MKE-Coder: Multi-Axial Knowledge with Evidence Verification in ICD Coding for Chinese EMRs

Dit paper introduceert MKE-Coder, een nieuw raamwerk dat multi-axiale kennis en bewijsverificatie combineert om de nauwkeurigheid en snelheid van het automatisch coderen van ICD-codes in Chinese elektronische medische dossiers aanzienlijk te verbeteren.

De kern

Stel je voor dat een ziekenhuis een enorme bibliotheek is, maar dan zonder boeken, alleen met duizenden en duizenden medische dossiers. Elke patiënt heeft een verhaal: wat ze voelen, wat de dokter ziet en wat er aan de hand is. Het probleem is dat deze verhalen vaak heel kort en cryptisch zijn geschreven, vooral in het Chinees.

Nu moet er voor elk verhaal een stempel worden geplakt: een ICD-code. Dit is als een universele barcode voor ziektes. Zonder deze barcodes kunnen ziekenhuizen niet goed rekenen, verzekeringen niet betalen en artsen niet goed vergelijken hoe vaak bepaalde ziektes voorkomen.

In het Engels lukt het computers al aardig om deze barcodes te vinden, maar in het Chinees is het een ware uitdaging. De schrijfstijl is te kort en de structuur van de dossiers is te ingewikkeld voor gewone software.

Hier komt MKE-Coder om de hoek kijken. Je kunt dit zien als een super-slome detective die een nieuw systeem heeft ontwikkeld om deze puzzel op te lossen.

Hoe werkt deze detective?

Stel je voor dat elke ziektecode niet één groot geheim is, maar bestaat uit vier verschillende puzzelstukken (de "assen" of assen). Om een code te mogen geven, moeten al deze vier stukken kloppen.

1. Het Opzoeken (De Assen):
   De detective kijkt eerst naar het medisch dossier en zoekt naar mogelijke ziektes. Maar in plaats van zomaar een gok te doen, verdeelt hij elke ziekte in vier categorieën. Het is alsof hij zegt: "Oké, dit is een longziekte, maar is het acuut? Is het links of rechts? Wat is de ernst?" Hij bouwt een vierkant van kennis rondom de ziekte.

2. Het Bewijs (De Getuigen):
   Vervolgens gaat de detective op zoek naar bewijs in het dossier. Hij leest niet zomaar alles, maar zoekt specifiek naar zinnen die bewijzen dat die vier puzzelstukken ook echt kloppen. Hij gebruikt een slimme "scoremachine" om te bepalen welk bewijs betrouwbaar is en welk bewijs misschien maar een gerucht is. Alleen het stevige bewijs telt mee.

3. De Controle (De Maskerade):
   Dit is het meest creatieve deel. De detective doet alsof hij een stukje van de code weglaat (een masker). Vervolgens vraagt hij zich af: "Als ik dit stukje weglaat, past het nog steeds met al het bewijs dat ik heb gevonden?"

   • Als het antwoord "ja" is, betekent dit dat de code logisch is en stevig onderbouwd.
   • Als het antwoord "nee" is, dan is de code waarschijnlijk fout.

Waarom is dit zo'n groot succes?

Vroeger waren computers als een blinde paard dat in het donker probeerde te raden welke stempel er op het dossier moest. Ze keken niet echt naar de details.

MKE-Coder is als een slimme assistent die samenwerkt met de menselijke coder. Hij leest het dossier, checkt de vier puzzelstukken, verzamelt het bewijs en zegt dan: "Kijk, deze code klopt perfect omdat we hier, hier en hier het bewijs hebben."

Het resultaat?
In tests met echte Chinese ziekenhuisgegevens bleek dat deze detective veel sneller en nauwkeuriger is dan de oude methoden. Voor de mensen die deze codes moeten invoeren, voelt het alsof ze een superkracht hebben gekregen: ze maken minder fouten en zijn veel sneller klaar. Het is alsof je van een fiets op een snelle elektrische scooter stapt om door de stad te rijden.

Kortom: MKE-Coder zorgt ervoor dat de talloze, soms cryptische medische verhalen uit Chinese ziekenhuizen eindelijk de juiste, betrouwbare barcode krijgen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "MKE-Coder: Multi-Axial Knowledge with Evidence Verification in ICD Coding for Chinese EMRs", geschreven in het Nederlands.

