@article{fdi:010092486,
  title = {{P}55  - {C}r{\'e}ation d'un syst{\`e}me d'aide informatis{\'e}e au codage {C}lassification internationale des maladies ({CIM}) : choix de m{\'e}trique de performance et utilisation de la hi{\'e}rarchie {CIM} [r{\'e}sum{\'e}]},
  author = {{M}arcou, {Q}. and {B}erti-{E}quille, {L}aure and {N}ovelli, {N}.},
  editor = {},
  language = {{ENG}},
  abstract = {{I}ntroduction :  {E}n plus d'une meilleure utilisation des donn{\'e}es existantes, l'intelligence artificielle promet une aide pour la g{\'e}n{\'e}ration de donn{\'e}es de meilleure qualit{\'e} tout en all{\'e}geant la charge de collecte de donn{\'e}es. {B}ien que des {\'e}tudes r{\'e}centes aient rapport{\'e} des r{\'e}sultats prometteurs en mati{\`e}re de classification automatique {CIM}, elles d{\'e}crivent souvent des architectures de mod{\`e}les sp{\'e}cifiques aux donn{\'e}es d'entr{\'e}e, et sont {\'e}valu{\'e}es de mani{\`e}re h{\'e}t{\'e}rog{\`e}ne. {N}os travaux explorent l'{\'e}valuation et la construction de syst{\`e}mes de {C}odage assist{\'e} par ordinateur ({CAO}) plus efficaces en utilisant des approches g{\'e}n{\'e}riques, mettant l'accent sur l'utilisation de la hi{\'e}rarchie {CIM}, avec pour exemple l'utilisation de donn{\'e}es de prescription m{\'e}dicamenteuses et un r{\'e}seau de neurones s{\'e}quentiel. {M}{\'e}thodes :  {N}ous utilisons {MIMIC}-{III}, transform{\'e}e au mod{\`e}le de donn{\'e}es {OMOP}-{OHDSI}. {N}ous {\'e}valuons diverses mesures de performance, ainsi que des approches d'apprentissage multitâche, hi{\'e}rarchique et en pr{\'e}sence de d{\'e}s{\'e}quilibre de classes pour les r{\'e}seaux neuronaux. {R}{\'e}sultats :  {N}ous introduisons une m{\'e}trique de performance, {RE}@{R}, adapt{\'e}e {\`a} la tâche de codage {CIM}, qui offre des informations interpr{\'e}tables pour les praticiens de l'informatique m{\'e}dicale. {N}ous montrons que le filtrage de codes {CIM} diminue les performances de r{\'e}cup{\'e}ration sans am{\'e}lioration des performances sur le sous-ensemble s{\'e}lectionn{\'e}. {N}ous montrons {\'e}galement que l'optimisation de m{\'e}triques telles que le {NDCG} ou l'{AUC} {P}r{\'e}cision-{R}appel permettent de surpasser les performances obtenues en utilisant la {F}1. {N}ous observons que l'entra{\^i}nement simultan{\'e} sur diff{\'e}rents niveaux {CIM} offre des avantages mineurs pour le classement et des gains de temps d'ex{\'e}cution significatifs. {C}ependant, nous constatons les techniques d'apprentissage hi{\'e}rarchique ou de correction du d{\'e}s{\'e}quilibre des classes n'am{\'e}liorent pas les performances. {C}onclusion : {A}vec un r{\'e}seau neuronal s{\'e}quentiel, nous confirmons que les ordonnances m{\'e}dicales sont une source riche de donn{\'e}es pour les syst{\`e}mes de {CAO}, offrant des capacit{\'e}s de r{\'e}cup{\'e}ration comp{\'e}titives pour une fraction de la charge de calcul compar{\'e} aux mod{\`e}les bas{\'e}s sur du texte. {N}otre {\'e}tude souligne l'importance du choix des m{\'e}triques de performance cible et questionne les pratiques existantes li{\'e}es {\`a} la s{\'e}lection de sous-ensembles de codes {CIM} pour l'entra{\^i}nement et l'{\'e}valuation d'algorithmes de {CAO}.},
  keywords = {},
  booktitle = {},
  journal = {{J}ournal of {E}pidemiology and {P}opulation {H}ealth},
  volume = {72},
  numero = {{S}uppl.1},
  pages = {202352  [1 ]},
  ISSN = {2950-4333},
  year = {2024},
  DOI = {10.1016/j.jeph.2024.202352},
  URL = {https://www.documentation.ird.fr/hor/fdi:010092486},
}