Centre de documentation
scientifique

Predicting the encoding of secondary diagnoses. An experience based on decision trees / Ghazar Chahbandarian in Ingénierie des systèmes d'information, ISI : Revue des sciences et technologies de l'information, RSTI, vol 22 n° 2 (mars - avril 2017)  

Public [article]  inIngénierie des systèmes d'information, ISI : Revue des sciences et technologies de l'information, RSTI > vol 22 n° 2 (mars - avril 2017) . - pp 69 - 94 Titre : Predicting the encoding of secondary diagnoses. An experience based on decision trees Titre original : Prédire le codage de diagnostics secondaires. Une expérience basée sur les arbres de décision Type de document : Article/Communication Auteurs : Ghazar Chahbandarian, Auteur ; Nathalie Bricon-Souf, Auteur ; Imen Megdiche, Auteur ; et al., Auteur Année de publication : 2017 Article en page(s) : pp 69 - 94 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Informatique [Termes IGN] apprentissage automatique [Termes IGN] arbre de décision [Termes IGN] exploration de données Résumé : (Auteur) Afin de mesurer l’activité médicale, les hôpitaux sont tenus de coder manuellement des informations concernant les séjours des patients hospitalisés en utilisant la Classification Internationale des Maladies (CIM-10). Cette tâche est chronophage et nécessite une formation importante pour le personnel en particulier pour le codage des diagnostics associés (secondaires). Afin d’assister les personnels hospitaliers dans leur tâche, nous proposons une approche basée sur les techniques de fouille de données et plus précisément les arbres de décision qui permet de prédire le codage des diagnostics associés. Les arbres de décision sont construits à partir des données structurées de la base PMSI (âge, sexe, nombre de diagnostics et actes médicaux ...). Ces arbres de décision sont facilement exploitables par un non spécialiste en informatique tel qu’un médecin. Deux niveaux de granularité de diagnostic ont été exploités selon que l’on choisisse de représenter le diagnostic de façon très précise (fin niveau de granularité) ou en se contentant de garder une information plus générale (niveau de granularité plus grossier) correspondant aux catégories de diagnostics. Trois types d’expérimentations ont été réalisés selon différentes techniques d’équilibrage de dataset. Les résultats obtenus indiquent qu’il existe une variation significative des scores d’évaluation entre les différentes techniques pour les mêmes diagnostics étudiés. Nous mettons en évidence l’efficacité des techniques "random sampling" quels que soient le type de diagnostic et le type de mesure (F1-mesure, le rappel et la précision). Nos résultats montrent également l’efficacité d’utiliser le niveau fin de granularité de diagnostic quel que soit le diagnostic étudié. Numéro de notice : A2017-607 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Article DOI : 10.3166/isi.22.2.69-94 En ligne : https://dx.doi.org/10.3166/isi.22.2.69-94 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=86888 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
093-2017021	SL	Revue	Centre de documentation	Revues en salle	Disponible