في عالم الترميز السريري، تواجه الوكلاء الطبيون العديد من التحديات التي تتضمن أخطاء مكررة تتعلق بالأكواد غير المدعومة، والحالات الموثقة غير المعالجة، وأخطاء التخصيص. جاء الحل في شكل LearnActCoder، إطار عمل مبتكر يفترض إدماج ذاكرة الأخطاء لتوجيه عملية التحسين.

يعتمد LearnActCoder على منهجية "تعلم ثم تصرف" (Learn-Then-Act) والتي تقوم بتحويل الأخطاء الناتجة عن دفعة صغيرة من البيانات المسماة إلى قاعدة بيانات من الأخطاء الهيكلية (Mistake Knowledge Database - MistakeKDB). من خلال هذا النظام، تُوجه الدروس المستفادة من الأخطاء إلى قسمين: دروس الندرة الزائفة التي تُوجه إلى "المُرمز" (Coder)، ودروس الإيجابية الزائفة التي تُرسل إلى "القاضي" (Judge) الذي يهتم بتحقيق الدقة.

عند اختبار هذا الإطار على ملاحظات MIMIC-III، أظهرت البيانات تحسناً ملحوظاً في معيار F1 الخاص بـ CPT مقارنة بأساليب الذاكرة التقليدية، حيث جاءت التحسينات بنسبة 5.9 نقطة. ولقد أدى هذا النظام إلى رفع الدقة في الترميز ICD-10 رغم ذلك كان هناك عجز في التحسينات بالنظر إلى الأداء العام.

خلاصة القول، يعكس LearnActCoder القدرة على تحسين سلوك الترميز السريري عبر الحالات التي تواجهها دون الحاجة لتحديث الأوزان أو تغيير التدفق الأساسي للعمل. يعد هذا تطوراً مثيراً للاهتمام في مجال الذكاء الاصطناعي السريري.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.