Design and implementation of an intelligent ICD coding system using large language model
تقدم هذه الورقة نظاماً ذكياً لترميز التصنيف الدولي للأمراض (ICD) يدمج نموذج اللغة الكبير Qwen3.6-35B-A3B مع إطار عمل تعاوني متعدد الوكلاء وتقنية التوليد المعزز بالاسترجاع (RAG) لأتمتة الترميز التشخيصي والإجرائي في طب العيون بدقة عالية، وبأسلوب يحاكي البشر، مع تحقيق دقة مرتفعة في كل من تعيين الرموز وتحديد التشخيص أو الإجراء الرئيسي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل مرة يغادر فيها مريض المستشفى، يقوم متخصص في مجال معين بترجمة قصة مرضه إلى لغة عالمية من الأرقام والحروف. هذا النظام، المعروف باسم التصنيف الدولي للأمراض (ICD)، يعمل كمعيار عالمي للسجلات الصحية. فهو يحول الملاحظات الطبية المعقدة حول كسر في العظام أو حالة قلبية إلى رموز موحدة تستخدمها شركات التأمين والباحثون والمستشفيات لتتبع الاتجاهات الصحية وتحديد الدفعات المالية. لعقود من الزمن، تمت هذه الترجمة يدوياً؛ حيث كان المبرمجون البشريون يقرأون صفحات من الملاحظات المكتوبة بخط اليد، ونتائج المختبرات، وتقارير الجراحين، بحثاً عن الرمز الدقيق الذي يطابق حالة المريض. إنها وظيفة شاقة وعالية المخاطر، حيث يمكن لخطأ واحد أن يؤدي إلى خسارة مالية أو بيانات مشوهة. ومع توليد المستشات لبيانات أكثر من أي وقت مضى، أصبحت الطريقة القديمة المتمثلة في قراءة كل سطر يدوياً بطيئة للغاية وعرضة للخطأ.
قام باحثون في مستشفى دابينغ في الصين ببناء نوع جديد من المساعدين للمساعدة في هذا العمل الشاق. فقد أنشأوا نظاماً ذكياً يستخدم عقلاً حاسوبياً قوياً، يُعرف باسم نموذج لغوي كبير، لقراءة السجلات الطبية واقتراح الرموز الصحيحة. ومع ذلك، لم يكتفوا بمجرد طلب تخمين الإجابة من الكمبيوتر؛ بل صمموا النظام ليحاكي سير العمل الدقيق والمنظم للخبير البشري. فالكمبيوتر لا يكتفي بإخراج قائمة من الرموز فحسب، بل يعمل كفريق من المتخصصين الذين يراجع كل منهم عمل الآخر، ويبحثون عن القواعد في موسوعة رقمية، ويتحققون من أن كل قرار مدعوم بأدلة من ملف المريض. يهدف هذا النهج إلى جعل عملية الترميز أسرع وأكثر دقة مع إبقاء الإنسان في الحلقة للتعامل مع الحالات الأكثر صعوبة.
اختبر الفريق نظامهم باستخدام سجلات طبية حقيقية من مستشفى عيون في تشونغتشينغ. فقد جمعوا بيانات من أكثر من 6,000 مريض تم إدخالهم بين يناير ويونيو 2026، مع التركيز بشكل خاص على أمراض العيون وجراحات العيون. ومن هذه المجموعة الكبيرة، اختاروا 1,200 سجلاً لدراستها بالتفصيل، مع ضمان أن تشمل العينة كل من الحالات الشائعة والحالات النادرة والمعقدة. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر مطابقة دقة المبرمجين البشريين الذين عالجوا هذه الملفات بالفعل. كُلف النظام بمهمتين رئيسيتين: تعيين رموز لتشخيص المريض، وتعيين رموز للإجراءات التي تم إجراؤها، مثل جراحة إعتام عدسة العين (الكتاراكت) أو علاجات الليزر.
