Deep Label-Wise Attentive Temporal Convolutional Networks Improve Medical Coding
यह शोध पत्र लॉन्ग-रेंज डिपेंडेंसीज़ को प्रभावी ढंग से कैप्चर करने और प्रत्येक कोड के लिए दस्तावेज़-विशिष्ट पहलुओं पर ध्यान केंद्रित करने के लिए लेबल-वाइज अटेंशन के साथ मल्टी-लेयर टेम्पोरल कन्वोल्यूशनल नेटवर्क्स को संयोजित करने वाले एक डीप न्यूरल मॉडल का प्रस्ताव करता है, जिसके परिणामस्वरूप पिछले स्टेट-ऑफ-द-आर्ट तरीकों की तुलना में F-1 और रिकॉल स्कोर में महत्वपूर्ण लाभ प्राप्त हुआ है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल, उलझी हुई गुत्थी को सुलझाने की कोशिश कर रहे हैं, लेकिन अपराध स्थल के बजाय, आपका सबूत एक नोटबुक में लिखा गया मरीज का पूरा अस्पताल प्रवास है। इस क्षेत्र को मेडिकल कोडिंग कहा जाता है, और यह डॉक्टर के स्वतंत्र रूप से लिखे गए नोट्स को कोडों की एक मानकीकृत सूची (जैसे ICD कोड) में अनुवाद करने का एक महत्वपूर्ण काम है, जो दुनिया को ठीक-ठीक बताता है कि मरीज के साथ क्या हुआ था। इन कोडों को "टैग" या "हैशटैग" के रूप में समझें जिनका उपयोग बीमा कंपनियां और अस्पताल मरीज के इतिहास को समझने के लिए करते हैं। समस्या यह है कि ये नोट्स अक्सर हजारों शब्दों के होते हैं, अलग-अलग शैलियों में लिखे जाते हैं, और एक एकल निदान (डायग्नोसिस) के सुराग पहली पंक्ति से लेकर आखिरी पन्ने तक बिखरे हुए हो सकते हैं। यह एक ऐसा काम है जो इतना कठिन है कि पेशेवर मानव कोडर भी हर बार इसे पूरी तरह से सटीक करने के लिए संघर्ष करते हैं, और इसे सही करना महत्वपूर्ण है क्योंकि यह अस्पतालों को सुचारू रूप से चलाने में मदद करता है और यह सुनिश्चित करता है कि मरीजों को सही देखभाल मिले।
यहाँ येल यूनिवर्सिटी के शोधकर्ताओं की एक टीम आई जिन्होंने इस जासूसी काम में मदद करने के लिए एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क बनाने का निर्णय लिया। उन्होंने एक प्रकार का नया कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) बनाया जिसे लेबल-वाइज अटेंटिव टेम्पोरल कन्वोल्यूशनल नेटवर्क्स, या संक्षेप में LATCN कहा जाता है। इस मॉडल को विशेषज्ञों की एक टीम के रूप में समझें, जिसमें से प्रत्येक को एक विशिष्ट सुराग (जैसे एक विशिष्ट बीमारी या प्रक्रिया) खोजने का काम सौंपा गया है। पुराने मॉडल के विपरीत जो पूरे नोट को एक धुंधलेपन की तरह पढ़ते थे या केवल एक शब्द के आस-पास के हिस्से को देखते थे, LATCN एक विशेष "ज़ूम लेंस" का उपयोग करता है जो पूरी लंबी कहानी को एक साथ देख सकता है। इससे भी महत्वपूर्ण बात यह है कि इसमें प्रत्येक विशिष्ट कोड के लिए एक "फोकस नॉब" है। यदि मॉडल "टूटी हुई टांग" की तलाश कर रहा है, तो यह पैरों और हड्डियों के उल्लेखों को खोजने के लिए पूरे दस्तावेज़ को स्कैन करता है, और मरीज के आहार से संबंधित हिस्सों को अनदेखा कर देता है। यदि यह "मधुमेह" (डायबिटीज) की तलाश कर रहा है, तो यह पूरी तरह से अलग अनुभागों पर ज़ूम करता है।
शोधकर्ताओं ने इस नई प्रणाली का परीक्षण वास्तविक अस्पताल रिकॉर्डों के एक विशाल संग्रह (MIMIC-III डेटासेट) पर किया और पाया कि यह पिछले सर्वश्रेष्ठ मॉडलों की तुलना में काफी बेहतर थी। विशेष रूप से, यह सभी संभावित कोडों को पकड़ने के लिए याद रखने में बहुत बेहतर थी, यहाँ तक कि उन कठिन कोडों के लिए भी जिन्हें पकड़ना आसान है। हालांकि इसने कुछ ऐसे अनुमान भी लगाए जो गलत निकले (सटीकता में थोड़ी गिरावट), टीम का तर्क है कि अस्पताल के माहौल में, हर संभव समस्या को पकड़ना (उच्च रिकॉल/कैच रेट) बहुत महत्वपूर्ण है बजाय इसके कि एकदम सख्त रहा जाए, क्योंकि किसी निदान को चूक जाना खतरनाक हो सकता है। उनके नए मॉडल ने पुराने दिग्गजों की तुलना में "पकड़ने की दर" (कैच रेट) में उल्लेखनीय 28% की वृद्धि की, जिससे यह सिद्ध हुआ कि कंप्यूटर को लंबी कहानियों को पढ़ने और विशिष्ट विवरणों पर ध्यान केंद्रित करने का बेहतर तरीका देने से समय बचाने और रोगी देखभाल में सुधार करने में बहुत बड़ा अंतर आता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।