🐍 👽 ♻️ خوارزميات الذكاء الاصطناعي وأتمتة الترميز السريري كمثال ☦️ 🎱 👨🏼‍🍳

الترميز السريري هو عملية إدارية يتم فيها ترجمة البيانات التي تم الحصول عليها أثناء التشخيص (اليوم ، باستخدام الكتب والأدلة المرجعية يدويًا) إلى رموز الشفرة المقابلة. تشمل مصادر البيانات السريرية ما يلي:

بيانات القبول.
البيانات عند التفريغ.
دراسات باثولوجية.
دراسات الأشعة.
وصفات

خطأ في الترميز أمر متكرر وله عواقب غير سارة (من إعادة معالجة الموظفين وخفض تمويل المستشفى إلى فقدان السيطرة على الوباء) ، المزيد عن هذا أدناه.

بيانياً ، يمكن تمثيل عملية التشفير في الشكل. 1.

الشكل. 1 - عملية الترميز السريري

ICD-10 هو معيار ترميز موحد يستخدم في العديد من دول العالم. يشير الاختصار ICD-10 إلى "الطبعة العاشرة من التصنيف الدولي للأمراض والمشكلات الصحية الأخرى" ، التي جمعها موظفو منظمة الصحة العالمية. تحتوي الوثيقة على تمثيلات رمزية لأمراض مختلفة ، وأعراضها وعلاماتها ، وانحرافها عن القاعدة ، بالإضافة إلى الشكاوى والظروف الاجتماعية والأسباب الخارجية للإصابات والأمراض المختلفة.

كقاعدة ، يتكون كل رمز من 7 أحرف: يتم استخدام 1-3 أحرف للإشارة إلى فئة المرض ، وتحدد الأحرف من 4 إلى 6 الموقع وشدته ، والحرف السابع مكمل. في بعض البلدان ، قد يختلف تعيين الرموز. في المستقبل القريب ، من المتوقع الانتقال إلى المعيار الجديد ICD-11 مع رموز مرض أكبر. ستحتوي الوثيقة على أكثر من 55000 رمز بالإضافة إلى تعيينات لبعض الحالات السريرية الجديدة والأمراض العقلية. من المهم للغاية فهم تمثيلات وتصنيفات الكود الجديد للبلدان والأقاليم الفردية والمنظمات الصحية لمواصلة تطوير الصناعة وجذب التمويل الكافي.

تطبيقان مهمان للتشفير السريري:

الفوترة (الحكومة المحلية وحكومة الولاية والصحة والتأمين).
إعداد التقارير (الدراسات الوبائية وسياسة الدولة والمراقبة الوبائية).

يتحقق برنامج التشفير السريري بعناية من جميع السجلات الطبية للحصول على الرعاية الطبية لتحديد ما يلي:

التشخيص الرئيسي.
المعالجة الثانوية (إذا أجريت).
حددت أمراض أخرى.
المضاعفات التي ظهرت.

يتم عرض كل ما سبق في الرموز المقابلة وفقًا لمعيار ICD-10.

قضايا الترميز السريري

يرتبط التنفيذ اليدوي لعملية الترميز بصعوبات مختلفة ، ويسبب بشكل عام الكثير من المتاعب لموظفي المؤسسات:

, : , - , .
, 4 .
. 8- 24 , .
, 70-75%. 1 , (AHIMA). , .
نسبة السرعة ودقة التشفير . هاتان المعلمتان مترابطتان: كلما زادت السرعة ، انخفضت الجودة والعكس بالعكس.
نقص الموظفين . يعمل حوالي 52٪ فقط من أجهزة التشفير السريري بشكل مستمر. تستخدم العديد من الوكالات النقل إلى الخارج لتقليل عدد القضايا المعلقة.

الجدول 1: المسابقة الوطنية الثانية للترميز السريري ICD-10

عواقب أخطاء الترميز السريرية

الأخطاء في التصنيف والتشفير السريري شائعة جدًا. فهي تؤثر على جوانب عديدة من عمل المؤسسات الطبية ، بما في ذلك دفع تكلفة الرعاية الطبية المقدمة. ضع في اعتبارك مثالًا على استئصال الزائدة الدودية (إزالة الملحق) ، وهو الخيار الأكثر شيوعًا لجراحة الطوارئ. يؤثر تمثيل الشفرة غير المكتمل أو غير الصحيح للمعاملة بشكل كبير على التمويل.

