International Statistical Classification of Diseases and Related Health Problems
PulseAugur coverage of International Statistical Classification of Diseases and Related Health Problems — every cluster mentioning International Statistical Classification of Diseases and Related Health Problems across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架利用本体和跨模态学习增强ICU风险预测
研究人员开发了OC-Distill，一个用于改进ICU风险预测的新型两阶段机器学习框架。第一阶段采用本体感知的对比目标，利用ICD层级结构通过量化患者相似性来学习临床基础的患者表征。第二阶段通过跨模态知识蒸馏来精炼预训练编码器，将临床笔记中的信息转移到模型中。这种方法允许模型在推理时利用生命体征，同时在训练期间受益于临床笔记提供的丰富上下文，在MIMIC数据集上取得了最先进的性能。
-
新的LLM方法提高了疾病分类映射的准确性
研究人员开发了一种新的疾病分类系统映射方法，解决了代码之间一对多关系带来的挑战。该方法借鉴了实体解析管道的思路，采用基于大型语言模型的阻塞和匹配策略来识别有效的映射。该方法旨在平衡精确率、召回率和覆盖率，在不同ICD版本对上均表现出性能提升。
-
大型语言模型在医院ICD编码方面超越了专业机器学习模型
医院越来越多地使用人工智能进行诊断分类，特别是针对ICD编码系统。一项原型测试显示，在ICD-10代码分类的80%功能中，大型语言模型（LLM）的表现优于专门的机器学习模型。这表明LLM理解自然语言的能力使其在医疗文档和诊断方面非常有效。
-
研究发现：临床NLP数据集塑造自杀倾向检测
一篇新论文认为，临床文本数据集的构建方式显著影响自然语言处理（NLP）中自杀倾向检测的准确性和解释。研究强调，从电子健康记录（EHRs）构建的数据集，例如源自MIMIC-III的ScAN数据集，通常反映了临床医生的判断，并将自杀倾向操作化为一个有限的事件。这可能会掩盖原始临床表述中存在的时间性、否定性和不确定性的细微差别，导致对NLP模型输出的潜在误读。
-
新的EHR模型利用ICD编码层级结构改进预测
研究人员开发了新的电子健康记录（EHR）基础模型方法，以更好地利用ICD诊断编码的层级结构。当前模型将这些编码视为扁平的标记，忽略了它们固有的关系。这项工作探讨了使用分层标记增强BERT风格的Transformer模型，并将层级结构融入基于图的代码表示中。在MIMIC-IV和eICU数据集上的实验表明，显式编码ICD层级结构可以提高下游预测的准确性和跨数据集的可迁移性，其中最有效的层级结构水平因任务和模型而异。
-
研究：训练后可提升大型语言模型在医疗编码方面的能力
一项新研究探讨了在国际疾病分类（ICD）编码领域，训练后技术对大型语言模型（LLMs）有效性的研究。研究表明，虽然在简单提示场景下LLMs表现不佳，但诸如监督微调（SFT）和强化学习（RL）等特定任务的训练后方法显著增强了它们的能力。该研究引入了一个名为PHI的诊断课程，进一步优化了对遗漏代码案例的表现，表明针对全分类法召回率的优化是释放LLMs在医疗编码方面潜力的关键。
-
图学习模型增强炎症性肠病早期检测
研究人员开发了GraD-IBD，一种用于早期检测炎症性肠病（IBD）的新型基于图的模型。该模型将患者诊断轨迹表示为时间定向图，克服了传统序列建模的局限性。一项关键创新是上下文感知的时间衰减消息传递机制，它能有效地捕捉时间依赖性，降低计算复杂度并提高在真实临床数据上的IBD检测准确性。
-
LLM以86.6%的准确率自动化精神疾病诊断分类
研究人员开发了一个自动化系统，利用自然语言处理（NLP）和机器学习（ML）对精神疾病诊断进行分类。该研究在一个包含超过145,000份西班牙语精神病描述的数据集上，评估了包括e5_large、BioLORD和Llama-3-8B等经典模型和大型语言模型（LLM）在内的各种文本表示方法。研究结果表明，基于Transformer的嵌入方法显著优于传统方法，经过微调的e5_large模型达到了0.866的最高F1分数。这项工作强调了将LLM…
-
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。
-
通过跨度为中心的学习训练的大型语言模型提高了ICD编码的准确性和效率
研究人员开发了一种名为跨度为中心的学习（SCL）的新训练框架，以提高大型语言模型（LLM）在临床文档中分配国际疾病分类（ICD）代码的准确性。该方法侧重于训练LLM识别局部文本跨度中的证据，这比标注整个文档更具可扩展性。SCL增强了LLM在跨度级别的推理能力，并将此能力转移到文档级别的编码中，从而以更低的训练成本显著提高了准确性。