Probleemstelling

Het automatisch coderen van ziektecodes volgens de Internationale Classificatie van Ziekten (ICD) is een gevestigd maar uitdagend domein in de medische informatica. Hoewel methoden voor het coderen van Engelstalige elektronische medische dossiers (EMR's) succesvol zijn, lopen ze tegen significante obstakels aan bij Chinese EMR's. De auteurs identificeren twee hoofdbeperkingen:

1. Taal- en Structuurcomplexiteit: Chinese medische dossiers hebben vaak een beknopte schrijfstijl en een specifieke interne structuur, wat het extraheren van relevante informatie voor ziektecodes bemoeilijkt.
2. Gebrek aan Contextuele Validatie: Bestaande methoden maken geen gebruik van ziekte-gebaseerde multi-axiale kennis (kennis verdeeld over verschillende dimensies of assen) en missen een directe koppeling aan de onderliggende klinische bewijslast in het dossier. Dit leidt tot een gebrek aan betrouwbaarheid en interpreteerbaarheid.

Methodologie: Het MKE-Coder Framework

Het paper introduceert MKE-Coder, een nieuw raamwerk dat multi-axiale kennis integreert met evidence-verification (bewijsverificatie) voor het coderen van Chinese EMR's. De aanpak bestaat uit drie kernfasen:

1. Candidaat-identificatie en Multi-axiale Categorisatie:

   • Het systeem identificeert eerst potentiële ICD-codes voor een diagnose.
   • Vervolgens wordt elke kandidaat-code onderverdeeld in kennis onder vier coderingsassen (multi-axial knowledge). Hoewel de specifieke assen niet in de abstract worden benoemd, impliceert dit een gedetailleerde ontleding van de diagnose in verschillende dimensies (bijv. etiologie, locatie, ernst, of complicaties) die nodig zijn voor een correcte code.

2. Retrieval en Scoring van Klinisch Bewijs:

   • Het systeem zoekt in de volledige inhoud van de Chinese EMR naar de corresponderende klinische bewijsstukken die nodig zijn om de kandidaat-code te onderbouwen.
   • Een scoring-model filtert en selecteert alleen geloofwaardig bewijs, waardoor ruis in de data wordt geminimaliseerd.

3. Verificatie via Masked Language Modeling (MLM):

   • Om de geldigheid van een kandidaat-code te garanderen, wordt een inferentiemodule gebruikt die gebaseerd is op Masked Language Modeling.
   • Deze module controleert of al het kennismateriaal dat geassocieerd is met de specifieke as van de kandidaat-code, daadwerkelijk wordt ondersteund door het geselecteerde klinische bewijs.
   • Op basis van deze verificatie worden aanbevelingen gedaan, wat zorgt voor een hoge precisie en interpreteerbaarheid van de output.

Belangrijkste Bijdragen

• Nieuw Framework: Introductie van MKE-Coder, dat specifiek is ontworpen om de uitdagingen van Chinese medische teksten aan te pakken.
• Multi-axiale Benadering: Het is de eerste methode die systematisch multi-axiale kennis toepast op ICD-codering, in plaats van alleen te kijken naar de diagnose als een geheel.
• Evidence-Based Validatie: De integratie van een verificatiestap die expliciet koppelt tussen de gekozen code en de originele tekstuele bewijslast in het dossier, wat de "black box"-karakteristiek van veel AI-modellen vermindert.
• Robuustheid: Het gebruik van MLM-strategieën voor verificatie biedt een sterke linguïstische basis voor het begrijpen van de beknopte Chinese medische terminologie.

Resultaten

De auteurs hebben hun framework getest op een grootschalige dataset van Chinese EMR's verzameld uit diverse ziekenhuizen.

• Prestatie: De experimentele resultaten tonen aan dat MKE-Coder aanzienlijk superieur is in vergelijking met bestaande methoden voor de taak van automatisch ICD-coderen op Chinese EMR's.
• Praktische Toepassing: In een evaluatie binnen gesimuleerde real-world coderingsscenario's bleek de methode coders significant te helpen. Dit resulteerde in een verbetering van zowel de coderingsnauwkeurigheid als de snelheid.

Significantie

Dit paper is van groot belang voor de automatisering van medische administratie in China en andere regio's met vergelijkbare medische documentatiestijlen. Door de kloof tussen complexe, beknopte medische teksten en de vereisten voor gestandaardiseerde ICD-codes te overbruggen, biedt MKE-Coder niet alleen een technisch geavanceerde oplossing, maar ook een praktische tool die de werklast van medisch coders verlaagt en de kwaliteit van gezondheidsdata verbetert. De focus op evidence verification zorgt bovendien voor meer transparantie en vertrouwen in AI-gedreven medische beslissingen.