Traducido del inglés al español - www.onlinedoctranslator.

com

Hindawi
Journal of Healthcare Engineering Volume
2021, ID de artículo 3293457, 9 páginas https://
doi.org/10.1155/2021/3293457

Artículo de investigación

Algoritmo de inteligencia artificial con tecnología de codificación ICD

guiado por el sistema de registro médico electrónico integrado en la
gestión de información de registros médicos

Cheng Wang,1 Chenlong Yao,2 Pengfei Chen,3 Jiamin Shi,1 Zhe Gu,1
y Zheying Zhou 1
1Sala de historia médica, primer hospital maternoinfantil de Shanghai, Shanghai 200000, China
2Departamento de Información, Hospital de Niños afiliado a la Universidad de Jiaotong, Shanghai 200000, China
3Unionnet Co. Ltd., Shanghái 200000, China

La correspondencia debe dirigirse a Cheng Wang; 1751010011@xzyz.edu.cn

Recibido el 29 de junio de 2021; Revisado el 4 de agosto de 2021; Aceptado el 16 de agosto de 2021; Publicado 30 de agosto de 2021

Editor académico: Enas Abdulhay

Copyright © 2021 Cheng Wang et al. ) es un artículo de acceso abierto distribuido bajo la licencia de atribución de Creative Commons, que
permite el uso, distribución y reproducción sin restricciones en cualquier medio, siempre que el trabajo original esté debidamente citado.

) El estudio tiene como objetivo explorar la aplicación de la tecnología de codificación de la clasificación internacional de enfermedades (CIE) y
sistema de historia clínica (EMR). ) El estudio estableció un sistema de conocimiento de información EMR y recopiló los datos de los registros médicos de los pacientes y los códigos de diagnóstico

de enfermedades en las portadas de 8 departamentos clínicos de endocrinología, oncología, obstetricia y ginecología, oftalmología, ortopedia, neurocirugía y medicina cardiovascular para el

análisis estadístico. . Se utilizó el algoritmo de procesamiento de lenguaje natural-red neuronal recurrente bidireccional (NLP-BIRNN) para optimizar los registros médicos. ) Los resultados

mostraron que el codificador no tenía claras las reglas básicas de la selección del diagnóstico principal y la clasificación de la codificación de la enfermedad y no codificaba de acuerdo con los

principios del diagnóstico principal. ) la enfermedad no se codificó según diferentes condiciones o clasificación específica, el código de complicaciones postoperatorias era inexacto, el diagnóstico

de la enfermedad estaba incompleto y la selección del código era demasiado general. ) Las soluciones adoptadas fueron las siguientes: reforzar la formación en comunicación y conocimientos para

codificadores y personal médico. BIRNN se comparó con la red neuronal convolucional (CNN) y la red neuronal recurrente (RNN) en precisión, precisión de síntomas y recuerdo de síntomas, y

sugirió que el BIRNN propuesto tiene un valor más alto. La lectura del lenguaje patológico bajo el algoritmo de inteligencia artificial proporciona cierta comodidad para el diagnóstico y tratamiento

de enfermedades. y recuerdo de síntomas, y sugirió que el BIRNN propuesto tiene un valor más alto. La lectura del lenguaje patológico bajo el algoritmo de inteligencia artificial proporciona cierta

comodidad para el diagnóstico y tratamiento de enfermedades. y recuerdo de síntomas, y sugirió que el BIRNN propuesto tiene un valor más alto. La lectura del lenguaje patológico bajo el

algoritmo de inteligencia artificial proporciona cierta comodidad para el diagnóstico y tratamiento de enfermedades.

