Design and implementation of an intelligent ICD coding system using large language model
본 논문은 Qwen3.6-35B-A3B 거대 언어 모델을 멀티 에이전트 협업 프레임워크 및 검색 증강 생성(RAG)과 결파하여 안과 분야에서 정밀하고 해석 가능하며 인간과 유사한 진단 및 처치 코딩을 자동화함으로써, 코드 할당과 주진단/주처치 식별 모두에서 높은 정확도를 달성하는 지능형 ICD 코딩 시스템을 제시한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
환자가 병원을 떠날 때마다, 전문가는 환자의 질병 이야기를 숫자와 문자로 이루어진 보편적인 언어로 번역합니다. 국제질병분류(ICD)라고 알려진 이 시스템은 의료 기록의 글로벌 표준 역할을 합니다. 이 시스템은 골절이나 심장 질환에 관한 복잡한 의학적 기록을 보험사, 연구자, 병원이 건강 추세를 추적하고 비용을 결정하는 데 사용하는 표준화된 코드로 변환합니다. 수십 년 동안 이 번역 작업은 수작업으로 이루어져 왔습니다. 전문 코더들은 페이지 가득 적힌 수기 기록, 검사 결과, 외과 의사의 보고서를 읽으며 환자의 상태와 일치하는 정확한 코드를 찾아냈습니다. 이는 단 한 번의 실수가 재정적 손실이나 왜곡된 데이터로 이어질 수 있는, 매우 고되고 책임이 막중한 작업입니다. 병원이 그 어느 때보다 많은 데이터를 생성함에 따라, 모든 줄을 일일이 수동으로 읽는 기존 방식은 너무 느리고 오류가 발생하기 쉽습니다.
중국 다핑 병원의 연구진은 이러한 힘든 작업을 돕기 위한 새로운 종류의 조수를 만들었습니다. 그들은 대규모 언어 모델(LLM)이라 불리는 강력한 컴퓨터 뇌를 사용하여 의료 기록을 읽고 올바른 코드를 제안하는 지능형 시스템을 구축했습니다. 하지만 그들은 단순히 컴퓨터에게 정답을 추측하라고 시킨 것이 아닙니다. 대신, 인간 전문가의 세심하고 단계적인 워크플로우를 모방하도록 이 시스템을 설계했습니다. 컴퓨터는 단순히 코드 목록을 내뱉는 것이 아니라, 서로의 작업을 검토하고, 디지털 백과사전에서 규칙을 찾아보며, 모든 결정이 환자 파일의 근거에 기반하고 있는지 확인하는 전문가 팀처럼 작동합니다. 이러한 접근 방식은 가장 어려운 사례를 처리하기 위해 인간이 개입하는 구조를 유지하면서도, 코딩 과정을 더 빠르고 정확하게 만드는 것을 목표로 합니다.
연구팀은 충칭의 한 안과 병원에서 가져온 실제 의료 기록을 사용하여 시스템을 테스트했습니다. 그들은 2026년 1월부터 6월 사이에 입원한 6,000명 이상의 환자 데이터를 수집했으며, 특히 안과 질환과 안과 수술에 집중했습니다. 이 방대한 그룹 중에서 상세 연구를 위해 1,200개의 기록을 선정하였으며, 표본에는 흔한 질환과 희귀하고 복잡한 사례가 모두 포함되도록 했습니다. 목표는 컴퓨터가 이미 이 파일들을 처리한 인간 코더들의 정확도와 일치할 수 있는지 확인하는 것이었습니다. 시스템에는 환자의 진단에 대한 코드를 부여하는 것과 백내장 수술이나 레이저 치료와 같이 수행된 처치에 대한 코드를 부여하는 두 가지 주요 과업이 주어졌습니다.
