ICD-10-CMコードの階層構造がEHRモデルに与える影響とは？

ICD-10-CMコードの階層構造を考慮したEHRモデルが提案され、診断情報の理解と予測性能向上に寄与

元記事タイトル: ICDコードの階層構造を考慮した医療記録モデル

arXiv cs.AI 2026年06月16日

査読未完了の可能性があります。完成した査読済み論文としてではなく、研究コミュニティ向けの早期共有として読んでください。

RESEARCH 研究論文 / Preprint

Field Note 読む前に確認

3行まとめ

電子健康記録におけるICD-10-CMコードの階層構造を利用することで、疾患ファミリーなどの臨床的な意味を持つ情報を効果的にモデル化できる
BERTスタイルの変換器とグラフベースのコード表現に階層を組み込む2つの方法が提案されている
実世界の大規模な医療データセットを使用して評価が行われている

こんな人に関係ある話

医療AIエンジニア電子健康記録システム開発者臨床情報学研究者

信頼度メモ

プレプリント論文（査読前の可能性あり）

記事の読み解き Reading

元記事を材料に、要点、編集視点、良い点と懸念点を読みやすい順に整理しています。

この研究では、電子健康記録（EHR）におけるICD-10-CMコードの階層構造が診断情報の理解に重要な役割を果たすことが指摘されています。従来のフラットな表現方法とは異なり、階層的な構造を取り入れることで、疾患ファミリー、サブカテゴリ、細かい診断詳細といった臨床的に意味のある情報をより効果的にモデル化することが可能になります。研究では、BERTスタイルの変換器とグラフベースのコード表現に階層を組み込む2つの方法が提案されています。

編集部コメント

この研究は、電子健康記録におけるICDコードの階層構造を考慮したモデル化手法を提案しており、従来のフラットな表現方法に比べて診断情報の理解と予測性能の向上が見込まれます。ただし、実際の臨床現場での適用性や他の医療データセットへの拡張可能性についてはまだ検討が必要です。

評価ポイント Assessment

良い点

ICD-10-CMコードの階層構造を利用することで、疾患ファミリーなどの臨床的な意味を持つ情報をより効果的にモデル化できる
BERTスタイルの変換器とグラフベースのコード表現に階層を組み込む2つの方法が提案されている
実世界の大規模な医療データセット（MIMIC-IV、eICU）を使用して評価が行われている

懸念点

既存のEHR表現学習手法では階層構造が明示的に利用されていないことから、新たな方法の効果がまだ十分に検証されていない
提案された手法が他の医療コード体系やデータセットにも適用可能かどうかは未確認

業界・社会への影響 Impact

この研究は、電子健康記録における診断情報の表現を向上させる可能性があり、臨床的な意思決定支援ツールや疾患予測モデルの性能改善に寄与する可能性があります。また、医療データ分析において重要な役割を果たす階層構造の理解が深まることが期待されます。

参照元 Sources

元記事と、深堀りで参照した情報源です。コミュニティ投稿やプレプリントでは、ここから根拠を確認できます。

ICDコードの階層構造を考慮した医療記録モデル

arXiv cs.AI

https://arxiv.org/abs/2606.15447

この記事の見取り図

読む前に確認
記事の読み解き
参照元
AI要約について
関連記事

キーワード

ICD-10-CM EHR 階層構造 BERTスタイル変換器グラフベースコード表現

AI要約について

本記事の要約・分類・読み解きにはAIを使用しています。内容確認に努めていますが、誤訳・解釈違い・元記事更新の反映漏れを含む可能性があります。重要な判断を行う場合は、必ず元記事もご確認ください。

速報について — 速報は追加調査や本文抽出の結果で内容が更新される場合があります。初期要約には誤りや不足が含まれる可能性があります。

記事データ

Source	プレプリント
Category	研究論文
Status	速報
出典	arXiv cs.AI
公開日	2026-06-16

元記事の説明文

arXiv:2606.15447v1 Announce Type: new Abstract: Electronic health record foundation models typically treat ICD diagnosis codes as flat tokens, overlooking the clinically meaningful hierarchical structure that captures disease families, subcategories, and fine-grained diagnostic detail. As a result, existing EHR representation learning methods do not explicitly exploit the hierarchical structure already present in the coding system. In this work, we study ICD-10-CM hierarchy as a general inductive bias for clinical representation learning. We investigate two complementary mechanisms for incorporating hierarchy: first, by augmenting diagnosis sequences in a BERT-style transformer with tokens corresponding to different levels of the ICD hierarchy, and second, by injecting hierarchy into graph-based code representations through hierarchy-aware edges combined with diagnosis co-occurrence structure. Across these settings, we evaluate whether explicit hierarchy improves downstream prediction, which levels of the hierarchy are most useful, whether hierarchy encoding improves transfer across datasets, and how hierarchy reshapes embedding similarity structure. We conduct experiments on two large-scale real-world clinical datasets: MIMIC-IV, used for pretraining and in-domain evaluation, and eICU, used to assess cross-dataset transfer via frozen encoder probing. Our findings show that explicitly encoding ICD hierarchy improves over flat code representations in both in-domain and cross-dataset settings, while revealing that the most useful level of hierarchy depends on both the task and the modeling approach. More broadly, we focus on hierarchy-aware EHR representation learning and show that the benefits of encoding hierarchy are generalizable across modeling settings and hierarchy levels.