1. Introducción registros. ) El Instituto Nacional de Medicina define EMR como un

Con la mejora de los niveles de vida, la atención de las personas a su
salud también está aumentando. Al mismo tiempo, están preocupados
por las condiciones médicas y las instalaciones del hospital. ) El hospital
llevará a cabo un análisis estadístico y una comparación de los datos
médicos anuales para formar un indicador de la gestión de la calidad
médica [1]. La mayoría de los datos de la industria médica provienen de
registros médicos electrónicos (EMR). EMR también se llama sistema de
registro médico computarizado o registro de paciente basado en
computadora (CPR). Es un registro médico digital guardado,
administrado, transmitido y reproducido por dispositivos electrónicos
(computadoras, tarjetas de salud, etc.) para reemplazar los registros
médicos escritos a mano en papel. Su contenido incluye toda la
información del papel médico.
registro electrónico del paciente basado en un sistema específico,
que brinda a los usuarios la capacidad de acceder a datos
completos y precisos, advertencias, avisos y sistemas de apoyo a la
toma de decisiones clínicas.
) la extracción y el análisis estadístico de estos
datos, se forman indicadores relevantes para brindar comodidad al
personal médico, lo que les ayuda a comprender mejor las
afecciones médicas relevantes y mejorar la calidad de la atención
médica [2]. Con el auge y la amplia aplicación de la tecnología de
redes informáticas, su aplicación en la industria médica se está
volviendo más común. La mayoría de las instituciones médicas
utilizan una página de inicio de historia clínica unificada, que
proporciona una gran comodidad para las estadísticas de
información de la industria médica [3]. ) e historial médico registra el
2 Revista de ingeniería sanitaria
estado detallado del paciente, desde el diagnóstico inicial hasta el
resultado final del tratamiento, que proporciona una base detallada
para el seguimiento [4, 5]. ) El registro detallado del estado del
paciente en el registro médico proporciona un apoyo importante
para que el personal médico comprenda el estado del paciente. Se
puede consultar tanto la historia clínica pasada como el diagnóstico
y tratamiento actual de las enfermedades [6]. Con el desarrollo de
la información electrónica en Internet, los registros de casos
también han cambiado de la versión original en papel a una versión
electrónica, completando el modo de gestión digital de los registros
médicos [7, 8]. Los casos electrónicos han mejorado enormemente
la eficiencia del uso de registros médicos. ) El uso de EMR brinda
comodidad al personal médico y al personal administrativo.
La tecnología de codificación ICD es un método de codificación de
enfermedades relativamente completo y maduro. Casi todas las unidades
hospitalarias utilizan sus reglas para codificar enfermedades en la primera
página de los registros médicos [9]. ) La combinación de inglés y números se
utiliza para codificar para evitar inconsistencias en la codificación [10].
Promueve los intercambios entre personas de diferentes países y regiones.
Con la mejora continua de la clasificación de enfermedades por parte de los
académicos, se cubren cada vez más tipos de enfermedades [11]. ) El método
de codificación se caracteriza por su cientificidad, integridad, aplicabilidad y
operatividad. ) por lo tanto, se utiliza ampliamente en el campo de la medicina
[12]. En la medicina clínica, el uso de LCD puede aportar una gran comodidad,
unificar el código para las enfermedades globales, facilitar la investigación de
los investigadores y contribuir al desarrollo de la medicina.
En este experimento, el análisis estadístico de la primera página de
los registros médicos se realiza a través de la encuesta por muestreo.
) e causas de errores en la clasificación de enfermedades en la primera
página de la historia clínica se analizan y resumen. Mientras tanto,
se establece el sistema integrado de conocimiento de información
de registros médicos y se utiliza el algoritmo NLP-BIRNN para
optimizar el texto del registro médico. Además, se proponen
medidas de mejora detalladas para proporcionar una base para la
investigación de la clasificación de enfermedades.
2. Materiales y métodos
2.1. Materiales experimentales.)Los datos se seleccionaron
aleatoriamente de la base de datos EMR de nuestro hospital, y los
registros médicos de los pacientes y los datos del código de
diagnóstico de enfermedades en las portadas de 8 departamentos
clínicos de endocrinología, oncología, obstetricia y ginecología,
oftalmología, ortopedia, neurocirugía y medicina cardiovascular
fueron recogido.
2.2. Estadísticas de casos.)La información de la historia clínica se extrae
aleatoriamente del sistema de gestión de EMR para su análisis. Se realizan
estadísticas sobre la selección del diagnóstico y el número de errores de
codificación de enfermedades. ) e análisis estadístico de los datos de los
médicos y codificadores médicos antes y después de la formación. )
investigación aproximada, autoexamen, capacitación y retroalimentación, se
exploran los temas de conocimiento de codificación de enfermedades de los
ocho departamentos clínicos mencionados anteriormente. ) El codificador
consulta los datos de la historia clínica de un determinado departamento.
Según la licenciatura de ICD-10
reglas de codificación de la enfermedad, como el conocimiento
clínico y los principios de selección del diagnóstico principal del
mecanismo fisiológico de la enfermedad, el proceso de desarrollo,
las manifestaciones clínicas y los métodos de tratamiento, se lleva a
cabo el proceso de codificación de la enfermedad. Durante el
proceso de codificación, el codificador debe leer atentamente el
caso, especialmente los registros de admisión (juicio de la selección
del diagnóstico principal), registros quirúrgicos (nombre quirúrgico,
método posoperatorio, grado quirúrgico, incisión quirúrgica y
método de anestesia), registros del curso (desarrollo de la
enfermedad, como si la enfermedad se agrava, si mejora y si se
trata), y registros de alta (proceso de diagnóstico y tratamiento, si el
diagnóstico al ingreso y al alta son consistentes). También se debe
prestar atención a los informes de patología, imágenes, ultrasonido
y laboratorio.
2.3. Autoexamen y formación.De acuerdo con los resultados, el codificador
reexamina los registros médicos anteriores, principalmente verificando la
selección del diagnóstico y la codificación de la enfermedad. Se realizan
estadísticas sobre los datos de errores de selección de diagnóstico y errores
de codificación de enfermedades. ) es, se impartirá formación sobre la CIE-10
a los médicos y codificadores pertinentes de los ocho departamentos clínicos
mencionados sobre los problemas examinados en esta ocasión.
2.4. Realimentación.)El codificador compara y analiza los datos de los
principales errores de selección de diagnóstico y errores de codificación de
enfermedades antes y después del entrenamiento. ) Luego, los resultados se
comparten con el personal pertinente con retroalimentación, para explorar
medidas de rectificación y mejorar el nivel de codificación.
2.5. Establecimiento de un sistema de conocimiento de información EMR integrado.)El sistema
establece condiciones. Primero, las condiciones se redactan según el estándar de redacción de los
registros médicos estipulado por el departamento nacional de salud. ) El contenido de los datos
expresados en la historia clínica debe ser un término médico común sin ambigüedad. En segundo
lugar, el sistema de conocimientos debe contener conocimientos descriptivos y concluyentes sobre
los registros médicos. El conocimiento descriptivo se refiere a la descripción detallada de la
enfermedad. Por ejemplo, los tipos de resfriado son el viento helado y el viento caliente y sus
síntomas comunes son dolor de cabeza y tos, que es un conocimiento descriptivo. Por el contrario, es
un conocimiento concluyente juzgar el tipo de resfriado según la descripción de la enfermedad. ) El
sistema de conocimiento debe combinar la interfaz de entrada estructurada de los registros médicos
y proporcionar una solicitud de entrada selectiva basada en la entrada del usuario. ) tercero, la
información de la historia clínica se almacena como un documento XML, que tiene una estructura
jerárquica. ) La base de conocimientos también está representada por el documento XML jerárquico
