Copy Recurrent Neural Network Structure Network

要約

電子医療記録 (EHR) のコーディングには、EHR を診断コードに自動的に分類することが含まれます。
これまでのほとんどの研究では、これをマルチラベル分類タスクとして扱い、各コードの確率を生成し、特定のしきい値を超えるものをラベルとして選択しますが、これらのアプローチでは、複雑な疾患を識別するという課題が見落とされることがよくあります。
この研究では、EHR 内の合併症の検出に焦点を当てています。
我々は、コピーリカレントニューラルネットワーク構造ネットワーク（CRNNet）と呼ばれる、粗いから細かいまでの新しいICDパス生成フレームワークを提案します。これは、EHRコーディングにパスジェネレーター（PG）とパスディスクリミネーター（PD）を採用します。
RNN を使用して逐次出力を生成し、コピー モジュールを組み込むことで、合併症を効率的に特定します。
私たちの方法は、予測における複雑な疾患の割合 57.30% を達成し、最先端のアプローチや以前のアプローチを上回ります。
さらに、アブレーション研究を通じて、コピー機構が複雑な疾患の検出に重要な役割を果たしていることを実証しました。

要約(オリジナル)

Electronic Health Record (EHR) coding involves automatically classifying EHRs into diagnostic codes. While most previous research treats this as a multi-label classification task, generating probabilities for each code and selecting those above a certain threshold as labels, these approaches often overlook the challenge of identifying complex diseases. In this study, our focus is on detecting complication diseases within EHRs. We propose a novel coarse-to-fine ICD path generation framework called the Copy Recurrent Neural Network Structure Network (CRNNet), which employs a Path Generator (PG) and a Path Discriminator (PD) for EHR coding. By using RNNs to generate sequential outputs and incorporating a copy module, we efficiently identify complication diseases. Our method achieves a 57.30\% ratio of complex diseases in predictions, outperforming state-of-the-art and previous approaches. Additionally, through an ablation study, we demonstrate that the copy mechanism plays a crucial role in detecting complex diseases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google