Preprint de JMIR: la memoria recursiva eleva la F1 de codificación clínica zero-shot de 0.318 a 0.605 tras 20 iteraciones.
Este estudio metodológico evalúa una arquitectura de aprendizaje recursivo para codificación clínica automatizada sin ejemplos específicos de la tarea. El resultado clave es una mejora escalonada desde una F1 basal de 0.318 a 0.527 con memoria recursiva, y luego a 0.605 tras 20 iteraciones.
El trabajo es actualmente un preprint en revisión de revista, por lo que la tarjeta lo distingue de las publicaciones revisadas por pares y enlaza al manuscrito original.
Las cifras principales del paper, en lenguaje sencillo.
Cómo rindió el modelo
Más alto es mejor
Datos: Desde 0.318 en la línea base, tras 20 iteraciones — JMIR Preprints
Los puntajes en escala de 0 a 1 (AUC, kappa) se dibujan ×100.
| Métrica | Valor | Qué significa |
|---|---|---|
| F1 · codificación clínica zero-shot | 0.605 | Desde 0.318 en la línea base, tras 20 iteraciones |
| F1 con memoria recursiva | 0.527 |
Natalia Castaño-Villegas, Raúl Escandón, Katherine Monsalve, Jose Zea, Laura Velásquez. A Recursive Learning Architecture for Zero-Shot Automated Clinical Coding, a methodological study. JMIR Preprints. 2026. https://preprints.jmir.org/preprint/98279
@article{castanovillegas2026recursive,
title = {{A Recursive Learning Architecture for Zero-Shot Automated Clinical Coding, a methodological study}},
author = {Natalia Castaño-Villegas and Raúl Escandón and Katherine Monsalve and Jose Zea and Laura Velásquez},
journal = {JMIR Preprints},
year = {2026},
url = {https://preprints.jmir.org/preprint/98279},
note = {Preprint}
}
1 min de lectura
1 min de lectura
1 min de lectura
Para hospitales y aseguradoras
Probamos el modelo con tus propias historias clínicas y tu equipo, bajo tus reglas de privacidad y gobierno de datos.
Iniciar una colaboración