para lograr una sincronización eficiente de la interfaz de entrada del registro médico, que
corresponde al documento de información del registro médico. Para una entrada de información
simple sin solicitud, el nodo se puede establecer en un valor nulo. Para elementos con múltiples
opciones, se pueden configurar múltiples nodos secundarios cuando se le solicite, leerlos en la
memoria y mostrarlos en la interfaz de registros médicos para que los usuarios elijan. Cuarto, el Para
una entrada de información simple sin solicitud, el nodo se puede establecer en un valor nulo. Para
elementos con múltiples opciones, se pueden configurar múltiples nodos secundarios cuando se le
solicite, leerlos en la memoria y mostrarlos en la interfaz de registros médicos para que los usuarios
elijan. Cuarto, el Para una entrada de información simple sin solicitud, el nodo se puede establecer en
un valor nulo. Para elementos con múltiples opciones, se pueden configurar múltiples nodos
secundarios cuando se le solicite, leerlos en la memoria y mostrarlos en la interfaz de registros
médicos para que los usuarios elijan. Cuarto, el
Revista de ingeniería sanitaria
La semántica debe ser concisa e incluir sugerencias sobre cómo
limitar el uso de caracteres.
) Base de información de la historia clínica incorporada.
El sistema de conocimiento contiene conocimiento, como se muestra en la Tabla 1:
) Hay siete páginas en la entrada EMR incorporada
sistema, y en consecuencia se establecen siete documentos XML de la
base de conocimientos de registros médicos. Cuando los médicos crean
una nueva página de registro médico, el sistema llamará
automáticamente al documento XML de la base de conocimientos de
acuerdo con la página actual. Cuando los médicos ingresan información
específica del nodo del documento, pueden ingresar información de
registros médicos de acuerdo con la operación rápida para mejorar la
velocidad de grabación y reducir los errores de expresión.
2.6. Pasos del algoritmo NLP-BIRNN.En primer lugar, se lleva a cabo el
procesamiento previo de datos de EMR, incluido el procesamiento, la
limpieza y la selección de datos.
En segundo lugar, PNL basado en etiquetado médico (etiquetado de
registros médicos, extracción de caracteres, transformación de vectores
de palabras, red neuronal profunda, etiquetado automático y empalme
de vectores de características) y PNL sin etiquetado médico (sin registro
médico, parte de etiquetado de voz, selección de palabras clave,
transformación de vector y empalme de vector de características).
) tercero, se realiza el cálculo. ) e vectores de características de síntomas
que participan en las soluciones NLP se normalizan, y los valores en cada posición de
los datos vectoriales se limitan a [0, 1]. ) El ICD está codificado por una
representación en caliente para convertirse en la etiqueta del entrenamiento de
aprendizaje profundo. ) El vector de características normalizadas y la etiqueta se
importan al modelo de aprendizaje profundo para el entrenamiento, se obtiene el
modelo de diagnóstico auxiliar y el conjunto de prueba se usa para completar la
prueba de los resultados del modelo.
2.7. Análisis de los datos.)Se adoptó el software SPSS24.0 para
análisis y estadísticas de datos. ) La diferencia entre los dos grupos
de datos fue analizada por elt-prueba. ) Los datos de recuento se
compararon mediante la prueba de Chi-cuadrado.PAG<0.05 indica
una diferencia significativa, y PAG<0,01 indica una diferencia muy
significativa.
3. Resultados
3.1. Imágenes por TC y ecografía de algunas enfermedades.En la actualidad, la base
del diagnóstico del nuevo coronavirus de 2019 (2019-nCoV) son principalmente las
pruebas de ácido nucleico y la detección de imágenes médicas.
) La combinación de los dos es más propicia para el diagnóstico.
A partir del anuncio de casos confirmados oficialmente, algunos
pacientes mostraron un resultado positivo después de más de 2 pruebas
de ácido nucleico e incluso mostraron un resultado positivo después de
la quinta prueba de ácido nucleico. ) Por lo tanto, mientras se realiza la
prueba de ácido nucleico, se lleva a cabo un examen de imágenes por
tomografía computarizada de pulmón. Los pacientes con TC de pulmón
que presenten signos de inflamación aguda deben ser ingresados lo
antes posible de acuerdo con el principio de "sospecha de enfermedad
siempre presente". ) e Los resultados de TC y ecografías de algunas
enfermedades se muestran en la Figura 1. La Figura 1 (a) es una imagen
de TC de tórax de la enfermedad por coronavirus 2019 (COVID-19). La
figura 1 (b) es una imagen segmentada del área infectada por neumonía.
3
La figura 1 (c) es una tomografía computarizada del abdomen. ) La
precisión del diagnóstico de hígado graso leve mediante TC es del
88,75%. La figura 1 (d) es una imagen de ultrasonido del abdomen. ) La
precisión del diagnóstico de hígado graso leve mediante ecografía es del
73,75%. Muestra que el diagnóstico por TC es más preciso que el
diagnóstico por ultrasonido.
3.2. Resultados de los principales errores de selección de diagnóstico y errores
de codificación de la enfermedad del Servicio de Ginecología y Obstetricia.Los
resultados de los principales errores de selección de diagnóstico y los errores
de codificación de enfermedades del departamento de obstetricia y
ginecología se muestran en la Figura 2. La Figura 2 (a) es el resultado de los
principales errores de selección de diagnóstico. ) Hay 280 errores en las
estadísticas de casos de alta antes del entrenamiento y 80 errores después del
entrenamiento. ) Se llevan a cabo estadísticas sobre los cuatro tipos de errores
de selección de diagnóstico principales, que incluyen que la cesárea es el
diagnóstico principal, el diagnóstico de nacimiento único vivo es el primero, la
codificación morfológica del tumor es el diagnóstico principal y las
enfermedades tratables importantes no se diagnostican de forma importante.
Se encuentra que la diferencia en cada índice entre grupos antes y después
del entrenamiento es significativa (PAG<0,05). La figura 2 (b) es el resultado de
errores de codificación de enfermedades. ) Hay 240 errores en las estadísticas
de casos de alta antes del entrenamiento y 60 errores después del
entrenamiento. ) Se realizan estadísticas sobre los cuatro tipos de errores de
codificación de enfermedades: hipertensión del embarazo, rotura prematura
de membranas, tumores y masas y vómito gravídico. Se encuentra que la
diferencia en cada índice entre grupos antes y después del entrenamiento es
significativa (PAG<0.05).
3.3. Resultados de los principales errores de selección diagnóstica y
errores de codificación de la enfermedad del servicio de endocrinología.
Los resultados de los principales errores de selección de diagnóstico y errores de
codificación de enfermedades del departamento de endocrinología se muestran en
la Figura 3. La Figura 3 (a) es el resultado de los principales errores de selección de
diagnóstico. ) Hay 180 errores en las estadísticas de casos de alta antes del
entrenamiento y 50 errores después del entrenamiento.
) e estadísticas sobre los tres tipos de selección de diagnóstico principal
Se cometen errores, entre ellos, que el tratamiento de la enfermedad no es un
diagnóstico importante, que no se diagnostican principalmente
complicaciones múltiples y que no se realiza un diagnóstico importante para
una sola complicación. Se encuentra que la diferencia en cada índice entre
grupos antes y después del entrenamiento es significativa (PAG<0.05). La
figura 3 (b) es el resultado de errores de codificación de enfermedades.
) Hay 160 errores en las estadísticas de casos de descarga antes de
entrenamiento y 30 errores después del entrenamiento. ) Se realizan
estadísticas sobre los cinco tipos de errores de codificación de
enfermedades, incluido el error de codificación de combinación, sin
codificación adicional utilizada, diabetes mellitus neonatal, diabetes
mellitus gestacional y detección de diabetes. Se encuentra que la
diferencia en cada índice entre grupos antes y después del
entrenamiento es significativa (PAG<0.05).
3.4. Resultados de los principales errores de selección diagnóstica y
errores de codificación de la enfermedad del servicio de ortopedia.
Los resultados de los principales errores de selección de diagnóstico y errores de
codificación de enfermedades del departamento de ortopedia se muestran en la Figura 4.
4 Revista de ingeniería sanitaria

