A data and knowledge cross-level fusion-driven learning framework for detecting missing diagnosis

doi:10.1038/s41746-026-02725-z

A data and knowledge cross-level fusion-driven learning framework for detecting missing diagnosis

2026-05-14

0

OA

AI

DOI：10.1038/s41746-026-02725-z

原文链接

查看原文

摘要

En 中文

电子病历中出院诊断列表的漏诊现象普遍存在，导致文档记录不准确、诊断相关分组（DRG）分配错误以及因忽视并发症和合并症（CC）或主要并发症和合并症（MCC）而减少的报销。为解决此问题，我们提出了一种数据和知识跨层融合驱动的学习框架，用于自动识别漏诊。在中国多个省份六家医院的真实电子病历上进行评估，我们的模型在F1分数上优于专家系统方法、基于BERT的方法以及多个基于大型语言模型（LLM）的基线方法。结果显示，37.8%的电子病历被预测存在漏诊，其中9.0%的病历DRG分组发生改变，进而影响3.2%的保险报销。为减少警报疲劳，我们采用了一种结合我们的模型与专家系统的混合方法，将精确度提升了6.7%至13.4%。我们还设计了两种人机协同模式，以展示我们的方法在实际世界中的实用性。

Keyword:

missing diagnosis

electronic medical records

diagnosis related groups

machine learning

clinical decision support

A data and knowledge cross-level fusion-driven learning framework for detecting missing diagnosis

摘要

AI总结

期刊

机构

引用论文