Classifier Chains pour le codage LOINC
Résumé
Purpose : This article presents a study on the coding of real data from French laboratories into the LOINC terminology. Methods : We present a comparison of three approaches for LOINC coding. These approaches include both a state- of-the-art language model approach and a classifier chains approach. Results : Our study demonstrates that we successfully improve the performance of the baseline using the classifier chains approach and compete effectively with state-of-the-art language models. Conclusions : Our approach proves to be efficient and cost-effective despite re- producibility challenges with perspectives for future optimizations and dataset testing.
Objectif : Cet article présente une étude sur le codage de données réelles issues de laboratoires français vers la terminologie LOINC. Méthodes : Nous présentons une comparaison de trois approches pour le codage LOINC. Ces approches incluent à la fois une approche de modèle linguistique de l'état de l'art ainsi qu'un classifier chains. Résultats : Notre étude démontre que nous améliorons avec succès la performance de labaseline en utilisant le classifier chains et que nous nous comparons efficacement aux modèles linguistiques de l'état de l'art. Conclusions : Bien que notre approche rencontre des défis de reproductibilité et présente des perspectives d'optimisations et de tests futurs sur des ensembles de données, elle s'avère néanmoins efficace et économique.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|