Mesa 1: Contenido de la construcción de la base de datos del sistema integrado de conocimiento de registros médicos.

Conocimiento descriptivo de la enfermedad Términos de las características de la enfermedad y selección de la entrada

Conocimiento concluyente de la enfermedad Se dan las palabras clave dadas para la conclusión patológica
Edad del contenido de datos normativos
Información de entrada de documentos XML Restricciones en la entrada de caracteres

(a) (B) (C) (D)

Figura 1: TC y ecografía. (a)) e imagen de TC de tórax de los casos de COVID-19. (b)) la imagen segmentada del área infectada por neumonía.
(c) TC del abdomen. (d) Ecografía del abdomen.

200 ∗ ∗
160 120
180 100
140
120 80
Número
Número

100 60
80 ∗ ∗
60 40 ∗
∗
40 20
∗ ∗
20
0
0
Pre-entrenamiento Despues del entrenamiento
Pre-entrenamiento Despues del entrenamiento
Grupos
Grupos
Hipertensión del embarazo Rotura
La cesárea es el diagnóstico principal El diagnóstico
prematura de membranas Tumor,
de un nacimiento vivo único es el primero
masa
La codificación morfológica del tumor es el diagnóstico principal Las
Vómito gravídico
principales enfermedades tratables no se diagnostican de forma importante

(a) (B)

Figura 2: (a) Principales errores de selección de diagnóstico y (b) errores de codificación de la enfermedad del departamento de obstetricia y ginecología (∗PAG<0.05).

∗ ∗
120 50

100
40
∗
80 ∗
Número

30
60 ∗
Número

∗
∗ 20
40
∗
20 10

0
Pre-entrenamiento Despues del entrenamiento 0
Grupos Pre-entrenamiento Despues del entrenamiento

Grupo
El tratamiento de la enfermedad no es un diagnóstico importante No se

diagnosticaron principalmente complicaciones múltiples No se realizó Fusionar error de codificación Detección de diabetes mellitus

un diagnóstico importante para una sola complicación No se utiliza codificación adicional gestacional para la diabetes
Diabetes mellitus neonatal

(a) (B)

