A Comparative Study on Automatic Coding of Medical Letters with Explainability

本研究旨在探索使用自然语言处理（NLP）和机器学习（ML）技术自动编码医学信函的实现，同时提供可视化的解释性和轻量级的本地计算机设置。目前在临床环境中，编码是一个手动过程，涉及为患者的文件（例如，56265001心脏病使用SNOMED CT代码）中的每个疾病、程序和药物分配代码。在这个领域中有关于自动编码的初步研究，使用最先进的ML模型；然而，由于模型的复杂性和大小，现实世界的部署并没有实现。为了进一步促进自动编码实践的可能性，我们在本地计算机设置中探索了一些解决方案；此外，我们还探索了解释性的功能，以便透明化AI模型。我们使用公开可用的MIMIC-III数据库和HAN / HLAN网络模型进行ICD代码预测。我们还尝试了ICD和SNOMED CT知识库之间的映射。在我们的实验中，模型为97.98％的代码提供了有用的信息。这项调查的结果可以为实践中实现自动临床编码提供一些启示，例如在医院设置中，使用临床医生使用的本地计算机，项目页面\url{https://github.com/Glenj01/Medical-Coding}。

本论文旨在探索使用自然语言处理（NLP）和机器学习（ML）技术自动编码医疗信函，并可视化解释性和轻量级本地计算机设置。目前在临床设置中，编码是一个手动过程，涉及为患者的文档中的每个病症、手术和药物分配代码（例如，使用SNOMED CT代码的56265001心脏病）。虽然有使用最先进的ML模型进行自动编码的初步研究，但由于模型的复杂性和规模，实现实际部署尚未实现。为进一步促进自动编码实践的可能性，我们在本地计算机设置中探索了一些解决方案；此外，我们探索了解释性功能以实现AI模型的透明度。我们使用公开可用的MIMIC-III数据库和HAN / HLAN网络模型进行ICD代码预测。我们还尝试了ICD和SNOMED CT知识库之间的映射。在我们的实验中，模型为97.98％的代码提供了有用的信息。本研究的结果可以为实践中实现自动临床编码提供一些启示，例如在医院设置中使用临床医生使用的本地计算机。

本论文使用NLP和ML技术自动编码医疗信函，并提供可视化解释性和轻量级本地计算机设置。使用MIMIC-III数据库和HAN / HLAN网络模型进行ICD代码预测。实验表明，模型为97.98％的代码提供了有用的信息。

本论文提供了自动编码医疗信函的解决方案，并提供了可视化解释性和轻量级本地计算机设置。使用公开可用的MIMIC-III数据库和HAN / HLAN网络模型进行ICD代码预测。实验表明，模型为97.98％的代码提供了有用的信息。研究结果可以为实践中实现自动临床编码提供一些启示，例如在医院设置中使用临床医生使用的本地计算机。该项目已在GitHub上开源。

最近的相关研究包括使用深度学习模型进行自动编码的研究，如《Deep Learning for Automatic ICD-9 Coding》和《A Deep Learning Approach for Automatic ICD-10-CM Coding》。此外，还有一些研究探索使用自然语言处理技术进行自动编码，如《Automated ICD-10 Coding Using Recurrent Neural Networks with Long Short-Term Memory》。