لفهم كيفية عمل النظام، تخيل أمين مكتبة يجب عليه العثور على كتاب محدد في مكتبة ضخمة. فبدلاً من التخمين، يقرأ أمين المكتبة الطلب أولاً، ثم يتحقق من فهرس البطاقات للعثور على القسم الصحيح، ثم يسحب الكتاب المحدد لتأكيد التفاصيل. لقد بنى الباحثون نظامهم ليتبع مساراً مشابهاً. أولاً، يقرأ كمبيوتر مركزي سجل المريض بالكامل، والذي قد يتضمن ملاحظات الدخول، ونتائج المختبر، وملخصات الخروج. يقوم هذا الكمبيوتر بتجزئة هذا النص الطويل إلى قطع أصغر من المعلومات التي يمكن إدارتها. بعد ذلك، يتولى فريق من الوكلاء الرقميين المهمة. يبحث أحد الوكلاء عن مصطلحات طبية محددة ويطابقها مع قاعدة بيانات مهيكلة للرموز الرسمية. ويتحقق وكيل آخر من القواعد لضمان عدم إمكانية استخدام رموز معينة معاً أو أن رمزاً معيناً يتطلب رمزاً مرافقاً. ويقرر وكيل ثالث ما إذا كانت الحالة هي السبب الرئيسي للبقاء في المستشفى، وهي خطوة حليمة تحدد كيفية فوترة المريض. أخيراً، يقوم وكيل مراقبة الجودة بمراجعة القائمة النهائية، ويحدد أي رمز يبدو غير مؤكد أو ينتهك قاعدة ما، ويرسله إلى إنسان لإلقاء نظرة ثانية.
كانت نتائج هذا الاختبار واعدة. فعندما قام النظام بتعيين رموز لأمراض العيون، طابق خيارات الخبراء البشريين بدقة عالية. وبالنسبة لأكثر مستويات التفصيل تحديداً، كان النظام صحيحاً بنسبة 92% من المرات. كما نجح في تحديد السبب الرئيسي لدخول المريض في أكثر من 90% من الحالات. وكان أداء النظام أفضل عند المستويات الأوسع من التصنيف، مثل تحديد الفئة العامة لمرض في العين، حيث كان صحيحاً بنسبة تقارب 97%. ومع ذلك، وجد النظام أن رموز الإجراءات تمثل تحدياً أكبر قليلاً. فرغم أنه كان جيداً جداً، إلا أن دقته في الإجراءات الجراحية كانت أقل من دقة التشخيصات، حيث بلغت نسبة النجاح حوالي 85% للرموز الأكثر تحديداً. يشير هذا الفارق إلى أن وصف كيفية إجراء الجراحة بدقة أصعب على الكمبيوتر من وصف المرض نفسه.
كانت واحدة من أهم النتائج هي كيفية تعامل النظام مع الحالات النادرة. فقد وجد الباحثون أن النظام كان ممتازاً في ترميز الأمراض الشائعة التي تظهر بشكل متكرر في السجلات. ومع ذلك، بالنسبة للرموز النادرة جداً التي تظهر بضع مرات فقط، واجه النظام صعوبة أكبر، حيث كان يخطئ أحياناً في اختيار الرمز الصحيح أو يقترح رمزاً خاطئاً. وهذا تحدٍ معروف في الترميز الطبي، حيث توجد بيانات أقل للتعلم منها فيما يتعلق بالأحداث النادرة. كما ارتكب النظام نوعاً معيناً من الأخطاء: فقد مال إلى اقتراح الكثير من الرموز بدلاً من القليل منها. بعبارة أخرى، كان من المرجح أن يتضمن رمزاً ليس ضرورياً تماماً بدلاً من ترك رمز ضروري. وهذا خطأ أكثر أماناً في السياق الطبي، لأنه يضمن عدم إغفال أي شيء، رغم أنه لا يزال يتطلب تدخلاً بشرياً لتنقية القائمة.
أكد الباحثون أن هذا النظام ليس مصمماً لاستبدال المبرمجين البشر تماماً، بل يعمل كمساعد قوي يقوم بالعمل الشاق المتمثل في القراءة والفرز الأولي. النظام مصمم ليكون شفافاً؛ فلكل رمز يقترحه، يشير إلى الجملة المحددة في السجل الطبي التي أدت إلى هذا القرار. وإذا كان النظام غير متأكد، فإنه يحدد الحالة لمراجعتها من قبل خبير بشري. يضمن تصميم "الإنسان في الحلقة" هذا أن تكون المخرجات النهائية موثوقة. أظهرت الدراسة أنه من خلال الجمع بين سرعة الذكاء الاصطناعي وحكم الخبراء البشريين، يمكن للمستشفيات تحقيق مستوى من جودة الترميز يتسم بالكفاءة والدقة في آن واحد. لقد نجح النظام في ترجمة الواقع المعقد والفوضوي لملاحظات المرضى إلى اللغة الموحدة والنظيفة المطلوبة للرعاية الصحية الحديثة، مما أثبت أن الآلات يمكنها تعلم اتباع قواعد الترميز بعناية فائقة تماماً مثل الأشخاص الذين وضعوا تلك القواعد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.