Concetti Chiave
教師なしの手法を用いて、教師あり手法と同等以上の説明可能性を持つ医療記録の自動コーディングを実現する。
Sintesi
本研究では、医療記録の自動コーディングタスクにおいて、教師なしの手法を用いて教師あり手法と同等以上の説明可能性を実現することを目的とした。
まず、敵対的ロバスト性の訓練手法を用いることで、モデルが関連性の低い特徴に依存しなくなり、より説明可能性の高い出力が得られることを示した。次に、新しい特徴帰属手法「AttInGrad」を提案し、従来の手法よりも忠実性が高く、かつ説明可能性の高い出力を生成することができることを示した。
これらの2つの貢献を組み合わせた手法は、教師あり手法と同等以上の説明可能性を達成できることが明らかになった。特に、教師なしの手法と比べて大幅な性能向上が見られた。
本研究の成果により、医療記録の自動コーディングにおいて、高い説明可能性を持つ出力を生成することが可能となった。これにより、医療従事者が自動コーディングの出力を効率的に確認・修正できるようになり、医療の質の向上につながることが期待される。
Statistiche
63歳の女性患者で、喘息、冠動脈疾患、2型糖尿病の既往がある。
敗血症性ショックと診断され、メチシリン感受性黄色ブドウ球菌(MSSA)による心内膜炎と大腸菌尿路感染症が確認された。
Citazioni
"医療記録は患者の安全にとって不可欠であり、状態、治療計画、処置などを自由記述と医療コードの両方で記録する。"
"言語モデルはこのような記録の処理を大幅に改善し、ワークフローを効率化し、手動データ入力を削減することで、医療提供者に大きな資源を節約させている。"
"しかし、これらのモデルの黒箱性により、医療従事者は依然として信頼を持ちにくい。"