ИССЛЕДОВАНИЕ · RESEARCH · #586
LearnActCoder (Learn‑Then‑Act): роль‑ориентированная память ошибок повышает F1 для CPT на MIMIC‑III
В preprint (arXiv:2609.19721v1) предложен Learn‑Then‑Act — метод адаптации на этапе вывода, который превращает небольшой размеченный LEARN‑батч в структурированную базу ошибок (MistakeKDB) и направляет уроки в «Coder» (ориентированный на полноту) или «Judge» (ориентированный на точность). Реализация LearnActCoder с табличным привязанием улучшила F1 для CPT/HCPCS на 5.9 процентных пункта на 150 сопоставленных заметках MIMIC‑III, сдвинула кодирование ICD‑10 в сторону большей точности на когорте MIMIC‑IV (с потерей полноты) и сохранила стабильную точку работы на 1 000 отложенных заметок; изменения F1 для ICD не однозначны, оценка ретроспективная, абсолютная точность CPT/HCPCS остаётся низкой.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В preprint (arXiv:2609.19721v1) предложен Learn‑Then‑Act — метод адаптации на этапе вывода, который превращает небольшой размеченный LEARN‑батч в структурированную базу ошибок (MistakeKDB) и направляет уроки в «Coder» (ориентированный на полноту) или «Judge» (ориентированный на точность).
- Реализация LearnActCoder с табличным привязанием улучшила F1 для CPT/HCPCS на 5.9 процентных пункта на 150 сопоставленных заметках MIMIC‑III, сдвинула кодирование ICD‑10 в сторону большей точности на когорте MIMIC‑IV (с потерей полноты) и сохранила стабильную точку работы на 1 000 отложенных заметок; изменения F1 для ICD не однозначны, оценка ретроспективная, абсолютная точность CPT/HCPCS остаётся низкой.
- Показывает, что структурированная роль‑ориентированная память ошибок на этапе вывода может адаптировать поведение системы клинического кодирования и улучшить метрики CPT без дообучения модели или изменения рабочего процесса.
ПОЧЕМУ ЭТО ВАЖНО
Показывает, что структурированная роль‑ориентированная память ошибок на этапе вывода может адаптировать поведение системы клинического кодирования и улучшить метрики CPT без дообучения модели или изменения рабочего процесса.