Managing Map Cardinality in Automatic Disease Classification Mapping: Balancing Precision, Recall and Coverage

Resumen Técnico: Gestión de la Cardinalidad de Mapas en la Clasificación Automática de Enfermedades

Planteamiento del Problema
El mapeo automático de sistemas de clasificación de enfermedades, como la Clasificación Internacional de Enfermedades (CIE), es crítico para la integración de datos de salud y el análisis longitudinal. Sin embargo, los métodos existentes basados en embeddings se centran principalmente en mapeos uno-a-uno, fallando al abordar escenarios complejos de uno-a-muchos donde un único código de origen se corresponde semánticamente con múltiples códigos de destino. Las estrategias de selección actuales para manejar la cardinalidad —específicamente los métodos basados en umbrales y de Top-K— sufren de compromisos inherentes entre precisión, exhaustividad (recall) y cobertura de mapeo (la proporción de códigos de origen con al menos un mapeo).

• Los métodos basados en umbrales priorizan la precisión a expensas de la exhaustividad y la cobertura; los umbrales altos resultan en una baja cobertura, dejando muchos códigos de origen sin mapear.
• Los métodos Top-K garantizan una alta cobertura y exhaustividad, pero sacrifican la precisión al forzar un número fijo de coincidencias, introduciendo a menudo un número significativo de falsos positivos (por ejemplo, generando $K-1$ falsos positivos para mapeos válidos de uno-a-uno).

Estas limitaciones crean un cuello de botella para la validación manual, donde los expertos en terminología deben filtrar excesivos falsos positivos o mapear manualmente grandes brechas de datos no mapeados.

Metodología
Los autores proponen un novedoso marco de bloqueo y emparejamiento (blocking-and-matching framework), inspirado en los procesos de resolución de entidades, para generar automáticamente mapeos entre diferentes versiones de la CIE (por ejemplo, CIE-9-CM $\leftrightarrow$ CIE-10-CM e CIE-10-AM $\leftrightarrow$ CIE-11). El enfoque opera en dos etapas distintas:

1. Etapa de Bloqueo (Generación de Candidatos):
   En lugar de evaluar todos los pares posibles, el método genera un conjunto reducido de códigos de destino candidatos para cada código de origen. Los autores introducen una estrategia de selección híbrida que combina:

   • Selección Top-K: Recupera los $K$ mejores códigos de destino basados en la similitud de embeddings.
   • Expansión de Mapeo Bidireccional (BiMaps): Construye mapeos uno-a-uno en ambas direcciones (Origen $\to$ Destino y Destino $\to$ Origen) y los agrega.
     La unión de estos conjuntos forma el "bloque" de candidatos. Este enfoque híbrido tiene como objetivo maximizar la exhaustividad (manteniendo las coincidencias reales) mientras minimiza el tamaño del bloque para evitar el fenómeno de "perderse en el medio" (lost in the middle) en los Modelos de Lenguaje de Gran Escala (LLMs), donde el exceso de contexto degrada el rendimiento.

2. Etapa de Emparejamiento (Selección por LLM):
   La tarea de emparejamiento se reformula como una Pregunta de Opción Múltiple (MCQ). Para cada código de origen y su bloque de candidatos, se construye un prompt instruyendo a un Modelo de Lenguaje de Gran Escala (específicamente Qwen3-8B) para identificar todos los códigos de destino semánticamente equivalentes. A diferencia de la Resolución de Entidades tradicional que a menudo selecciona una única coincidencia, este enfoque permite al LLM seleccionar cero, uno o múltiples opciones, abordando directamente el desafío de la cardinalidad de uno-a-muchos.

Contribuciones Clave

1. Marco Novedoso: Introducción de un flujo de trabajo de bloqueo y emparejamiento que integra la generación de candidatos basada en embeddings con la selección impulsada por LLM para el mapeo de la CIE.
2. Mitigación de Compromisos: El método aborda el compromiso entre precisión, exhaustividad y cobertura inherente a los métodos de selección, entregando alta precisión manteniendo una exhaustividad comparable y una amplia cobertura de mapeo.
3. Estrategia de Bloqueo Híbrida: El desarrollo de una estrategia Top-K + BiMaps que equilibra la eficiencia computacional con la retención de pares de candidatos válidos.
4. Validación Empírica: Demostración de un rendimiento equilibrado a través de múltiples pares de versiones de la CIE y tres capítulos específicos de enfermedades (Digestivo, Infeccioso/Parasitario y Respiratorio).

Resultados
El estudio evaluó el método propuesto frente a los métodos base de umbral ($\lambda=0.85$) y Top-K ($K=5$) a través de cuatro tareas de mapeo.

• Precisión: El marco de bloqueo y emparejamiento logró la mayor precisión en casi todas las tareas (oscilando entre 0.47 y 0.71), lo que representa una mejora de 2 a 3.5 veces sobre el método base Top-K y una mejora de 5 a 35 puntos porcentuales sobre BiMaps en la mayoría de los casos.
• Exhaustividad (Recall): El marco mantuvo una exhaustividad competitiva (0.53–0.85), comparable a los métodos base de alta exhaustividad de BiMaps y Top-K, sin las penalizaciones de precisión asociadas con la selección indiscriminada de Top-K.
• Cobertura: El método logró una cobertura de mapeo casi perfecta (MC $\ge$ 0.98), asegurando que casi cada código de origen recibiera al menos un mapeo candidato, superando así las limitaciones de cobertura de los métodos basados en umbrales.
• Puntuación F1: El marco alcanzó las puntuaciones F1 más altas (0.53–0.77) en 11 de las 12 tareas de mapeo, demostrando un equilibrio superior entre precisión y exhaustividad.

Significancia y Reivindicaciones
El artículo sostiene que el marco propuesto ofrece una solución robusta y libre de entrenamiento para el mapeo automático de la clasificación de enfermedades. Al aprovechar el conocimiento médico de propósito general embebido en los LLMs preentrenados mediante el uso de zero-shot prompting, el método evita la necesidad de un ajuste fino (fine-tuning) específico para la tarea o de datos de mapeo etiquetados.

Los autores enfatizan que, si bien el enfoque basado en LLM introduce una carga computacional (por ejemplo, ~43 horas para los conjuntos de datos evaluados), esta es una inversión inicial justificable comparada con la naturaleza laboriosa y lenta del mapeo manual, que a menudo requiere grandes equipos de expertos y una financiación significativa. El método es particularmente significativo para las transiciones importantes de versiones de la CIE (que ocurren infrecuentemente), donde la creación de tablas de mapeo de alta calidad y reutilizables es esencial para la interoperabilidad de los datos de salud. El enfoque reduce eficazmente la carga de trabajo manual de los expertos en terminología al filtrar candidatos irrelevantes (alta precisión) mientras asegura que no se pierda ningún mapeo válido (alta cobertura).