RT Generic
T1 Sistema de clasificación de historias clínicas con deep learning
A1 Pérez Asensio, David
AB Las historias clínicas electrónicas contienen extensa información de gran utilidad en ensayos clínicos a gran escala y en el diagnóstico de pacientes. En este trabajo abordamos el problema de asignar códigos ICD-9 tomando como entrada notas médicas escritas por personal sanitario. Para ello utilizamos el reciente dataset MIMIC-III, construyendo un sistema que facilita el diseño, la implementación y la evaluación de multitud de clasificadores multilabel fundamentados en regresión logística, redes neuronales feedforward y redes neuronales recurrentes. Nuestros resultados son similares a los obtenidos por otros investigadores. Los modelos basados en deep learning resuelven con éxito la tarea de clasificación para las 10 etiquetas ICD-9 más frecuentes.
AB Electronic health records contain extensive information which is very useful in large scale clinical studies and patient diagnosing. In the present work we attempt the problem of auto assigning ICD-9 codes based on free-text medical notes. To this end we use the relatively new MIMIC-III dataset to build a framework that enables the design, implementation and evaluation of a variety of multilabel classifiers based on logistic regression, feedforward neural networks and recurrent neural networks. Our results align with those obtained by other researchers, with our deep learning models solving the top 10 label ICD-9 classification task moderately well.
YR 2018
FD 2018
LK https://hdl.handle.net/20.500.14352/20696
UL https://hdl.handle.net/20.500.14352/20696
LA spa
DS Docta Complutense
RD 19 abr 2025