Development of International Classification of Diseases crosswalks using text analysis methods.
Notice bibliographique
Résumé
ObjectiveTo evaluate the performance of a natural language processing (NLP) method to develop an automated crosswalk between the 9th and 10th revisions of the International Classification of Diseases (ICD) for diagnosis codes in the Charlson comorbidity index (CCI). ApproachSBERT, an advanced NLP transformer-based model, was used to produce sentence embeddings, numeric vectors that represent the semantic meaning of text, for the labels (i.e., descriptors) of 932 ICD-10-CA (Canadian Adaptation) codes in the CCI (up to six digits). Sentence embeddings were also produced for all ICD-9-CM (Clinical Modification) code labels (15,145). Cosine similarity scores (CSS) were calculated for all possible pairs of ICD-10-CA and ICD-9-CM code labels. CSSs were classified as equivalent (CSS = 1), high (0.8 ≤ CSS < 1), and low (CSS < 0.8). CSS categories for CCI diagnosis codes were compared to an ICD-9-CM to ICD-10-CA crosswalk file manually created by the Canadian Institute of Health Information. ResultsOf the 932 CSSs for ICD-10-CA codes in CCI, 84 (9%) were classified as equivalent, 284 (30.5%) were high, and 564 (60.5%) were low. For ICD-10-CA codes with low CSSs, the median was 0.67 (interquartile range 0.14). Conclusions and ImplicationsAn ICD-10-CA to ICD-9-CM crosswalk based on NLP had low accuracy for identifying semantically similar diagnosis code labels. The accuracy of this method might be improved by fine-tuning and training on task-specific data. Evaluation of different text analysis-based models would provide guidance for research involving ICD code labels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,017 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».