한 자동 코딩에 대한 예비 연구가 진행되고 있지만, 모델의 복잡성과 크기로 인해 실제 현장에 배포되지는 못하고 있습니다. 자동 코딩 실무의 가능성을 더욱 촉진하기 위해, 우리는 로컬 컴퓨터 환경에서의 몇 가지 해결책을 탐구하고, AI 모델의 투명성을 위한 설명 가능성 기능도 연구합니다. 본 연구에서는 공개된 MIMIC-III 데이터베이스와 HAN/HLAN 네트워크 모델을 ICD 코드 예측 목적으로 사용했습니다. 또한 ICD와 SNOMED CT 지식 베이스 간의 매핑 실험도 진행했습니다. 실험 결과, 모델은 97.98%의 코드에 대해 유용한 정보를 제공했습니다. 이 연구 결과는 병원 환경과 같은 임상 현장에서 임상의가 사용하는 로컬 컴퓨터에서 자동 임상 코딩을 구현하는 데 유용한 통찰을 제공할 수 있습니다. 프로젝트 페이지: 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.