กรอบ Sparse Mahalanobis Conformal Scoring ทดสอบกับข้อมูลผู้ป่วยนอกราว 8 ล้านครั้งและรหัสวินิจฉัยสูงสุด 12,829 ป้าย ได้ Micro-F1 ใกล้ตัวเปรียบเทียบ threshold ที่ดีที่สุดและ exact match สูงสุดในกฎตัดสินใจแบบขนาดยืดหยุ่น พร้อมลดจำนวนชุดและป้ายที่ต้องทบทวนเมื่อเทียบกับ nonconformity score อื่น ผลสนับสนุน coding-assist ไม่ใช่การเข้ารหัสอัตโนมัติโดยไม่ตรวจมนุษย์
ข้อค้นพบสำคัญ
- ผลหลักได้ Micro-F1 ใกล้ threshold comparator ที่แข็งแรงที่สุด และ exact match ratio สูงสุดใน flexible-size rules Mahalanobis score รักษา point-prediction performance เดิมแต่ให้ retained region เล็กและ distinct labels น้อยกว่าคะแนนอื่น การวิเคราะห์ย้ำว่า coverage ขึ้นกับ candidate-space adequacy
ทำไมจึงมีความสำคัญระดับโลก
ระบบรหัสโรคขนาดใหญ่มี long tail และผิดพลาดได้ง่าย การแสดงชุดทางเลือกพร้อมความไม่แน่นอนอาจช่วยควบคุมความเสี่ยง งานชำระเงินและข้อมูลระบาดวิทยา แต่ guarantee ของ conformal ต้องตรงกับเงื่อนไขข้อมูลและการกระจายที่ใช้ calibrate
บทบาทของนักวิจัยไทย
นักวิจัยภาควิชาชีวเวชศาสตร์และวิศวกรรมชีวการแพทย์ คณะแพทยศาสตร์ มหาวิทยาลัยสงขลานครินทร์พัฒนากรอบจากข้อมูลบริการผู้ป่วยนอกขนาดใหญ่ของไทย
ข้อจำกัดที่ควรรู้
ข้อมูลมาจากโรงพยาบาลตติยภูมิแห่งเดียวและป้ายรหัสอาจสะท้อนการปฏิบัติงานเดิมมากกว่าความจริงคลินิก บทคัดย่อไม่ให้ตัวเลข coverage, set size, Macro-F1 หรือผล external validation การเปลี่ยน coding policy และ distribution shift อาจทำลาย calibration โดยเฉพาะรหัสหายาก
ตรวจสอบแหล่งต้นทาง
Big Data and Cognitive ComputingBig Data and Cognitive Computing↗DOI: 10.3390/bdcc10070232