Design and implementation of an intelligent ICD coding system using large language model
Este artículo presenta un sistema inteligente de codificación CIE que integra el modelo de lenguaje grande Qwen3.6-35B-A3B con un marco de colaboración multiagente y Generación Aumentada por Recuperación (RAG) para automatizar la codificación diagnóstica y de procedimientos precisa, interpretable y de apariencia humana en oftalmología, logrando una alta precisión tanto en la asignación de códigos como en la identificación del diagnóstico o procedimiento principal.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Cada vez que un paciente abandona un hospital, un profesional especializado traduce la historia de su enfermedad a un lenguaje universal de números y letras. Este sistema, conocido como la Clasificación Internacional de Enfermedades, o CIE, actúa como el estándar global para los registros de salud. Convierte notas médicas complejas sobre un hueso roto o una afección cardíaca en códigos estandarizados que las compañías de seguros, los investigadores y los hospitales utilizan para rastrear tendencias de salud y determinar los pagos. Durante décadas, esta traducción se ha realizado a mano. Los codificadores humanos leen páginas de notas manuscritas, resultados de laboratorio e informes de cirujanos, buscando el código exacto que coincida con la condición del paciente. Es un trabajo tedioso y de alto riesgo donde un solo error puede provocar pérdidas financieras o datos sesgados. A medida que los hospitales generan más datos que nunca, el viejo método de leer cada línea manualmente se está volviendo demasiado lento y propenso a errores.
Investigadores del Hospital Daping en China han construido un nuevo tipo de asistente para ayudar con este pesado trabajo. Crearon un sistema inteligente que utiliza un cerebro computacional potente, conocido como un modelo de lenguaje de gran tamaño, para leer registros médicos y sugerir los códigos correctos. Sin embargo, no se limitaron a pedirle a la computadora que adivinara la respuesta. En su lugar, diseñaron el sistema para que imite el flujo de trabajo cuidadoso y paso a paso de un experto humano. La computadora no solo escupe una lista de códigos; actúa como un equipo de especialistas que revisan el trabajo de los demás, consultan reglas en una enciclopedia digital y verifican que cada decisión esté respaldada por evidencia del expediente del paciente. Este enfoque tiene como objetivo hacer que el proceso de codificación sea más rápido y preciso, manteniendo a un humano en el proceso para manejar los casos más difíciles.
El equipo probó su sistema utilizando registros médicos reales de un hospital ocular en Chongqing. Recopilaron datos de más de 6,000 pacientes admitidos entre enero y junio de 2026, centrándose específicamente en enfermedades oculares y cirugías oculares. De este gran grupo, seleccionaron 1,200 registros para estudiar en detalle, asegurando que la muestra incluyera tanto condiciones comunes como casos raros y complejos. El objetivo era ver si la computadora podía igualar la precisión de los codificadores humanos que ya habían procesado estos archivos. El sistema recibió dos tareas principales: asignar códigos para el diagnóstico del paciente y asignar códigos para los procedimientos realizados, como la cirugía de cataratas o los tratamientos con láser.
Para entender cómo funciona el sistema, imagine a un bibliotecario que debe encontrar un libro específico en una biblioteca masiva. En lugar de adivinar el título, el bibliotecario primero lee la solicitud, luego consulta un catálogo de fichas para encontrar la sección correcta y, finalmente, extrae el libro exacto para confirmar los detalles. Los investigadores construyeron su sistema para seguir un camino similar. Primero, una computadora central lee todo el registro del paciente, que puede incluir notas de admisión, resultados de laboratorio y resúmenes de alta. Divide este texto largo en piezas de información más pequeñas y manejables. Luego, un equipo de agentes digitales toma el relevo. Un agente busca términos médicos específicos y los coteja con una base de datos estructurada de códigos oficiales. Otro agente verifica las reglas para asegurar que ciertos códigos no puedan usarse juntos o que un código específico requiera un código compañero. Un tercer agente decide qué condición es la razón principal de la estancia hospitalaria, un paso crítico que determina cómo se factura al paciente. Finalmente, un agente de control de calidad revisa la lista final, señalando cualquier código que parezca incierto o que viole una regla, enviándolo a un humano para una segunda revisión.
Los resultados de esta prueba fueron prometedores. Cuando el sistema asignó códigos para enfermedades oculares, coincidió con las elecciones de los expertos humanos con alta precisión. Para el nivel más específico de detalle, el sistema fue correcto aproximadamente el 92% de las veces. Identificó con éxito la razón principal por la cual un paciente fue admitido en más del 90% de los casos. El sistema funcionó incluso mejor en los niveles más amplios de clasificación, como identificar la categoría general de una enfermedad ocular, donde fue correcto casi el 97% de las veces. Sin embargo, el sistema encontró los códigos de procedimientos ligeramente más desafiantes. Aunque seguía siendo muy bueno, su precisión para procedimientos quirúrgicos fue menor que para los diagnósticos, con una tasa de éxito de alrededor del 85% para los códigos más específicos. Esta brecha sugiere que describir exactamente cómo se realizó una cirugía es más difícil de precisar para una computadora que describir una enfermedad.
Uno de los hallazgos más importantes fue cómo el sistema manejó las condiciones raras. Los investigadores encontraron que el sistema era excelente para codificar enfermedades comunes que aparecen con frecuencia en los registros. Sin embargo, para códigos muy raros que aparecían solo unas pocas veces, el sistema tenía más dificultades, a veces omitiendo el código correcto o sugiriendo uno equivocado. Este es un desafío conocido en la codificación médica, ya que hay menos datos para aprender de eventos raros. El sistema también cometió un tipo específico de error: tendía a sugerir demasiados códigos en lugar de muy pocos. En otras palabras, era más probable que incluyera un código que no era estrictamente necesario que dejar fuera uno necesario. Este es un error más seguro en un entorno médico, ya que asegura que no se pase nada por alto, aunque todavía requiere que un humano limpie la lista.
Los investigadores enfatizaron que este sistema no está diseñado para reemplazar por completo a los codificadores humanos. En cambio, sirve como un asistente poderoso que realiza el trabajo pesado de lectura y clasificación inicial. El sistema está construido para ser transparente; por cada código que sugiere, señala la oración exacta en el registro médico que llevó a esa decisión. Si el sistema no está seguro, marca el caso para que un experto humano lo revise. Este diseño de "humano en el proceso" asegura que el resultado final sea confiable. El estudio demostró que, al combinar la velocidad de la inteligencia artificial con el juicio de los expertos humanos, los hospitales pueden lograr un nivel de calidad de codificación que es tanto eficiente como preciso. El sistema tradujo con éxito la realidad compleja y desordenada de las notas de los pacientes al lenguaje limpio y estandarizado necesario para la medicina moderna, demostrando que las máquinas pueden aprender a seguir las reglas de codificación con la misma dedicación que las personas que las escribieron.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.