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.
4 天有情绪数据
-
NOAH模型通过多模态时间感知预测学习完整的患者旅程
研究人员开发了NOAH，一个生成式Transformer模型，旨在表示和预测完整的患者多模态旅程。该模型解决了当前AI在处理纵向患者记录中复杂的时态动态和各种数据类型方面的局限性。NOAH处理包括医学影像、时间序列信号、分类事件和临床笔记在内的各种数据，利用新颖的双向时间集成和变分潜在空间来捕捉连续的患者状态演变和随机性。
-
新AI框架CoLa-ICD增强了罕见病症的自动化医疗编码
研究人员开发了CoLa-ICD，一个旨在改进自动化医疗编码的新框架，特别针对罕见病症。这个知识增强的系统解决了长临床记录、数据不平衡和易混淆的医疗编码等挑战。通过用外部术语丰富ICD标签并对代码依赖关系进行建模，CoLa-ICD旨在实现临床证据与标签语义之间的更好对齐，从而在预测指标上取得最先进的性能。
-
新框架改进了低资源牙科记录从 CBCT 扫描中的补全
研究人员开发了一个名为实体约束 CBCT 引导检索 (ECCR) 的新框架，以改进从锥形束计算机断层扫描 (CBCT) 扫描中补全牙科记录，特别是在标记数据稀缺的低资源环境下。ECCR 框架将证据可用性与证据权威性分开，使用语料库派生的先验信息来提供完整的记录，然后仅在不引入不受支持的实体时检索图像条件诊断证据。该方法在公开验证中获得了 0.3134 的加权分数，优于现有的多模态检索方法，并在最近的测试评估中以 11.37/97.4 …
-
新的电子健康记录基础模型可预测美国和台湾人群的慢性病
研究人员开发了一种新的人电子健康记录（EHR）基础模型，用于大规模慢性病预测。该模型在来自台湾和美国超过500万患者的数十亿次医疗事件上进行训练，利用统一的代码对齐框架来处理数据异质性。该模型展示了强大的扩展能力，拥有高达24亿参数的版本，并在11项慢性病预测任务上优于现有的基于树的模型和通用语言模型。它在EHRShot基准测试中也表现出强大的少样本泛化能力，即使在存在显著分布偏移的情况下也是如此，并突出了对齐的跨系统数据在数据受限的…
-
新框架改进了自动ICD代码分配和排序
研究人员开发了LTR-ICD，一个用于从临床笔记中自动分配和排序诊断代码的新型框架。与之前的基于分类的方法不同，LTR-ICD将问题视为一个检索任务，考虑了ICD代码的基本顺序。这种方法显著提高了主要诊断代码识别的准确性，排名准确率达到47%，而最先进的分类器为20%。该框架还展示了卓越的分类性能，微平均F1得分为0.6065，宏平均F1得分为0.2904。
-
新的LLM框架KREL通过ICD指南增强自动医学编码
研究人员开发了KREL，一个旨在利用大型语言模型（LLM）改进自动医学编码的新框架。KREL将外部国际疾病分类（ICD）编码指南整合为结构化知识，使LLM能够更有效地对临床证据进行推理。该方法旨在解决临床记录长度、庞大的ICD标签空间和复杂的编码规则等挑战，从而减少幻觉并更好地遵守编码标准。实验表明，KREL在基准数据集上的表现优于现有的预训练语言模型和基于LLM的方法。
-
新的xMICD方法增强了患者诊断表示的可解释性
研究人员开发了xMICD，一种用于从国际疾病分类（ICD）代码创建可解释的低维患者诊断表示的新方法。该方法通过将诊断分组与预训练ICD嵌入空间中的相似性相结合，平衡了预测性能和临床可解释性。实验表明，xMICD在临床预测任务上达到了与ICD2Vec等现有基于嵌入的方法相当的预测准确性，同时保持了与可识别诊断组相关的特征可解释性。
-
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。