Kodowanie medyczne to zadanie przypisywania zestawów kodów diagnoz i procedur na podstawie notatek z hospitalizacji - proces wymagający skupienia uwagi na różnych sekcjach tekstu dla każdego kodu. Naukowcy zaproponowali nowy model głęboką sieć neuronową opartą na wielowarstwowych temporalnych sieciach splotowych (TCN) połączonych z mechanizmem label-wise attention. Podejście to pozwala modelu działać efektywnie nawet na bardzo długich sekwencjach tekstu, jednocześnie skupiając się na różnych aspektach dokumentu dla każdej indywidualnej etykiety.
Opracowana metoda osiąga znacznie lepsze wyniki niż poprzedni najlepszy model: wzrost wyniku F-1 o 9 procent oraz imponujący wzrost recall o 28 procent. W kontekście medycyny recall jest szczególnie ważny, ponieważ oznacza, że system rzadziej pomija istotne kody diagnostyczne. To ma bezpośredni wpływ na bezpieczeństwo pacjenta i poprawność systemów wspierających decyzje kliniczne.
Rozwiązanie adresuje rzeczywisty problem w praktyce medycznej - kodowanie manualne jest czasochłonne i podatne na błędy nawet dla doświadczonych koderów. Automatyzacja tego procesu z takim poziomu dokładności mogłaby znacznie poprawić przepustowość administracyjną szpitali i zmniejszyć błędy w dokumentacji medycznej, co ma kluczowe znaczenie dla prawidłowego rozliczania usług i śledzenia historii pacjenta.