Figura 3: (a) Principales errores de selección de diagnóstico y (b) errores de codificación de la enfermedad del departamento de endocrinología (∗PAG<0.05).
Revista de ingeniería sanitaria
80
∗ ∗
60
Número
Número
40
∗ 20
20
∗
∗
0 0
Pre-entrenamiento Despues del entrenamiento
Grupos
La extracción del dispositivo de inmovilización no hizo el diagnóstico principal Las
fracturas de múltiples sitios no se diagnosticaron principalmente
Hacer el diagnóstico principal de la causa de la lesión.
Las complicaciones posoperatorias de las fracturas no se diagnosticaron principalmente.
(a)
Figura 4: (a) Principales errores de selección de diagnóstico y (b) errores de codificación de enfermedades del departamento de ortopedia (∗PAG<0.05).
La figura 4 (a) es el resultado de los principales errores de selección de
diagnóstico. ) Hay 120 errores en las estadísticas de casos de alta antes
del entrenamiento y 30 errores después del entrenamiento. ) Se llevan a
cabo estadísticas sobre los cuatro tipos de errores de selección de
diagnóstico principales, incluido que la extracción del dispositivo de
inmovilización no constituye el diagnóstico principal, las fracturas de
múltiples sitios no se diagnostican principalmente, el diagnóstico
principal se realiza para la causa de la lesión y Las complicaciones
posoperatorias de las fracturas no se diagnostican principalmente. Se
encuentra que la diferencia en cada índice entre grupos antes y después
del entrenamiento es significativa (PAG<0.05). La figura 4 (b) es el
resultado de errores de codificación de enfermedades. ) Hay 160 errores
en las estadísticas de casos de alta antes del entrenamiento y 25 errores
después del entrenamiento. ) Se realizan estadísticas sobre los cuatro
tipos de errores de codificación de enfermedades, que incluyen que la
codificación de los sitios de daño es inexacta, la codificación de
complicaciones posoperatorias no es precisa, el tratamiento principal no
está codificado y la causa de la intoxicación por lesiones no está clara. Se
encuentra que la diferencia en cada índice entre grupos antes y después
del entrenamiento es significativa (PAG<0.05).
3.5. Resultados de los principales errores de selección diagnóstica del
Servicio de Oncología y Neurocirugía.Los resultados de los principales
errores de selección de diagnóstico del servicio de oncología y
neurocirugía se muestran en la Figura 5. La Figura 5 (a) es el resultado
de los principales errores de selección de diagnóstico de oncología. ) Hay
260 errores en las estadísticas de casos de alta antes del entrenamiento
y 60 errores después del entrenamiento. ) Se realizan estadísticas sobre
los cuatro tipos de errores de selección de diagnóstico principales,
incluido que el diagnóstico primario del tumor no se realiza en el código
Z, el uso del código Z para hacer que el diagnóstico primario es inexacto,
no se realiza un diagnóstico mayor para el tratamiento principal de la
enfermedad, y el código de morfología del tumor es el diagnóstico
principal. Se encuentra que la diferencia en cada índice entre grupos
antes y después del entrenamiento es significativa (PAG<0.05). En la
figura 5 (b) se muestran los resultados de los principales errores de
selección diagnóstica del servicio de neurocirugía. ) Hay 180 errores en
las estadísticas de casos de alta antes del entrenamiento.
5
50
40 ∗
∗
∗
30
10
Pre-entrenamiento Despues del entrenamiento
Grupos
Codificación inexacta de los sitios dañados
El código de complicación posoperatoria no es exacto El
tratamiento principal no está codificado
La causa de la intoxicación por lesiones no está clara.
(B)
y 50 errores después del entrenamiento. ) Se llevan a cabo estadísticas
sobre los cinco tipos de errores de selección de diagnóstico principales,
incluido que el diagnóstico principal es traumatismo craneoencefálico, el
código morfológico del tumor no está escrito, el código Z de
rehabilitación no se utiliza, la codificación de los sitios de la enfermedad
es inexacta y la causa de envenenamiento por lesiones no está escrito.
Se encuentra que la diferencia en cada índice entre grupos antes y
después del entrenamiento es significativa (PAG<0.05).
3.6. Resultados de errores codificadores de enfermedades de los servicios de
Medicina Cardiovascular, Cirugía de Quemaduras y Oftalmología.
Los resultados de los errores de codificación de enfermedades de los
departamentos de medicina cardiovascular, cirugía de quemaduras y
oftalmología se muestran en la Figura 6. La Figura 6 (a) es el resultado de los
errores de codificación del departamento de medicina cardiovascular. ) Hay
420 errores en las estadísticas de casos de alta antes del entrenamiento y 180
errores después del entrenamiento. ) Se realizan estadísticas sobre los cinco
tipos de errores de codificación de enfermedades, que incluyen arritmia,
infarto de miocardio (IM), enfermedad coronaria (CHD), muerte coronaria
súbita (MSC) e isquemia miocárdica. Se encuentra que la diferencia en cada
índice entre grupos antes y después del entrenamiento es significativa (PAG<0.
05). La figura 6 (b) es el resultado de errores de codificación de la enfermedad
del departamento de cirugía de quemaduras. ) Hay 170 errores en las
estadísticas de casos de alta antes del entrenamiento y 35 errores después del
entrenamiento.
) Las estadísticas sobre los siete tipos de errores de codificación de enfermedades son
realizado, incluso que las quemaduras múltiples son el diagnóstico principal,
el grado y el área de la quemadura no están escritos, el sitio de la quemadura
no se ha completado con precisión, la escaldadura / quemadura no está
escrita con claridad, la codificación del sabañón y la congelación es confusa,
las complicaciones de la quemadura están codificadas y la causa de la
intoxicación por lesiones no está codificada. Se encuentra que la diferencia en
cada índice entre grupos antes y después del entrenamiento es significativa (
PAG<0.05). La figura 6 (c) es el resultado de errores de codificación de
enfermedades del departamento de oftalmología. ) Hay 160 errores en las
estadísticas de casos de alta antes del entrenamiento y 30 errores después del
entrenamiento. ) Se realizan estadísticas sobre los cinco tipos de errores de
codificación de enfermedades, incluido el diagnóstico de
6 Revista de ingeniería sanitaria

