Aligning AI Research with the Needs of Clinical Coding Workflows: Eight Recommendations Based on US Data Analysis and Critical Review
Created by
Haebom
저자
Yidong Gan, Maciej Rybinski, Ben Hachey, Jonathan K. Kummerfeld
개요
본 논문은 미국 영어 전자 건강 기록을 기반으로 자동화된 임상 코딩 연구의 평가 방법이 실제 임상 환경과 일치하지 않음을 분석하여 제시한다. 특히 상위 50개의 가장 흔한 코드에만 집중하는 평가는 실제로 수천 개의 코드가 사용되는 것을 고려하지 않은 과도한 단순화라고 주장한다. 따라서, AI 기반 임상 코딩 연구를 실제 임상 코딩의 어려움에 더욱 부합하도록 평가 방법 개선을 위한 8가지 구체적인 권고안을 제시하고, 자동화된 코딩을 넘어 임상 코더의 업무 흐름을 지원하는 대안적인 AI 기반 방법들을 제안한다.
시사점, 한계점
•
시사점:
◦
실제 임상 환경을 고려한 AI 기반 임상 코딩 평가 방법 개선의 필요성 제시
◦
자동화된 코딩 외 임상 코더 지원을 위한 대안적 AI 방법 제안
◦
더욱 현실적이고 정확한 임상 코딩 자동화 연구 방향 제시
•
한계점:
◦
본 논문은 미국 영어 전자 건강 기록에 기반한 분석 결과를 제시하므로, 다른 언어나 의료 시스템에는 일반화하기 어려울 수 있다.
◦
제시된 권고안과 대안적 방법들의 실제 효과는 추가적인 연구를 통해 검증되어야 한다.
◦
단순히 평가 방법의 문제점만 지적하는 것이 아니라, 그 해결책으로 제시된 방법들의 구체적인 내용과 효용성에 대한 설명이 부족할 수 있다.
