ทีมมหาวิทยาลัยสงขลานครินทร์พัฒนา sparse Mahalanobis conformal scoring สำหรับงาน diagnosis coding ที่มีได้หลายรหัส ระบบสร้างชุดรหัสขนาดยืดหยุ่นและบอกความไม่แน่นอนแทนการให้ top-k ตายตัว ทดสอบกับข้อมูลผู้ป่วยนอกประมาณ 8 ล้านครั้งและรหัสสูงสุด 12,829 รายการ
ข้อค้นพบสำคัญ
- Micro-F1 ใกล้ comparator แบบ threshold ที่ดีที่สุดและ exact-match สูงสุดในกลุ่ม flexible-size rules Mahalanobis ลด retained region และจำนวน labels โดยไม่ลด point-prediction performance แต่ความครอบคลุมขึ้นกับ candidate-space adequacy
ทำไมจึงมีความสำคัญระดับโลก
ระบบที่บอกความไม่แน่นอนและให้มนุษย์ตรวจได้เหมาะกับ coding-assist มากกว่า automation ล้วน อาจลดภาระและช่วย audit แต่ต้องประเมิน reimbursement bias, rare codes, temporal drift และผลต่อผู้ป่วย
บทบาทของนักวิจัยไทย
ทีมมหาวิทยาลัยสงขลานครินทร์สร้างวิธีจากข้อมูล EHR ขนาดใหญ่ของโรงพยาบาลตติยภูมิไทย
ข้อจำกัดที่ควรรู้
ศูนย์เดียวและข้อมูลปี 2018-2025 อาจมี coding practice เฉพาะ เครื่องมือขึ้นกับ proposal model และ calibration distribution ค่า coverage ทางสถิติไม่เท่ากับความถูกต้องทางคลินิก และต้องปกป้องความเป็นส่วนตัว
ตรวจสอบแหล่งต้นทาง
Big Data and Cognitive ComputingBig Data and Cognitive Computing↗DOI: 10.3390/bdcc10070232