مثال: تم قبول المريض بتشخيص التهاب الزائدة الدودية الحاد. في فترة ما بعد الجراحة ، تطورت عدوى الجرح. تم وصف المريض بالمضادات الحيوية عن طريق الوريد.

الجدول 2. تأثير أخطاء التشفير في حالة التهاب الزائدة الدودية صديدي حاد على التمويل.

يوضح أحد الأمثلة أن خطأ الترميز السريري يمكن أن يؤدي إلى الإفراط في المعالجة وتقليل التمويل. نتيجة خطيرة أخرى للتشفير السريري غير الصحيح هو فقدان السيطرة على تطور الأوبئة.

ما مدى فائدة استخدام خوارزميات الذكاء الاصطناعي للتشفير السريري؟

إذا كان بإمكان الذكاء الاصطناعي القيادة مثل الإنسان ، فهل يمكنه التعامل مع الترميز السريري؟

على مدى السنوات القليلة الماضية ، تم تحقيق نجاح كبير في تطبيق الذكاء الاصطناعي في مختلف مجالات النشاط. رحلة صغيرة في الموضوع:

الذكاء الاصطناعي هو مجال واسع من المعرفة حول أجهزة الكمبيوتر التي يمكن أن تحاكي القدرات البشرية. يسمح للآلات باستخدام البيانات للتدريب ، مما يلغي الحاجة إلى الترميز الصلب لأداء مهام محددة. يسمح الذكاء الاصطناعي لأجهزة الكمبيوتر بالتعلم باستخدام تجربتهم الخاصة. أجهزة الكمبيوتر قادرة على معالجة كميات كبيرة من البيانات وتلاحظ اتصالات أعمق ، مما يوفر في النهاية مستوى أعلى من الدقة مقارنة بالبشر. كل هذا هو الأساس لنتائج أكثر دقة ، والتي هي الأساس لاتخاذ قرارات أكثر استنارة.

على الرغم من الصعوبات العديدة التي تواجه الذكاء الاصطناعي في صناعة الرعاية الصحية ، يمكن أن تلعب دورًا رئيسيًا في الترميز السريري ، مما يوفر بعض المزايا التي لا يمكن إنكارها:

انخفاض التكاليف المالية.
تناسق أفضل.
القضاء على نقص الموظفين.
تنفيذ الترميز قبل السريري.
تسريع العملية ، الأمر الذي سيؤدي بدوره إلى تمويل أسرع.
تحسين دقة ونطاق عمليات التدقيق.

مشكلة تعقيد البيانات الطبية

لا تستخدم العديد من المرافق والمنظمات الصحية نهجًا مفاهيميًا لتنظيم وإدارة جودة البيانات ، خاصة على المدى الطويل. تزداد قيمة السجلات والبيانات الطبية القائمة عليها بمرور الوقت. حتى إدخال السجلات الطبية الإلكترونية (EMR) لم يبسط معالجة البيانات في الوقت الحقيقي بطريقة مناسبة ، لأن وظائف البرنامج المستخدم محدودة للغاية.

فيما يلي المشاكل الرئيسية في معالجة البيانات الطبية:

مستويات جودة مختلفة للسجلات الطبية الإلكترونية.
عدم التوافق ، وكذلك تعقيد الأنظمة السريرية.
تعقيد عملية جمع البيانات والبحث عنها وتحليلها.
الحاجة إلى معالجة البيانات الناقصة أو المفقودة.
التغطية وأخذ البيانات.
المتطلبات التنظيمية والعمليات البيروقراطية.

الآن دعنا ندرس

حالة مستشفى مهراج ناخون في شيانغ ماي

هذا مستشفى تدريب في جامعة شيانغ ماي ، يقع في منطقة موانج في شيانغ ماي في مقاطعة شيانغ ماي. هذا هو أول مستشفى تايلاندي خارج بانكوك ، افتتحه في عام 1941. يحتوي هذا المستشفى الكبير إلى حد ما على 1400 سرير ، و 69 سريرًا في وحدة العناية المركزة و 92 سريرًا إضافيًا ، بالإضافة إلى 28 غرفة عمليات. على مدار العام ، هناك أكثر من 45000 حالة مريض داخلي ، بما في ذلك أكثر من 1000 جراحة قلب مفتوح وأكثر من 40 جراحة زرع الكلى. أسجل أكثر من 1.3 مليون مريض في عيادات المستشفى.

