自动临床编码中的分解错误和风格

在自动化临床编码中，标签空间跨越数万个诊断和程序代码，目前根据单个黄金注释来评估模型，将任何偏差视为错误。但我们发现，当两个团队对相同的 110 个 ACI-Bench 遭遇进行编码时，他们对同一个音符只有 73% 的代码（Jaccard 相似度）达成一致；即使在独立临床审核消除了错误代码之后，一致性也仅上升至 77%。这个差距是错误还是系统性的？我们将系统组件建模为编码风格 $\psi$，即编码器或站点特定的关于编码内容和记录数量的策略，并将编码重新编码为 $p(\mathrm{code}\mid\mathrm{note},\psi)$，用 10 维标题估计 $\psi$。如果风格是噪音，那么对其进行调节就毫无作用。相反，在五个数据集中，以数据匹配风格为条件的模型将 ICD F1 提高了最多 26 个点，而极端不匹配的模型将其降低了最多 21 个点。一旦提供了风格，涵盖 39-49 F1 的四种基于提示的编码方法就会收敛到 52-56（所有 p<0.05）。单金评估对建模错误的大部分指控是可恢复的、未建模的风格。