140 100
∗ ∗
∗ 90
120
80
100 70
60
80
Número

Número
50
60
40
30 ∗
40
∗ ∗
20
20 ∗
∗ 10
∗
0 0
Pre-entrenamiento Despues del entrenamiento Pre-entrenamiento Despues del entrenamiento

Grupos Grupos

El diagnóstico primario del tumor no se realizó en el código Z.Utilice el código Z Todos tenían traumatismo craneoencefálico como diagnóstico principal.

de manera inexacta para hacer el diagnóstico primario.Tratamiento principal No se ha escrito el código morfológico del tumor. No se ha utilizado el

de la enfermedad sin un diagnóstico importante. El código de morfología del código Z de rehabilitación.

Codificación inexacta de los sitios de la enfermedad

tumor es el diagnóstico principal.
No se ha escrito la causa de la intoxicación por lesiones.

(a) (B)

Figura 5: Principales errores de selección de diagnóstico de (a) oncología y (b) neurocirugía (∗PAG<0.05).

la enfermedad está incompleta, la localización del nombre del diagnóstico de El experimento analiza las razones del principal error de selección de diagnóstico. )
la enfermedad no es precisa, las opciones de codificación son demasiado Los codificadores no están familiarizados con las reglas básicas de la selección del
generales, el nombre del diagnóstico no está detallado y la enfermedad no diagnóstico principal, lo que lleva a malinterpretar el diagnóstico principal como un
está codificada de acuerdo con los principios de codificación. Se encuentra diagnóstico ambulatorio. ) La clasificación de los códigos de enfermedades no está
que la diferencia en cada índice entre grupos antes y después del clara y se cree que los mismos nombres tienen los mismos códigos. ) El resultado es
entrenamiento es significativa (PAG<0.05). el mismo que el de Nhut Pham et al. [18]. Es difícil hacer una selección precisa del
diagnóstico principal para situaciones con múltiples enfermedades al mismo tiempo.
Las complicaciones no son el diagnóstico principal. ) La codificación morfológica se
3.7. Resultados de anotaciones automáticas del idioma de la
confunde con el diagnóstico principal. Algunos estudios han encontrado que algunos
historia clínica.)Se analizan estadísticamente los resultados de
codificadores no codifican de acuerdo con propósitos médicos específicos [19]. ) La
la anotación automática del lenguaje de la historia clínica bajo
clasificación del período de tratamiento y el período de recuperación no está clara. )
diferentes algoritmos de inteligencia artificial (Figura 7).
La enfermedad no se codifica de acuerdo con los principios básicos de diagnóstico.
La Figura 7 indica que la tasa de exactitud, la precisión de
Es incorrecto considerar algunas causas de daño como el diagnóstico principal. Otras
los síntomas y el recuerdo de los síntomas de BIRNN son más
investigaciones han descubierto que cuando se producen múltiples fracturas,
altos que los de CNN y RNN, lo que indica que BIRNN tiene un
algunos codificadores confunden una determinada fractura con el diagnóstico
mejor efecto de anotación automática del lenguaje patológico.
principal, lo que provoca errores [20]. Cuando hay una complicación, la enfermedad
previa se confunde con el diagnóstico principal. ) La lesión más grave no se toma
4. Discusión como diagnóstico principal. El tratamiento de rehabilitación no se toma como
diagnóstico principal. ) La codificación de muchos tipos de enfermedades no es
En medicina, la clasificación de enfermedades refleja el nivel médico de un
detallada ni precisa. El tratamiento de rehabilitación no se toma como diagnóstico
hospital hasta cierto punto. La clasificación de enfermedades se refiere a la
principal. ) La codificación de muchos tipos de enfermedades no es detallada ni
clasificación científica de diversas enfermedades mediante la codificación para
precisa. El tratamiento de rehabilitación no se toma como diagnóstico principal. ) La
proporcionar una base para el diagnóstico y el tratamiento clínicos. Los
codificación de muchos tipos de enfermedades no es detallada ni precisa.
requisitos hospitalarios para una clasificación precisa de las enfermedades
también han aumentado los requisitos para los codificadores de
) El experimento analiza las causas de la codificación de enfermedades.
enfermedades [13, 14]. EMR se define en9e Marco básico y datos Registros
errores. ) No existe un código de fusión para las enfermedades que deban
médicos electrónicos estándar de registros médicos electrónicos expedido por
fusionarse. Los estudios han encontrado que codificar las enfermedades no
el Ministerio de Salud de la siguiente manera: un registro médico electrónico
diagnosticadas según las enfermedades diagnosticadas es también una de las
es un registro de servicio médico digital de diagnóstico y tratamiento clínico,
razones de los errores de codificación [21]. Cuando se acompaña de
orientación e intervención de pacientes ambulatorios y hospitalizados (u
complicaciones, no se realiza una codificación precisa. Los pacientes de
objetos de atención de la salud) por parte de las instituciones médicas. Los
diferentes edades no se codifican de manera diferente. Las enfermedades
estudios han demostrado que los codificadores deben recopilar, clasificar,
inducidas por fármacos no están codificadas correctamente. ) Las
organizar, analizar y utilizar la información de los registros médicos a través
enfermedades no se codifican según diferentes condiciones. ) es consistente
de los criterios para la clasificación de enfermedades. Requiere que los
con los resultados de Mahajan et al. [22]. ) Las enfermedades no se codifican
codificadores comprendan completamente el conocimiento clínico de diversas
según diferentes sitios y diferentes tiempos de aparición. )mi
enfermedades [15-17]. )es
Revista de ingeniería sanitaria 7

