Design and implementation of an intelligent ICD coding system using large language model
Cet article présente un système de codage CIM intelligent qui intègre le grand modèle de langage Qwen3.6-35B-A3B à un cadre collaboratif multi-agents et à la génération augmentée par récupération (RAG) afin d'automatiser un codage diagnostique et procédural précis, interprétable et humain en ophtalmologie, atteignant une grande précision tant dans l'attribution des codes que dans l'identification du diagnostic ou de la procédure principale.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque fois qu'un patient quitte un hôpital, un professionnel spécialisé traduit l'histoire de sa maladie en un langage universel de chiffres et de lettres. Ce système, connu sous le nom de Classification Internationale des Maladies, ou CIM, fait office de norme mondiale pour les dossiers de santé. Il transforme les notes médicales complexes concernant une fracture ou une affection cardiaque en codes standardisés que les compagnies d'assurance, les chercheurs et les hôpitaux utilisent pour suivre les tendances de santé et déterminer les paiements. Pendant des décennies, cette traduction a été faite à la main. Des codeurs humains lisaient des pages de notes manuscrites, des résultats de laboratoire et des rapports de chirurgiens, cherchant le code exact qui correspondait à l'état du patient. C'est un travail fastidieux et à enjeux élevés où une seule erreur peut entraîner une perte financière ou des données biaisées. À mesure que les hôpitaux génèrent plus de données que jamais, l'ancienne méthode consistant à lire chaque ligne manuellement devient trop lente et sujette aux erreurs.
Des chercheurs de l'hôpital Daping en Chine ont construit un nouveau type d'assistant pour aider à ce travail de force. Ils ont créé un système intelligent qui utilise un cerveau informatique puissant, connu sous le nom de grand modèle de langage, pour lire les dossiers médicaux et suggérer les codes corrects. Cependant, ils n'ont pas simplement demandé à l'ordinateur de deviner la réponse. Au lieu de cela, ils ont conçu le système pour imiter le flux de travail méticuleux et étape par étape d'un expert humain. L'ordinateur ne se contente pas de recracher une liste de codes ; il agit comme une équipe de spécialistes qui vérifient le travail des uns et des autres, consultent les règles dans une encyclopédie numérique et vérifient que chaque décision est étayée par des preuves issues du dossier du patient. Cette approche vise à rendre le processus de codage plus rapide et plus précis tout en gardant un humain dans la boucle pour gérer les cas les plus difficiles.
L'équipe a testé son système en utilisant de vrais dossiers médicaux provenant d'un hôpital ophtalmologique à Chongqing. Ils ont recueilli des données de plus de 6 000 patients admis entre janvier et juin 2026, en se concentrant spécifiquement sur les maladies oculaires et les chirurgies de l'œil. À partir de ce groupe important, ils ont sélectionné 1 200 dossiers à étudier en détail, en veillant à ce que l'échantillon comprenne à la fois des conditions courantes et des cas rares et complexes. L'objectif était de voir si l'ordinateur pouvait égaler la précision des codeurs humains qui avaient déjà traité ces fichiers. Le système avait deux tâches principales : attribuer des codes pour le diagnostic du patient et attribuer des codes pour les procédures effectuées, telles que la chirurgie de la cataracte ou les traitements au laser.
Pour comprendre comment le système fonctionne, imaginez un bibliothécaire qui doit trouver un livre spécifique dans une immense bibliothèque. Au lieu de deviner le titre, le bibliothécaire lit d'abord la demande, puis consulte un catalogue pour trouver la bonne section, et enfin tire le livre exact pour confirmer les détails. Les chercheurs ont construit leur système pour suivre un chemin similaire. D'abord, un ordinateur central lit l'intégralité du dossier du patient, qui peut inclure des notes d'admission, des résultats de laboratoire et des résumés de sortie. Il décompose ce long texte en morceaux d'informations plus petits et gérables. Ensuite, une équipe d'agents numériques prend le relais. Un agent recherche des termes médicaux spécifiques et les compare à une base de données structurée de codes officiels. Un autre agent vérifie les règles pour s'assurer que certains codes ne peuvent pas être utilisés ensemble ou qu'un code spécifique nécessite un code compagnon. Un troisième agent décide quelle condition est la raison principale du séjour hospitalier, une étape critique qui détermine la facturation du patient. Enfin, un agent de contrôle de la qualité examine la liste finale, signalant tout code qui semble incertain ou qui viole une règle, et l'envoie à un humain pour un second regard.
Les résultats de ce test ont été prometteurs. Lorsque le système attribuait des codes pour les maladies oculaires, il correspondait aux choix des experts humains avec une grande précision. Pour le niveau de détail le plus spécifique, le système était correct environ 92 % du temps. Il a identifié avec succès la raison principale de l'admission d'un patient dans plus de 90 % des cas. Le système a été encore plus performant aux niveaux de classification plus larges, comme l'identification de la catégorie générale d'une maladie oculaire, où il était correct près de 97 % du temps. Cependant, le système a trouvé les codes de procédure légèrement plus difficiles. Bien qu'il soit resté très performant, sa précision pour les procédures chirurgicales était inférieure à celle des diagnostics, avec un taux de réussite d'environ 85 % pour les codes les plus spécifiques. Cet écart suggère que décrire exactement comment une chirurgie a été réalisée est plus difficile pour un ordinateur que de décrire une maladie.
L'une des découvertes les plus importantes concernait la gestion des conditions rares par le système. Les chercheurs ont constaté que le système était excellent pour coder les maladies courantes qui apparaissent fréquemment dans les dossiers. Cependant, pour les codes très rares qui n'apparaissent que quelques fois, le système éprouvait plus de difficultés, manquant parfois le code correct ou en suggérant un faux. C'est un défi connu en codage médical, car il y a moins de données pour apprendre des événements rares. Le système a également commis un type d'erreur spécifique : il avait tendance à suggérer trop de codes plutôt que trop peu. En d'autres termes, il était plus susceptible d'inclure un code qui n'était pas strictement nécessaire que d'oublier un code nécessaire. C'est une erreur plus sûre dans un contexte médical, car elle garantit que rien n'est oublié, bien qu'elle nécessite toujours l'intervention d'un humain pour nettoyer la liste.
Les chercheurs ont souligné que ce système n'est pas conçu pour remplacer entièrement les codeurs humains. Au contraire, il sert d'assistant puissant qui effectue le gros du travail de lecture et de tri initial. Le système est conçu pour être transparent ; pour chaque code qu'il suggère, il indique la phrase exacte du dossier médical qui a conduit à cette décision. Si le système est incertain, il signale le cas à un expert humain pour examen. Cette conception de « l'humain dans la boucle » garantit que le résultat final est fiable. L'étude a montré qu'en combinant la vitesse de l'intelligence artificielle avec le jugement des experts humains, les hôpitaux peuvent atteindre un niveau de qualité de codage qui est à la fois efficace et précis. Le système a réussi à traduire la réalité complexe et désordonnée des notes des patients en le langage propre et standardisé nécessaire à la médecine moderne, prouvant que les machines peuvent apprendre à suivre les règles de codage aussi soigneusement que les personnes qui les ont écrites.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.