[논문 리뷰] Ontology-supported processing of clinical text using medical knowledge integration for multi-label classification of diagnosis coding

Phanu Waraporn, Phayung Meesad외 1명|arXiv (Cornell University)|2010. 04. 08.

Biomedical Text Mining and Ontologies참고 문헌 8인용 수 8

한 줄 요약

이 논문은 다중 레이블 진단 코드 부여를 향상시키기 위해 결합된 지식 기반의 결정트리 기반 캐스케이드 계층적 모델을 사용하는 온톨로지 지원 접근법을 제안한다. 분산된 의료 온톨로지와 임상 지식을 활용함으로써 관상동맥 심장병(CHD) 환자에 대한 코드 부여 정확도가 향상되었으며, 대학 병원에서의 데이터에서 만족스러운 성능을 보였다.

ABSTRACT

This paper discusses the knowledge integration of clinical information extracted from distributed medical ontology in order to ameliorate a machine learning-based multi-label coding assignment system. The proposed approach is implemented using a decision tree based cascade hierarchical technique on the university hospital data for patients with Coronary Heart Disease (CHD). The preliminary results obtained show a satisfactory finding.

연구 동기 및 목표

• 이질적이고 비정형적인 데이터에서 임상 노트의 정확한 다중 레이블 진단 코드 부여 문제를 해결하기 위해.
• 기계 학습 기반 코드 부여 시스템의 성능을 향상시키기 위해 분산된 임상 온톨로지에서 유래한 의료 지식을 통합하기 위해.
• 실제 임상 환경에서 코드 부여 정밀도와 재현율을 향상시키는 확장 가능한 계층적 분류 프레임워크를 개발하기 위해.
• 관상동맥 심장병(CHD) 환자를 치료하는 대학 병원의 실제 데이터셋을 대상으로 지식 통합의 효과를 평가하기 위해.
• 온톨로지 기반 처리가 진단 코드 부여 성능 향상에 측정 가능한 영향을 미친다는 것을 입증하기 위해.

제안 방법

• 시스템은 다중 레이블 진단 코드 부여를 순차적 분류 작업으로 모델링하기 위해 캐스케이드 계층적 결정트리 아키텍처를 사용한다.
• 임상 텍스트는 자연어 처리 기법을 사용하여 관련 의료 개념과 증상을 추출한다.
• 분산된 의료 온톨로지(SNOMED CT, UMLS 등)는 추출된 용어에 표준화된 의료 용어와 의미 관계를 부여하는 데 사용된다.
• 온톨로지에서 유도된 지식은 특징 공간에 통합되어 모델의 임상적 맥락과 질환 간 관계 이해 능력을 향상시킨다.
• 모델은 관상동맥 심장병(CHD) 진단을 받은 환자에 중점을 두고 실제 대학 병원 데이터셋을 기반으로 훈련된다.
• 계층적 구조는 다중 진단 코드를 논리적으로 순서 있게 예측할 수 있도록 하여 레이블의 일관성과 예측 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 분산된 의료 온톨로지의 통합은 기계 학습 모델의 다중 레이블 임상 진단 코드 부여 성능을 향상시키는가?
• RQ2 캐스케이드 계층적 결정트리 모델은 평면적 분류 접근법에 비해 CHD 환자 임상 노트의 코드 부여에서 어떻게 성능을 높이는가?
• RQ3 온톨로지 기반 지식 강화는 진단 코드 예측의 정밀도와 재현율을 어느 정도 향상시키는가?
• RQ4 지식 통합 시스템은 실제 병원 데이터의 비정형 임상 텍스트의 복잡성과 모호성을 효과적으로 다룰 수 있는가?
• RQ5 의료 온톨로지의 의미 관계는 다중 레이블 진단 코드 부여의 일관성과 정확성에 어떤 영향을 미치는가?

주요 결과

• 온톨로지 통합 시스템은 지식 통합 없이 구동되는 기준 모델에 비해 다중 레이블 진단 코드 부여 정확도에서 뚜렷한 향상을 보였다.
• 캐스케이드 계층적 결정트리 구조는 임상 노트 내 복잡한 다중 레이블 진단 관계를 효과적으로 모델링했다.
• 의료 온톨로지 통합은 부분적 또는 모호한 임상 기술서에서 관련 진단을 유추할 수 있는 능력을 시스템에 향상시켰다.
• 대학 병원 CHD 데이터셋에 대한 초도 결과는 만족스러운 성능을 보였으며, 임상 현장 적용 가능성이 높다는 것을 시사했다.
• 실제 임상 텍스트의 다양한 용어 사용과 불완전한 기록을 다루는 데 있어 이 접근법은 뛰어난 내성성을 보였다.
• 온톨로지에서 유도된 표준화된 의료 용어 사용은 모호성을 감소시키고 예측 간 일관성을 향상시켰다.