تعقيد البيانات

نستخدم البيانات السريرية من مستودعات مستشفى شيانغ ماي ، المسجلة بين 2006 و 2019. يحتوي الجدول 3 على بعض الإحصائيات التي توضح مدى تعقيد المعلومات التي تتم معالجتها.

الجدول 3. إحصائيات مجموعة بيانات مستشفى مهراج ناخون شيانغ ماي ،

في هذه المقالة لن ندخل في تفاصيل محددة ولن ننتبه إلا لأهم النقاط:

في 42.5٪ من حالات الرعاية الطبية ، تم استخدام مجموعة فريدة من الرموز (فقط عدد قليل من الحالات ذات السجلات المتطابقة)
تكون حالات المرضى الداخليين أكثر تعقيدًا بشكل ملحوظ
حالات معقدة للغاية من مراقبة المرضى الخارجيين (لا يوجد تاريخ طبي)
يتم استخدام مجموعات معقدة من الرموز (100 أو أكثر) في أكثر من 70٪ من الحالات ، كما هو موضح في الشكل. 2.

تين. 2. تردد أكثر 30 رمز ICD-10 شيوعًا في مجموعة البيانات الثابتة

الشكل. يوضح الشكل 2 ما يسمى بمشكلة "الذيل الطويل" في أكواد ICD-10 الثلاثين الأكثر شيوعًا. كما ترى ، فإن الغالبية العظمى من الرموز نادرة جدًا. تعمل هذه الميزة على تعقيد التعلم الآلي ، نظرًا لأن احتمالية وضع نماذج لحالات أقل تكرارًا أقل.

طرق معالجة مصادر البيانات

يحتوي كل مصدر بيانات على الميزات التالية: التنسيق والنوع ومستوى الصعوبة. وبسبب هذا ، من الصعب معالجة البيانات مسبقًا ، وهناك مشكلة في تكوين إشارات تنبؤية مهمة. علاوة على ذلك ، سيتضح أن مراحل معالجة البيانات والنمذجة مرتبطة بمجموعة معقدة من المهام المعقدة بنفس القدر التي تحتاج إلى حل.

الجدول 4 - خصائص مصادر البيانات وتعقيد

معالجتها تم إجراء المعالجة المسبقة للبيانات فيما يتعلق بمصادر مختلفة. على سبيل المثال ، للمعالجة ، تم استخدام بيانات نصية غير منظمة (تقارير إشعاعية أو غيرها) ، بيانات مختبرية شبه منظمة (بأشكال مختلفة ، بما في ذلك النص ، البيانات العددية المختلطة) ، وصفات منظمة وبيانات مجدولة حول إدخال المرضى.

مهام الأتمتة

نظرًا لتعقيد معالجة البيانات ، كما هو موضح أعلاه ، تواجه أتمتة عملية الترميز السريري عددًا من المشكلات المختلفة:

عدد كبير من المصنفات الفريدة (أكثر من 12000).
عدم وجود معيار أو معيار الذهب.
عدم وجود مجموعات بيانات متاحة للجمهور.
بيانات غير متوازنة (العديد من الحالات النادرة).
صعوبة إيجاد طرق لدمج البيانات من عدة مصادر مختلفة.

نفعية استخدام خوارزميات التعلم العميق (AI)

يعد التعلم العميق أحد أكثر الأساليب المبررة لأتمتة عمليات الترميز السريري.

مرة أخرى رحلة قصيرة: التعلم العميق هو مجموعة من طرق التعلم الآلي تعتمد على الشبكات العصبية ذات قدرات التعلم التمثيلية العالية. هذه مجموعة من الخوارزميات التي تحاكي عمل الدماغ البشري ، وهي: كيف يمر الطلبات من خلال التسلسل الهرمي للمفاهيم والقضايا ذات الصلة لإيجاد حل للمشكلة. تم بالفعل استخدام التعلم العميق بنجاح في مختلف المجالات: معالجة الصور ورؤية الكمبيوتر ومعالجة اللغات الطبيعية (NLP) والترجمة الآلية ونظام الطيار الآلي ونظام الكشف عن الاحتيال وغيرها.

ترجع ملاءمة استخدام خوارزميات التعلم الآلي إلى ما يلي:

.
.
.
( ).

