研究人员开发了一种新颖的图约束策略学习方法，用于从医疗出院摘要中预测临床代码。该方法将代码预测视为一个序贯决策过程，在剪枝后的 ICD-10-CM 代码层级结构中进行导航，以确保输出的结构有效性。所提出的 SFT-1+ 模型在 MIMIC-IV 数据集上显著优于现有的扁平分类基线，尤其在处理稀有代码方面，并且表现出与更复杂的级联系统相当的性能。 AI
影响 这项研究可能带来更准确、更高效的自动化临床编码，从而改善医疗数据管理和分析。
排序理由 该集群包含一篇详细介绍临床代码预测新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.11954v1 Announce Type: cross Abstract: Clinical code prediction maps unstructured discharge summaries to ICD-10-CM leaf codes in a large, sparse, and deeply hierarchical label space. Most systems treat the task as flat multi-label classification, scoring codes independ…
Clinical code prediction maps unstructured discharge summaries to ICD-10-CM leaf codes in a large, sparse, and deeply hierarchical label space. Most systems treat the task as flat multi-label classification, scoring codes independently and providing limited training signal for ra…