Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Code Like Humans : une solution multi-agents pour le codage médical
Created by
Haebom
Auteur
Andreas Motzfeldt, Joakim Edin, Casper L. Christensen, Christian Hardmeier, Lars Maal{\o}e, Anna Rogers
Contour
Cet article présente « Code Like Humans », un nouveau cadre de codage médical exploitant des modèles linguistiques à grande échelle. Ce cadre met en œuvre des directives de codage formelles pour les experts et constitue la première solution à prendre en charge l'intégralité du système de codage CIM-10, avec plus de 70 000 étiquettes. Plus précisément, il atteint des performances de pointe pour les codes de diagnostic rares (bien que des classificateurs discriminants optimisés offrent toujours des avantages pour les codes à haute fréquence). Nous présentons également les résultats d'une analyse des performances du système et d'une étude identifiant les codes systématiquement sous-codés (angles morts).
Takeaways, Limitations
•
Takeaways:
◦
Présentation de nouvelles possibilités d’automatisation du codage médical à l’aide de modèles linguistiques à grande échelle.
◦
Prise en charge complète du codage médical avec prise en charge complète du système de codes ICD-10.
◦
Atteindre des performances optimales pour les codes de diagnostic rares.
◦
Identifier les angles morts et suggérer des orientations de recherche futures grâce à l’analyse des performances du système.
•
Limitations:
◦
Pour les codes à haute fréquence, le classificateur discriminant affiné fonctionne toujours bien.
◦
Des lacunes systématiques du code (angles morts) existent. Des recherches ultérieures sont nécessaires pour améliorer ce point.