يناقش هذا القسم بعض المعماريات المستخدمة لتصميم نماذج التشفير التنبؤية ICD-10. بادئ ذي بدء ، نقوم بصياغة مشكلة التصنيف من خلال عدة ملصقات للتنبؤ برموز ICD-10. للتنبؤ باحتمالات كل رمز ICD-10 ، نستخدم بنية شبكة عصبية للاتصال المباشر. بعد ذلك ، سيتم تحديد مراسلات رموز ICD-10 المتوقعة مع القيم الأكثر احتمالاً.

بنية النمذجة الحدسية هي جمع جميع البيانات المتاحة من مصادر مختلفة وتدريب شبكة واحدة. سيعكس هذا التفاعل بين الأنواع المختلفة من البيانات وعلاقتها بالتشخيص النهائي. تسمى هندسة النمذجة هذه النموذج المشترك ، والذي سيتم استخدامه في القسم مع النتائج.

تين. يوضح الشكل 3 البنية الرسومية لنموذج مدمج. نظرًا لاستخدام العديد من مصادر البيانات في وقت واحد ، لا يمكن اعتبار هذه البنية الأفضل. نظرًا لأن مصادر البيانات تختلف في درجة تعقيدها ، فإن هذا يؤدي إلى بناء شبكة معقدة للغاية مع ضبط معلمات فائقة من خلال العديد من التكرارات ، بالإضافة إلى التجريب مع عدد مختلف من الطبقات ووظائف الخسارة. وبالتالي ، لن يتم دراسة طريقة البيانات بشكل كافٍ.

تين. 3. هيكل النموذج المركب

تحتوي البنية الثانية على العديد من الشبكات التي تتعلم كيفية التفاعل مع مصادر البيانات الفردية ، كما هو موضح في الشكل. 4. ثم ، يتم تجميع بيانات التوقعات التي تم الحصول عليها لكل شبكة باستخدام طرق المتوسط أو قيم المتوسط المرجح. وهذا يؤدي إلى عدم هيمنة التمثيلات التمثيلية أو الأصغر للبيانات من مصادر مختلفة في مساحة السمات في عملية التعلم. ومع ذلك ، يؤثر هذا بشكل سلبي على اتخاذ القرارات الصحيحة ، حيث أن الاختيار المباشر لمصدر واحد بناءً على الدمج المتأخر للمعرفة بعد تلقي رأي من كل مصدر بيانات أقل إفادة.

تين. 4. هيكل نموذج المتوسط

لذلك ، ننتقل إلى بنية نمذجة المجموعات ، كما هو موضح في الشكل. 5. يجب أن يكون هيكل النموذج بحيث يسمح لك بتحديد الطرائق المختلفة للبيانات بشكل موثوق به مع مستويات التعقيد المختلفة ، وكذلك فحص العلاقات القائمة بينها بدقة. شبكتنا ، المبنية على أعلى النماذج المدربة بشكل فردي ، تسمى "مجموعة" أو "خبير". تحاكي عمل التشفير السريري ، وتستخدم جميع أنواع البيانات السريرية ، وتتخذ قرارات بشأن التشخيص النهائي.

في الواقع ، ستتلقى الشبكة معرفة الخبراء من الشبكات المدربة بالفعل ، وهو أكثر فعالية من دراسة المصادر الفردية. ستعتمد شبكة المجموعة على خبرة كل اختصاصي (أخصائي علم الأمراض ، اختصاصي الأشعة ، الصيدلي ، وغيرهم) عبر العديد من التكرارات ، واكتساب المعرفة اللازمة لإجراء التشخيص. بالإضافة إلى ذلك ، لديها القدرة على صياغة تشخيصات جديدة ، وتلقي البيانات التنبؤية من الشبكات الفردية ، وليس فقط مراعاة التنبؤ بأعلى معامل الوزن بناءً على أي مصدر واحد.

تين. 5. هيكل نموذج الفرقة

نتائج اولية

يعرض هذا القسم التدابير المستخدمة لتحديد دقة النماذج الموصوفة أعلاه ، وكذلك النتائج التجريبية.

تدابير التقييم

على عكس التصنيفات الثنائية ومتعددة الفئات ، يعتمد تقييم فعالية التصنيف حسب عدة معايير على أي من هذه المعايير صحيحة. للتحقق من سلوك النموذج في المواقف المختلفة ، يستخدمون أساليب مختلفة للتحقق من النتائج لتحديد الأخطاء الناتجة عن الترميز غير الكافي أو المفرط. في ضوء ما سبق ، يتم استخدام تدابير التقييم التالية:

دقة متوسطة - دقة المتوسط المرجح لكل قيمة عتبة تم الحصول عليها من خلال جمع القيم في منحنى العائد الدقة.
خطأ في التغطية - قيمة تميز مدة تقييم الترتيب بما يكفي لتغطية جميع الملصقات.
– y_score, , .
F1 – .
– , .
– , .