250 ∗ ∗

50
200

40

150

Número
30
Número

∗
∗
∗
100
20
∗ ∗

50 ∗ 10 ∗ ∗
∗
∗
0
0
Pre-entrenamiento Despues del entrenamiento
Pre-entrenamiento Despues del entrenamiento
Grupo
Grupo
Las quemaduras múltiples son el diagnóstico
Arritmia SCD
MI Isquemia miocardica
principal.Grado de quemaduras, área no escrita.

CHD El sitio de la quemadura no se rellena con precisión

Escaldar, la quemadura no está escrita con claridad

Codificación de confusión de congelación y congelación Las

complicaciones de quemaduras están codificadas

La causa de la intoxicación por lesiones no es un código.

(a) (B)
50

40

∗ ∗

30
Número

∗
∗
20

10

0
Pre-entrenamiento Despues del entrenamiento

Grupo

Diagnóstico incompleto de enfermedad

La localización del nombre del diagnóstico de la enfermedad no es precisa Las opciones de

codificación son demasiado generales

El nombre del diagnóstico no está detallado

No codificado según los principios de codificación

(C)

Figura 6: Errores de codificación de enfermedades de (a) medicina cardiovascular, (b) cirugía de quemaduras y (c) departamentos de oftalmología (∗PAG<0.05).

las enfermedades no se codifican según la clasificación específica y
según la causa. Al codificar, no se lleva a cabo en el orden de
determinar primero el sitio y luego observar la gravedad de la
enfermedad. Los códigos de complicaciones posoperatorias son
inexactos. ) La codificación no se realiza con fines de diagnóstico. )
El llenado del diagnóstico de la enfermedad es
incompleto. ) El nombre del sitio de diagnóstico de la enfermedad es
inexacto. La selección de codificación es demasiado general. ) Las
soluciones a estos problemas son las siguientes. ) Se proporciona
capacitación en conocimientos relevantes para codificadores y médicos. )
Los médicos están regulados para rellenar plantillas de registros
médicos. ) Se mejora la comunicación entre codificadores y médicos.
8 Revista de ingeniería sanitaria
0,7
0,6
0,5
0.4
0,3
0,3
0,2
0,1
0.0
CNN RNN BIRNN
Diferentes redes neuronales
Precisión
Precisión de síntomas
Recuerdo de síntomas
Figura 7: Comparación de rendimiento de diferentes algoritmos de
inteligencia artificial.
personal. ) Los nuevos requisitos de codificación deben dominarse en
cualquier momento. Tanno y col. [23] revisó el historial de cambios en la
clasificación y codificación de las reacciones alérgicas y descubrió que
mejores códigos ICD podrían reducir la mortalidad de las enfermedades
alérgicas.
) Este experimento muestra que la principal razón de la
errores de selección de diagnóstico y errores de codificación para los
codificadores es que no comprenden completamente las diversas
enfermedades y su clasificación. ) por tanto, conviene reforzar la formación
pertinente en este ámbito.
5. Conclusión
) El estudio analiza las razones de la selección incorrecta de
diagnóstico principal antes y después de la formación en obstetricia y
ginecología, endocrinología, oncología, ortopedia y neurocirugía, así como la
codificación incorrecta de la enfermedad en estos departamentos. Se
encuentra que los errores estadísticos de diversas enfermedades antes y
después del entrenamiento son significativamente diferentes entre los
grupos. Muestra que el personal de codificación no tiene un conocimiento
profundo de varias enfermedades y su clasificación específica, y el personal
médico no puede completar claramente los registros médicos de las
enfermedades. ) Por tanto, debería reforzarse la formación pertinente de
codificadores y personal médico. Sin embargo, también existen algunas
deficiencias, como el pequeño número de muestras. Más adelante, el alcance
de la recolección de muestras se puede ampliar para brindar cierto apoyo a la
selección de diagnósticos principales y la investigación de codificación de
enfermedades.
Disponibilidad de datos
) Los datos utilizados para respaldar los hallazgos de este estudio son
disponible del autor correspondiente a pedido.
Conflictos de interés
) Los autores declaran no tener ningún conflicto de intereses.
Referencias
[1] MA Alkureishi, WW Lee, M. Lyons et al., "Impacto del uso de
registros médicos electrónicos en la relación y la comunicación
médico-paciente: una revisión sistemática" Revista de
Medicina Interna General, vol. 31, no. 5, págs. 548–560, 2016.
[2] A. Goyal, TJ Gluckman y JE Tcheng, "¿Qué hay en un nombre?"
Circulación, vol. 136, no. 13, págs. 1180-1182, 2017.
[3] Y. Halpern, S. Horng, Y. Choi y D. Sontag, "Fenotipado de
registros médicos electrónicos utilizando el marco ancla y
aprendizaje", Revista de la Asociación Estadounidense de
Informática Médica, vol. 23, no. 4, págs. 731–740, 2016.
[4] Y. Chen, H. Lu y L. Li, "Algoritmo de codificación automático ICD-10
que utiliza una subsecuencia común más larga mejorada basada
en la similitud semántica", Más uno, vol. 12, no. 3, ID de artículo
e0173410, 2017.
[5] Z. Jia, W. Qin, H. Duan, X. Lv y H. Li, "Un método híbrido para la
codificación automática ICD-10 de diagnósticos chinos", Estudios
en Tecnología e Informática de la Salud, vol. 245, no. 4, págs. 427–
431, 2017.
[6] A. Segolene, B. Bellet y A. Rath, "Enfermedades raras en la CIE11: hacer
visibles las enfermedades raras en los sistemas de información sanitaria
mediante la codificación adecuada", Revista Orphanet de enfermedades
raras, vol. 10, no. 1, págs. 1-14, 2015.
[7] G. Tyler y C. Christopher, "ICD-10: Una cartilla para el cirujano
ortopédico de pie y tobillo", Foot & Ankle International, vol. 36,
no. 9, págs. 1110-1116, 2015.
[8] S. Tim, "Gestión de bibliotecas para la era digital: un nuevo
paradigma", Servicios técnicos trimestrales, vol. 33, no. 12,
págs. 322–324, 2015.
[9] H. Lu, R. Setiono y H. Liu, "Minería de datos efectiva mediante redes
neuronales", Transacciones IEEE sobre conocimiento e ingeniería
de datos, vol. 8, no. 6, págs. 957–961, 2016.
[10] KM Heiden-Rootes, J. Salas, S. Gebauer et al., "Disfunción sexual en
la atención primaria: un análisis descriptivo exploratorio de los
diagnósticos de registros médicos", 9e Journal of Sexual Medicine,
vol. 14, no. 11, págs. 1318-1326, 2017.
[11] TH Neville, DM Tarn, M. Yamamoto, BJ Garber y
N. Wenger, "Comprender los factores que contribuyen a la
atención crítica inadecuada: un análisis de métodos mixtos de la
documentación de registros médicos", Revista de Medicina Paliativa
, vol. 17, artículo ID 0023, 2017.
[12] MH Amir, AW Bayu, Tommy, A. Marwan y R. Siregar, "Análisis de
rendimiento del algoritmo híbrido AES-Blowfish para la seguridad de los
datos de los registros médicos del paciente", Journal of Physics: Serie de
conferencias, vol. 1007, no. 2, ID de artículo 012018, 2018.
[13] Y. Chen, NM Lorenzi, WS Sandberg, K. Wolgast y
BA Malin, "Identificación de equipos de atención colaborativa a través
de patrones de utilización de registros médicos electrónicos", Revista de
la Asociación Estadounidense de Informática Médica, vol. 24, no. e1,
págs. e111 – e120, 2016.
[14] P. Li, C. Xie, T. Pollard et al., "Promoción del análisis secundario de
registros médicos electrónicos en China: resumen de la conferencia de
datos críticos PLAGH-MIT y la conferencia de datos de salud",
Informática médica JMIR, vol. 5, no. 4, pág. e43, 2017.
[15] MB Mayhew, BK Petersen, AP Sales, JD Greene, VX Liu y TS Wasson,
"Análisis flexible basado en grupos de la historia clínica electrónica
de la sepsis con modelos de mezcla compuesta"
Revista de informática biomédica, vol. 78, 2017.
[16] RK Hernandez, SW Wade, A. Reich, M. Pirolli, A. Liede y GH Lyman,
"Incidencia de metástasis óseas en pacientes con tumores sólidos:
análisis de registros médicos electrónicos oncológicos en los
Estados Unidos", Cáncer de BMC, vol. 18, no. 1, pág. 44,
2018.
Revista de ingeniería sanitaria 9

