Design and implementation of an intelligent ICD coding system using large language model
Dieses Paper präsentiert ein intelligentes ICD-Kodierungssystem, das das Large Language Model Qwen3.6-35B-A3B mit einem Multi-Agenten-Kollaborationsrahmen und Retrieval-Augmented Generation (RAG) integriert, um eine präzise, interpretierbare und menschenähnliche diagnostische sowie prozedurale Kodierung in der Ophthalmologie zu automatisieren und dabei eine hohe Genauigkeit sowohl bei der Codezuweisung als auch bei der Identifizierung der Hauptdiagnose bzw. des Hauptverfahrens zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Mal, wenn ein Patient ein Krankenhaus verlässt, übersetzt ein spezialisierter Fachmann die Geschichte seiner Erkrankung in eine universelle Sprache aus Zahlen und Buchstaben. Dieses System, bekannt als die Internationale Klassifikation der Krankheiten oder ICD, fungiert als weltweiter Standard für Gesundheitsakten. Es verwandelt komplexe medizinische Notizen über einen Knochenbruch oder eine Herzerkrankung in standardisierte Codes, die Versicherungsgesellschaften, Forscher und Krankenhäuser nutzen, um Gesundheitstrends zu verfolgen und Zahlungen festzulegen. Jahrzehntelang wurde diese Übersetzung von Hand durchgeführt. Menschliche Kodierer lasen durch Seiten mit handschriftlichen Notizen, Laborergebnissen und Chirurgenberichten, auf der Suche nach dem exakten Code, der zur Erkrankung des Patienten passt. Es ist eine mühsame, verantwortungsvolle Aufgabe, bei der ein einziger Fehler zu finanziellen Verlusten oder verzerrten Daten führen kann. Da Krankenhäuser heute mehr Daten generieren als je zuvor, wird die alte Methode, jede Zeile manuell zu lesen, zu langsam und fehleranfällig.
Forscher am Daping-Hospital in China haben einen neuen Typ Assistent entwickelt, um diese schwere Arbeit zu erleichtern. Sie erschufen ein intelligentes System, das ein leistungsfähiges „Computergehirn“, bekannt als ein großes Sprachmodell, nutzt, um medizinische Unterlagen zu lesen und die korrekten Codes vorzuschlagen. Sie baten den Computer jedoch nicht einfach darum, die Antwort zu erraten. Stattdessen entwarfen sie das System so, dass es den sorgfältigen, schrittweisen Arbeitsablauf eines menschlichen Experten nachahmt. Der Computer spuckt nicht einfach nur eine Liste von Codes aus; er agiert wie ein Team von Spezialisten, die die Arbeit des jeweils anderen überprüfen, Regeln in einer digitalen Enzyklopädie nachschlagen und sicherstellen, dass jede Entscheidung durch Belege aus der Patientenakte gestützt wird. Dieser Ansatz zielt darauf ab, den Kodierungsprozess schneller und genauer zu machen, während ein Mensch für die schwierigsten Fälle im Prozess eingebunden bleibt.
Das Team testete ihr System unter Verwendung echter medizinischer Aufzeichnungen aus einem Augenkrankenhaus in Chongqing. Sie sammelten Daten von über 6.000 Patienten, die zwischen Januar und Juni 2026 aufgenommen wurden, wobei der Fokus speziell auf Augenerkrankungen und Augenoperationen lag. Aus dieser großen Gruppe wählten sie 1.200 Datensätze für eine detaillierte Untersuchung aus, um sicherzustellen, dass die Stichprobe sowohl häufige als auch seltene, komplexe Fälle enthielt. Das Ziel war es, zu sehen, ob der Computer die Genauigkeit der menschlichen Kodierer erreichen konnte, die diese Dateien bereits bearbeitet hatten. Das System wurde mit zwei Hauptaufgaben betraut: der Zuweisung von Codes für die Diagnose des Patienten und der Zuweisung von Codes für die durchgeführten Verfahren, wie etwa Kataraktoperationen oder Laserbehandlungen.