يوضح الجدول 5 تحسنًا تدريجيًا في الأداء العام للنموذج لجميع مؤشرات الأداء الرئيسية. من الناحية الكمية ، يُترجم هذا إلى تحسن بنسبة 4-5٪ لمجموعة بيانات علاج المرضى الداخليين وتحسن بنسبة 2-3٪ في معالجة بيانات المرضى الخارجيين. تقدم المصادر المختلفة مساهمات مختلفة في دقة النموذج. على سبيل المثال ، البيانات المأخوذة من الوصفات الطبية هي الأكثر إفادة. لكل مصدر ، يتم استخدام نموذج لتعقيد معين ، ومقدار مختلف من الوقت والتكرار مطلوب لدراسة دقيقة. الشبكات العميقة قادرة على العثور على الحد الأدنى الأمثل في بعض طرائق البيانات بشكل أسرع من غيرها. لذلك ، لتحسين الدقة ، يستخدمون طريقة التدريب لكل طريقة على حدة لترميز مستويات التباين في تعقيد البيانات إلى أقصى حد.

من ناحية أخرى ، فإن النموذج المقدم قادر على تحقيق دقة مستوى الشخص في التشخيص الأساسي ، خاصة عند العمل مع البيانات من المستشفى. هذا مهم للتطبيقات المختلفة للتشفير السريري ، على سبيل المثال ، للفوترة ، استنادًا في المقام الأول إلى التشخيص الصحيح.

الجدول 5. دقة التشفير الآلي

يعرض الجدول 6 5 أمراض رئيسية مرتبة حسب درجة الدقة. دقة الفئات الثلاث الأولى من بيانات الرعاية بالمستشفى تزيد عن 90٪. فيما يتعلق بالحالات المرتبطة بالكشف عن الأورام في المرضى (حوالي 30 ٪ من البيانات) ، تم الحصول على دقة مشجعة للغاية تبلغ حوالي 80 ٪. على الرغم من انخفاض مؤشرات الأداء للنموذج الخاص ببيانات المرضى الخارجيين ، لا تزال الدقة تتجاوز 60٪ (حوالي 65٪ في المتوسط) ، وهي في حد ذاتها خطوة كبيرة إلى الأمام.

الجدول 6. دقة النموذج لأكثر 5 حالات تشخيصية عالية المستوى شيوعًا

نموذج وعي الأداء الذاتي

يتم تنفيذ وتقييم فعالية نماذج التعلم الآلي في عملية تدريبهم / تقييمهم. للتقييم باستخدام البيانات المختارة عشوائيا. ومع ذلك ، فإن تقييم دقة التوقعات الحالية في الوقت الحقيقي أمر صعب للغاية. لحل المشكلة ، يتم تقديم معيار يقيم مدى ثقة النموذج في توقعاته الخاصة. على سبيل المثال ، سيكون من المفيد معرفة أن دقة النموذج مناسبة لحالات الرعاية الطبية البسيطة وغير كافية للحالات الطبية المعقدة. يمكن أن يكون هذا بمثابة إشارة لإعادة فحص حالة معينة من قبل شخص يدويًا.

نقترح نموذج تقييم الثقة بالاشتراك مع نموذج التنبؤ بالرمز ICD-10. في التين. يوضح الشكل 6 شبكة تقييم التحقق. نجري عملية تدريب للكشف عن التناقضات بين الرموز المتوقعة والفعلية ، مع مراعاة جميع بيانات الإدخال. لذا ، فإن النموذج قادر على تقييم موثوقية التنبؤ مع مراعاة البيانات الأولية ، ودرجة تعقيد حالة معينة ، واحتمال الحصول على تنبؤات "جيدة" و "سيئة".

