本研究探讨了在资源有限的俄语中实现临床编码自动化的可行性。我们提供了一个新的ICD编码数据集，包括从电子健康记录中注释的诊断字段，具有超过10,000个实体和1,500多个独特的ICD代码，实验表明在经过训练的自动化预测代码下，准确性显著提高，展示了在资源有限语言中实现临床编码自动化的潜力。

本研究解决了ICD编码中因人口统计因素和专家偏见造成的标签不平衡和虚假相关问题。提出了一种名为DECI的新方法，通过因果推断模型以三条不同路径进行预测，从而减少这些偏见。实验结果表明，DECI在准确无偏的ICD编码方面优于现有先进模型，具有显著进步。

该论文研究了视觉语言预训练模型中的对象幻觉问题，提出了ObjMLM损失函数，实验表明该方法可减少幻觉现象17.4%。同时，介绍了M-HalDetect数据集及多种方法，如ICD和MVP框架，显著提升了模型的准确性并减少了幻觉。

本文介绍了一种新型自动ICD编码模型，结合了基于Transformer的文本编码和层级注意力机制，显著提高了编码准确性。研究表明，该模型在MIMIC-III数据集上优于现有方法，并有效处理类别不平衡问题，适用于临床诊断任务。

本文探讨了利用电子健康记录和深度学习进行医疗事件预测的方法，如住院死亡率和再入院率。研究表明，结合结构化信息和文本数据的模型在预测性能上优于传统方法。此外，提出了自动编码诊断和提高编码准确性的技术，展示了深度学习在医疗领域的应用潜力。

该论文介绍了一种新的自动ICD编码方法，使用了基于Transformer的文本编码模型，并探索了将模型调整为Longformer或将文本分块处理的方法。实验结果表明，该方法在ICD编码方面优于当前最先进的模型，并且标签嵌入有助于提高性能。该方法还导致适当校准的分类结果，可用于下游任务。