Um zu verstehen, wie das System funktioniert, stellen Sie sich einen Bibliothekar vor, der ein bestimmtes Buch in einer riesigen Bibliothek finden muss. Anstatt den Titel zu raten, liest der Bibliothekar zuerst die Anfrage, prüft dann einen Katalog, um den richtigen Bereich zu finden, und zieht schließlich das exakte Buch heraus, um die Details zu bestätigen. Die Forscher bauten ihr System so auf, dass es einem ähnlichen Pfad folgt. Zuerst liest ein zentraler Computer die gesamte Patientenakte, die Aufnahmeberichte, Laborergebnisse und Entlassungszusammenfassungen enthalten kann. Er zerlegt diesen langen Text in kleinere, handhabbare Informationseinheiten. Dann übernimmt ein Team digitaler Agenten. Ein Agent sucht nach spezifischen medizinischen Begriffen und gleicht sie mit einer strukturierten Datenbank offizieller Codes ab. Ein anderer Agent prüft die Regeln, um sicherzustellen, dass bestimmte Codes nicht zusammen verwendet werden können oder dass ein spezifischer Code einen Begleitcode erfordert. Ein dritter Agent entscheidet, welche Erkrankung der Hauptgrund für den Krankenhausaufenthalt ist – ein entscheidender Schritt, der bestimmt, wie der Patient abgerechnet wird. Schließlich überprüft ein Qualitätskontroll-Agent die endgültige Liste und markiert jeden Code, der unsicher erscheint oder gegen eine Regel verstößt, um ihn einem Menschen zur Zweitprüfung vorzulegen.
Die Ergebnisse dieses Tests waren vielversprechend. Wenn das System Codes für Augenerkrankungen zuwies, entsprach es mit hoher Genauigkeit den Entscheidungen der menschlichen Experten. Für die spezifischste Detailstufe war das System in etwa 92 % der Fälle korrekt. Es identifizierte den Hauptgrund für die Aufnahme eines Patienten in mehr als 90 % der Fälle erfolgreich. Das System schnitt auf den breiteren Klassifizierungsebenen sogar noch besser ab, etwa bei der Identifizierung der allgemeinen Kategorie einer Augenerkrankung, wo es in fast 97 % der Fälle korrekt war. Das System fand jedoch die Prozeduren-Codes etwas anspruchsvoller. Obwohl es immer noch sehr gut arbeitete, war die Genauigkeit bei chirurgischen Eingriffen etwas niedriger als bei Diagnosen, mit einer Erfolgsquote von etwa 85 % für die spezifischsten Codes. Diese Lücke deutet darauf hin, dass es für einen Computer schwieriger ist, genau zu beschreiben, wie eine Operation durchgeführt wurde, als eine Krankheit zu beschreiben.
Eine der wichtigsten Erkenntnisse war, wie das System mit seltenen Erkrankungen umging. Die Forscher fanden heraus, dass das System exzellent darin war, häufig vorkommende Krankheiten zu kodieren. Bei sehr seltenen Codes, die nur eine Handvoll Male auftraten, hatte das System jedoch größere Schwierigkeiten und übersah manchmal den korrekten Code oder schlug einen falschen vor. Dies ist eine bekannte Herausforderung in der medizinischen Kodierung, da es für seltene Ereignisse weniger Daten zum Lernen gibt. Das System machte auch eine spezifische Art von Fehler: Es neigte dazu, zu viele Codes vorzuschlagen, anstatt zu wenige. Mit anderen Worten: Es war wahrscheinlicher, einen Code einzuschließen, der nicht zwingend notwendig war, als einen notwendigen Code wegzulassen. Dies ist in einem medizinischen Umfeld ein sichereres Versehen, da es sicherstellt, dass nichts übersehen wird, obwohl es dennoch einen Menschen erfordert, um die Liste zu bereinigen.
Die Forscher betonten, dass dieses System nicht dazu gedacht ist, menschliche Kodierer vollständig zu ersetzen. Stattdessen dient es als leistungsstarker Assistent, der die Schwerstarbeit des Lesens und der ersten Sortierung übernimmt. Das System ist so konzipiert, dass es transparent ist; für jeden Code, den es vorschlägt, weist es auf den exakten Satz in der medizinischen Akte hin, der zu dieser Entscheidung geführt hat. Wenn sich das System unsicher ist, markiert es den Fall für eine Überprüfung durch einen menschlichen Experten. Dieses „Human-in-the-loop“-Design stellt sicher, dass das Endergebnis zuverlässig ist. Die Studie zeigte, dass Krankenhäuser durch die Kombination der Geschwindigkeit künstlicher Intelligenz mit dem Urteilsvermögen menschlicher Experten ein Niveau an Kodierqualität erreichen können, das sowohl effizient als auch präzise ist. Das System übersetzte die komplexe, ungeordnete Realität der Patientennotizen erfolgreich in die saubere, standardisierte Sprache, die für die moderne Gesundheitsversorgung erforderlich ist, und bewies damit, dass Maschinen lernen können, den Regeln der Kodierung genauso sorgfältig zu folgen wie die Menschen, die sie geschrieben haben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.