تين. 6. هيكل النموذج لتقييم درجة الموثوقية

يحتوي الجدول 7 على نتائج اختبار شبكة من درجات الثقة لمختلف البيانات من المجموعة. لذا ، تحتوي كل توقعات على تقييم لموثوقيتها. على سبيل المثال ، لوحظت دقة التنبؤ بأكثر من 97٪ في 3٪ من الحالات ، 85٪ - في 50٪ من الحالات. يسمح لك تقييم الموثوقية بأتمتة عملية اجتذاب مساعدة الجهات الخارجية عند اللزوم. يتميز النموذج المقدم بالوعي الذاتي ، ويتم إطلاقه وتقييمه بسهولة من قبل المستخدمين في الوقت الحقيقي.

الجدول 7. موثوقية تقدير مجموعات البيانات المختلفة

الميزات الرئيسية:

تتفوق نمذجة المجموعات ، إلى جانب شبكة خبراء لتحديد أفضل التوقعات ، على طرق النمذجة الأخرى.
, , , .
4% .
( ), 1%.
, ,
, .
80% 50% ( , ).
, ( ).
, .

,

يمكن أن تكون النتيجة الأساس لإنشاء عدد من التطبيقات التي تساهم في زيادة تطوير قطاع الرعاية الصحية. في الوقت الحالي ، هناك العديد من البرامج لأتمتة الترميز السريري: التحليلات في الوقت الفعلي ، والتنبؤ بالتكاليف ، والتخطيط اللوجستي وتخطيط الموظفين ، وغيرها. نحن نقدم حلول برمجية متخصصة للغاية للتنبؤ بالتشفير السريري: تشمل تطبيقات

نظام دعم القرار
المتخصصة في أتمتة عملية التشفير السريري أنظمة دعم القرار المستندة إلى النماذج التنبؤية التي تتمتع بالقدرات التالية:

أدوات البرمجيات لعمل التشفير السريري.
.
QA- - .
.
, .

يوفر التدقيق السريري التحقق من صحة الترميز وامتثاله للمعايير المعمول بها. يتم استخدام نتائج المراجعة لتحليل عمل مؤسسات الرعاية الصحية ، وتجميع التقارير ، ووضع استراتيجيات لزيادة فعاليتها. يولي تطوير استراتيجيات تدقيق دقيقة وعالية الجودة اهتمامًا خاصًا محليًا ودوليًا. ومع ذلك ، في الوقت الحالي يتم تنفيذ هذه العملية يدويًا بشكل أساسي ، وهذا هو سبب ارتباط عدد كبير من الأخطاء الشائعة. يمكن أن تكون أتمتة الترميز فعالة في هذا المجال ، حيث تقدم المساعدة في:

إجراء عمليات تدقيق مجدولة ودورية.
تحسين الدقة والأداء.
تحديد الأنماط والاتجاهات المشبوهة.
فهم أكثر دقة لعملية التشفير وكفاءة برامج التشفير.
, .

تلقي هذه المقالة الضوء على ميزات الترميز السريري في مجال الرعاية الصحية وتبين فعالية أتمتة هذه العملية. من بين مجموعة البنيات المقدمة ، فإن نموذج مجموعة التعلم العميق هو الأنسب لهذه المهمة. إنه قادر على تطبيق البيانات من مصادر مختلفة بنجاح ، ولديه آفاق جيدة لمزيد من التطوير وزيادة الدقة من خلال إضافة مجموعات بيانات جديدة للتحليل. يستخدم البيانات ويعالجها ونماذجها في فئات مختلفة ، بما في ذلك البيانات الجدولية غير المنظمة وشبه الهيكلية والمنظمة. نظرًا لأن منطقة الترميز السريري حساسة جدًا للأخطاء ، يتم استخدام نظام إضافي لتقييم دقة التوقعات تلقائيًا في الوقت الفعلي.

قمنا بعدد النماذج باستخدام قاعدة البيانات الخاصة بمستشفى مهراجا ناخون (شيانغ ماي) ، مما يوضح إمكاناتها الهائلة في ممارسة الترميز السريري الحقيقي. خضعت النماذج لعملية التعلم دون معرفة النتائج النهائية ، وهي ميزة أخرى. لذلك ، فإنهم قادرون على إجراء تنبؤ متسق ومستمر لرموز ICD-10 بناءً على مصادر جديدة للبيانات السريرية حتى خروج المريض. توفر هذه الميزة القدرة على الإبلاغ عن صورة التشخيص الحالية في الوقت الحقيقي. هذه النماذج قادرة على التعلم بسرعة مع وصول السجلات الطبية الجديدة.

خوارزميات الذكاء الاصطناعي وأتمتة الترميز السريري كمثال