CORe Model - Predicción de Diagnóstico Clínico
El modelo CORe (Clinical Outcome Representations) se presenta en el artículo Clinical Outcome Predictions from Admission Notes using Self-Supervised Knowledge Integration. Está basado en BioBERT y se ha pre-entrenado adicionalmente en notas clínicas, descripciones de enfermedades y artículos médicos con un objetivo especializado de Pre-Entrenamiento de Resultados Clínicos. Este punto de control de modelo está afinado en la tarea de predicción de diagnóstico. El modelo espera notas de admisión de pacientes como entrada y produce predicciones de códigos ICD9 multi-etiqueta.
Como usar
Puedes cargar el modelo a través de la biblioteca transformers:
from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained('bvanaken/CORe-clinical-diagnosis-prediction')
model = AutoModelForSequenceClassification.from_pretrained('bvanaken/CORe-clinical-diagnosis-prediction')
El siguiente código muestra un ejemplo de inferencia:
0.3).nonzero()[:, 1].tolist()
Nota: Para el mejor rendimiento, recomendamos determinar los umbrales (0.3 en este ejemplo) individualmente por etiqueta.
Funcionalidades
- Predice un total de 9237 etiquetas
- Incluye códigos ICD9 de 3 y 4 dígitos y descripciones textuales
- Incorpora información jerárquica y temática durante el entrenamiento
Casos de uso
- Predicción de diagnósticos clínicos a partir de notas de admisión de pacientes
- Generación de predicciones de códigos ICD9 multi-etiqueta