ICD-9
PulseAugur coverage of ICD-9 — every cluster mentioning ICD-9 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架利用多模态数据和LLM重排序改进自动ICD编码
研究人员开发了一种新颖的两阶段自动ICD编码框架，以解决当前方法的局限性。这种新方法通过门控融合机制整合多模态患者数据，包括结构化电子健康记录和非结构化临床笔记。第一阶段使用双编码器检索模型检索潜在的ICD代码，第二阶段则采用基于LLM的重排序器提供经过精炼、排序并附带解释的代码。实验表明，与现有的多模态分类器相比，该方法在Micro-F1和Precision得分上有所提高，为自动ICD编码提供了一个实用的替代方案。
-
新框架LearnActCoder通过学习错误来提高临床编码准确性
研究人员开发了LearnActCoder，一个旨在通过学习过去的错误来提高临床编码代理准确性的框架。该系统创建了一个结构化的Mistake Knowledge Database (MistakeKDB)，有助于在不改变底层模型权重的情况下调整编码过程。在MIMIC-III和MIMIC-IV数据集上进行测试时，MistakeKDB显著提高了CPT编码的F1分数，并调整了ICD-10编码以提高精度，尽管总体F1分数保持稳定。
-
Rosetta系统从非结构化仓库的数据值中重建元数据
研究人员开发了一个名为Rosetta的系统，用于从非结构化仓库的数据值中重建元数据，解决了标识符模糊和文档缺失的挑战。Rosetta将语言模型与验证工具结合，提取结构化证据，使模型能够提出语义。与直接使用语言模型相比，这种方法提高了准确性和覆盖率，尤其是在选择提供元数据的列方面。该系统在BIRD数据库和i2b2临床仓库上表现出有效性，成功解码了ICD-9代码，并在必要时放弃了NDC药物代码。
-
多版本训练提高罕见ICD编码预测准确性
研究人员开发了一种多版本训练方法，以提高自动化临床编码的准确性，特别是对于罕见的医疗编码。通过整合不同版本的国际疾病分类（ICD）数据，如ICD-9和ICD-10，该模型表现出显著的性能提升。该方法解决了编码系统不断演变以及罕见编码预测中的长尾问题，从而以更少的模型参数实现了整体指标的改善。