[17] X. Ma, X. Zhai, J. Liu et al., "Estudio sobre las bases biológicas de la
hipertensión y el síndrome con hiperactividad de fuego hepático
basado en tecnología de minería de datos", Pro Quest, vol. 4, no. 4,
págs. 176–180, 2018.
[18] NM Nhut Pham, VS Le y HHC Nguyen, "Asignación de recursos energéticamente
eficiente para servicios virtuales basados en plataformas de alojamiento
compartido heterogéneas en la computación en la nube",
Cibernética y tecnologías de la información, vol. 17, no. 3,
págs. 47–58, 2017.
[19] J. Zhang, "UtEnables toma de decisiones colaborativas entre los proveedores de
atención médica y los pacientes", Amplificador de tecnología de la diabetes; 9
terapéutica, vol. 18, no. 2, págs. 59–67, 2016.
[20] T. Song, "Proceso de fabricación de ronowings basado en un algoritmo de
árbol de decisiones", Revista europea de ciencias farmacéuticas, vol. 73,
págs. 44–48, 2015.
[21] C. Boettiger, "Una introducción a Docker para una investigación
reproducible", ACM SIGOPS: revisión de sistemas operativos, vol.
49, no. 1, págs. 71–79, 2015.
[22] D. Mahajan, C. Blakeney y Z. Zong, "Mejorar la eficiencia energética
de las bases de datos relacionales y NoSQL mediante
optimizaciones de consultas", Computación sostenible: informática
y sistemas, vol. 22, no. 1, págs. 120-133, 2019.
[23] LK Tanno, R. Chalmers, AL Bierrenbach et al., "Cambiando la historia
de las estadísticas de mortalidad por anafilaxia a través de la
clasificación internacional de enfermedades-11 de la organización
mundial de la salud", 9e Revista de alergia e inmunología clínica,
vol. 144, no. 3, págs. 627–633, 2019.