A Unified Review of Deep Learning for Automated Medical Coding

要約

医療の運営と提供に不可欠なタスクである自動医療コーディングにより、臨床文書から医療コードを予測することで非構造化データを管理できるようになります。
深層学習と自然言語処理の最近の進歩は、このタスクに広く適用されています。
しかし、深層学習ベースの医療コーディングには、ニューラル ネットワーク アーキテクチャの設計に関する統一されたビューが欠けています。
このレビューでは、医療コーディング モデルの構成要素の一般的な理解を提供するための統一フレームワークを提案し、提案されたフレームワークの下で最近の先進的なモデルを要約します。
私たちの統一フレームワークは、医療コーディングを 4 つの主要なコンポーネントに分解します。すなわち、テキスト特徴抽出のためのエンコーダー モジュール、ディープ エンコーダー アーキテクチャを構築するためのメカニズム、隠された表現を医療コードに変換するためのデコーダー モジュール、および補助情報の使用です。
最後に、ベンチマークと実際の使用法を紹介し、主要な研究課題と将来の方向性について説明します。

要約(オリジナル)

Automated medical coding, an essential task for healthcare operation and delivery, makes unstructured data manageable by predicting medical codes from clinical documents. Recent advances in deep learning and natural language processing have been widely applied to this task. However, deep learning-based medical coding lacks a unified view of the design of neural network architectures. This review proposes a unified framework to provide a general understanding of the building blocks of medical coding models and summarizes recent advanced models under the proposed framework. Our unified framework decomposes medical coding into four main components, i.e., encoder modules for text feature extraction, mechanisms for building deep encoder architectures, decoder modules for transforming hidden representations into medical codes, and the usage of auxiliary information. Finally, we introduce the benchmarks and real-world usage and discuss key research challenges and future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google