[論文レビュー] Assigning Medical Codes at the Encounter Level by Paying Attention to Documents

Han-Chin Shing, Guoli Wang+1 more|arXiv (Cornell University)|Nov 15, 2019

Topic Modeling参考文献 9被引用数 4

ひとこと要約

本稿では、複数の文書を含む臨床的エンカウンター内から関連する文書を同定することで、エンカウンター単位の医療コード化の正確性を向上させる階層的アテンションモデルであるEncounter-Level Document Attention Networks（ELDAN）を提案する。文書レベルのアノテーションを必要とせず、最先端の性能を達成しており、ベースラインを著しく上回り、コードレビューの解釈可能性を高めるためにソース文書を強調表示できる。

ABSTRACT

The vast majority of research in computer assisted medical coding focuses on coding at the document level, but a substantial proportion of medical coding in the real world involves coding at the level of clinical encounters, each of which is typically represented by a potentially large set of documents. We introduce encounter-level document attention networks, which use hierarchical attention to explicitly take the hierarchical structure of encounter documentation into account. Experimental evaluation demonstrates improvements in coding accuracy as well as facilitation of human reviewers in their ability to identify which documents within an encounter play a role in determining the encounter level codes.

研究の動機と目的

• コンピュータ支援医療コード化（CAC）におけるギャップを埋めるために、文書レベルのコード化ではなくエンカウンター単位のコード化に焦点を当てる。
• 複数の文書から成る臨床的エンカウンターの階層的構造をモデル化することで、コード化の正確性を向上させる。
• 人間のコード作成者が各エンカウンター単位のコードをサポートする文書を特定できるように、解釈可能性を向上させる。
• 訓練中に文書レベルのコードアノテーションを必要とせず、エンカウンター単位のコードのみを活用する方法を開発する。
• モデルが人間の判断と整合するソース文書を特定するためのアテンション重みを割り当てる能力を評価する。

提案手法

• ELDANは、文の文脈内の単語、文書内の文、および臨床的エンカウンター内の文書という3段階のレベルでテキストを処理する階層的アテンション機構を使用する。
• UMLS CUIおよび内部概念識別子を用いて、生の臨床テキストを特徴量ベクトルに変換し、患者のプライバシーを保護する。
• 複数レベルのアテンションを適用して、エンカウンター単位のコード予測に最も関連する文書を学習する。
• すべてのコードに共通のエンコーダーを用いるone-vs-all分類設定を採用することで、効率的な訓練と希少コードにおける転移学習を可能にする。
• 文書レベルのアテンションスコアを用いてソース文書を予測し、人間のアノテーションと照合して評価する。
• モデルはエンカウンター単位のコード上でエンドツーエンドに訓練され、文書レベルのコードアノテーションの必要性を回避する。

実験結果

リサーチクエスチョン

• RQ1 臨床的エンカウンターの階層的構造を活用するディープラーニングモデルは、エンカウンター単位のコード化の正確性を向上させることができるか？
• RQ2 モデルの文書レベルアテンション機構は、エンカウンターコードのソース文書に関する人間の判断と整合性を示すか？
• RQ3 文書レベルのアノテーションを必要とせず、高い性能を達成できるか？
• RQ4 この設定において、希少医療コードに対するナイーブな転移学習アプローチはどの程度効果的か？
• RQ5 アテンション機構は、人間のレビューのガイドラインやアクティブラーニングを支援する弱い監視の形式として機能できるか？

主な発見

• ELDANは、強いベースラインを著しく上回るエンカウンター単位のコード化正確性を示し、統計的に有意な改善（p < .05）を達成した。
• CPTコードの上位20件について、19件のうち7件で100%のF1スコアを達成し、高頻度コードにおける強力な性能を示した。
• 平均して、ELDANの文書アテンションF1スコアは、ランダムベースラインより15.5ポイント以上上回り、コード12002では36.29ポイントの改善を示した。
• コード43235では、たった6件のエンカウンターと18件の文書しかなく、それでもランダムベースラインより42.38ポイントのF1スコア改善を達成した。
• アテンション機構は人間のコード作成者のソース文書判断と強く整合しており、コード43239では29.67ポイントのF1スコア差を示した。
• モデルは効果的な転移学習を示し、微調整なしのナイーブなアプローチにより、希少コードの性能が著しく向上した。