The method of automatic assignment ICD codes based on semantic information

• Autorzy: Romaldowski Marcin

Identyfikatory

DOI

10.5604/01.3001.0014.4435

Warianty tytułu

PL

Metoda automatycznego przypisywania kodów ICD na podstawie informacji semantycznych

• Języki publikacji: EN

Abstrakty

EN

The paper presents the method of automatic assignment of ICD codes based on semantic information contained in clinical reports of the MIMIC-III database. It is showing the possibility of using multi-criteria optimization methods for simple classifiers fusion in a more precise classifiers complex. ICD code assignment is important in the modern hospital, more accurate automation of assigning codes will make the clinical process more efficient and can help clinicians carry out better diagnostics and effectively improve medical care systems.

PL

W artykule przedstawiono metodę automatycznego przypisywania kodów ICD-9 na podstawie informacji semantycznych zawartych w raportach klinicznych pacjentów bazy MIMIC-III. Została pokazana możliwość wykorzystania metod optymalizacji wielokryterialnej do budowy fuzji klasyfikatorów w celu utworzenia bardziej precyzyjnych klasyfikatorów. Przypisanie kodu ICD jest ważne na wielu poziomach w nowoczesnym szpitalu, dokładniejsza automatyzacja przypisywania kodów sprawi, że proces kliniczny stanie się bardziej wydajny i może pomóc klinicystom w przeprowadzeniu lepszej diagnostyki i skutecznej poprawie systemów opieki medycznej.

Słowa kluczowe

EN

MIMIC III; ICD; TFIDF; word2vec; classification; machine learning; natural language processing; classifiers synthesis; Pareto filter

PL

klasyfikatory; TFIDF; word2vec; kody ICD; MIMIC III; fuzja; synteza; filtr Pareto; przetwarzanie języka naturalnego

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2019
• Tom: No. 10
• Strony: 17--23
• Opis fizyczny: Bibliogr. 30 poz., rys., tab.

Twórcy

autor

Romaldowski Marcin

• Military University of Technology, Faculty of Cybernetics, Kaliskiego 2, 00-908 Warsaw, Poland

Bibliografia

• [1] Ameljańczyk A., Optymalizacja wielokryterialna, WAT, Warszawa 1986.
• [2] Ameljańczyk A., “Properties of the Algorithm for Determining an Initial Medical Diagnosis Based on a Two-Criteria Similarity Model”, Computer Science and Mathematical Modeling, No. 8, 9–16 (2011).
• [3] Ameljańczyk A., “Property analysis of multi-label classifiers in the example of determining the initial medical diagnosis”, Computer Science and Mathematical Modeling, No. 1, 11–16 (2015).
• [4] Ameljańczyk A., “Pareto filter in the process of multi-label classifier synthesis in medical diagnostics support algorithms”, Computer Science and Mathematical Modeling, No. 1, 5–10 (2015).
• [5] Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się, WNT, 2008.
• [6] Kuncheva L. I., Combining Pattern Classifiers: Methods and Algorithms, John Wiley & Sons, Inc. 2004.
• [7] Mirończuk M., “Przegląd metod i technik eksploracji danych tekstowych”, Studia i Materiały Informatyki Stosowanej, Tom 4, Nr 6, 25–42 (2012).
• [8] Farkas R., Szarvas G., “Automatic construction of rule-based ICD-9-CM coding systems”, BMC Bioinformatics, Luty 2008.
• [9] Huang J., Osorio C., Wicent Sy L., “An Empirical Evaluation of Deep Learning for ICD-9 Code Assignment using MIMIC-III Clinical Notes”, 7 lutego 2018, https://arxiv.org/abs/1802.02311.
• [10] Nigam P., “Applying Deep Learning to ICD-9 Multi-label Classification from Medical Records”, Stanford University, https://cs224d.stanford.edu/reports/ priyanka.pdf.
• [11] Xie P., Shi H., Zhang M., Xing E. P., “A Neural Architecture for Automated ICD Coding”, http://aclweb.org/anthology/ P18-1098.
• [12] Li M., Fei Z., Zeng M., Wu F., Li Y., Pan Y., Wang J., “Automated ICD-9 Coding via A Deep Learning Approach”, 20 marca 2018, IEEE, https://ieeexplore.ieee.org/ document/8320340.
• [13] Johnson A.E.W., Pollard T.J., Shen L., Lehman L., Feng M., Ghassemi M., Moody B., Szolovits P., Celi L.A., Mark R.G., “MIMIC-III, a freely accessible critical care database”, Scientific Data, 3:160035 (2016).
• [14] https://en.wikipedia.org/wiki/International_Statistical_Classification_of_Diseases_and_Related_Health_Problems.
• [15] Ćwiklińska Jurkowska M., “Klasyfikatory pojedyncze i zintegrowane jako narzędzie wspomagania medycyny”, StatSoft, 31–46 (2013).
• [16] Mikolov T., Chen K., Corrado G., Dean J., Efficient estimation of word representations in vector space, CoRR, abs/1301.3781, 2013.
• [17] https://www.nlm.nih.gov/research/umls/.
• [18] https://pl.wikipedia.org/wiki/TFIDF.
• [19] https://en.wikipedia.org/wiki/Natural_language_processing.
• [20] https://en.wikipedia.org/wiki/Vector_space_model.
• [21] Xin Rong, “word2vec Parameter Learning Explained” https://arxiv.org/pdf/ 1411.2738.pdf
• [22] Salton G. and Buckley C., “Term- -weighting approaches in automatic text retrieval”, Information Processing& Management, 24(5), 513–523 (1988).
• [23] Mikolov T. and Dean J., “Distributed representations of words and phrases and their compositionality”, Advances in Neural Information Processing Systems (NIPS 2013).
• [24] Huang E.H., Socher R., Manning C.D., Ng A.Y., “Improving word representations via global context and multiple word prototypes”, in: Proceedings of ACL, 2012.
• [25] Le Q.V, Mikolov T., “Distributed representations of sentences and documents”, in: Proceedings of ICML, 2014.
• [26] Kim Y., Jernite Y., Sontag D., Rush A.M., “Character-aware neural language models”, arXiv preprint arXiv:1508.06615, December 2015.
• [27] Blei D.M., Ng A.Y., Jordan M.I., “Latent dirichlet allocation”, Journal of Machine Learning Research, 3, 993–1022 (2003).
• [28] Xu K., Lam M., Pang J., Gao X., Band Ch., Mathur P., Papay F., Khanna A.K., Cywinski J.B., Maheshwari K., Xie P., Xing E., “Multimodal Machine Learning for Automated ICD Coding”, CoRR abs/1810.13348 (2018).
• [29] Goodfellow I., Bengio Y., Courville A., Deep Learning, MIT Press 2016.
• [30] https://en.wikipedia.org/wiki/Word2vec.