시스템이 어떻게 작동하는지 이해하려면, 거대한 도서관에서 특정 책을 찾아야 하는 사서를 상상해 보십시오. 사서는 제목을 추측하는 대신, 먼저 요청 사항을 읽고, 그다음 적절한 구역을 찾기 위해 카드 목록을 확인한 뒤, 마지막으로 정확한 책을 꺼내 세부 사항을 확인합니다. 연구진은 이와 유사한 경로를 따르도록 시스템을 구축했습니다. 먼저, 중앙 컴퓨터가 입원 기록, 검사 결과, 퇴원 요약서 등을 포함할 수 있는 전체 환자 기록을 읽습니다. 그 후 이 긴 텍스트를 작고 관리 가능한 정보 단위로 나눕니다. 그런 다음 디지털 에이전트 팀이 업무를 인계받습니다. 한 에이전트는 특정 의학 용어를 찾아 이를 공식 코드의 구조화된 데이터베이스와 대조합니다. 다른 에이전트는 특정 코드끼리 함께 사용할 수 없거나 특정 코드가 동반 코드를 필요로 하는지 확인하기 위해 규칙을 점검합니다. 세 번째 에이전트는 환자가 입원한 주요 원인이 무엇인지 결정하는데, 이는 환자에게 비용을 청구하는 방식을 결정하는 중요한 단계입니다. 마지막으로 품질 관리 에이전트가 최종 목록을 검토하며, 불확실하거나 규칙을 위반하는 것으로 보이는 코드를 표시하여 인간에게 재검토를 요청합니다.
테스트 결과는 유망했습니다. 시스템이 안과 질환에 대한 코드를 할당했을 때, 인간 전문가의 선택과 높은 정확도로 일치했습니다. 가장 세밀한 수준의 상세도에서 시스템은 약 92%의 정확도를 보였습니다. 또한 환자가 입원한 주요 원인을 파악하는 데 있어 90% 이상의 성공률을 보였습니다. 시스템은 안과 질환의 일반적인 범주를 식별하는 것과 같은 더 넓은 분류 단계에서 더 우수한 성능을 보였는데, 이 경우 정확도는 거의 97%에 달했습니다. 그러나 시스템은 처치 코드를 다루는 데 있어 약간 더 어려움을 겪었습니다. 여전히 매우 우수한 수준이었지만, 수술 처치에 대한 정확도는 진단에 비해 낮았으며, 가장 구체적인 코드에 대한 성공률은 약 85%였습니다. 이러한 격차는 수술이 정확히 어떻게 수행되었는지 설명하는 것이 질병을 설명하는 것보다 컴퓨터가 짚어내기 더 어렵다는 점을 시사합니다.
가장 중요한 발견 중 หนึ่ง은 시스템이 희귀 질환을 어떻게 처리했는가 하는 점이었습니다. 연구진은 시스템이 기록에 자주 등장하는 흔한 질병을 코딩하는 데 탁월하다는 것을 발견했습니다. 그러나 단 몇 번만 나타나는 매우 희귀한 코드의 경우, 시스템은 더 어려움을 겪었으며 때때로 올바른 코드를 놓치거나 잘못된 코드를 제안하기도 했습니다. 이는 의료 코딩에서 알려진 과제로, 희귀한 사건에 대해서는 학습할 수 있는 데이터가 적기 때문입니다. 시스템은 또한 특정한 유형의 오류를 범했는데, 코드를 너무 적게 제시하기보다는 너무 많이 제시하는 경향이 있었습니다. 즉, 엄격하게 필요하지 않은 코드를 포함할 가능성이 필요한 코드를 누락할 가능성보다 높았습니다. 이는 의료 환경에서 더 안전한 실수인데, 아무것도 놓치지 않도록 보장하기 때문이지만, 여로는 여전히 인간이 목록을 정리해야 함을 의미합니다.
연구진은 이 시스템이 인간 코더를 완전히 대체하기 위해 설계된 것이 아님을 강조했습니다. 대신, 이 시스템은 읽기와 초기 분류라는 힘든 작업을 수행하는 강력한 조수 역할을 합니다. 시스템은 투명성을 갖추도록 설계되었습니다. 시스템이 제안하는 모든 코드에 대해, 해당 결정을 이끌어낸 의료 기록의 정확한 문장을 지목합니다. 만약 시스템이 확신하지 못한다면, 인간 전문가가 검토할 수 있도록 해당 사례를 표시합니다. 이러한 '인간 참여형(human-in-the-loop)' 설계는 최종 결과물이 신뢰할 수 있음을 보장합니다. 연구는 인공지능의 속도와 인간 전문가의 판단력을 결합함으로써, 병원이 효율적이면서도 정밀한 코딩 품질을 달달성할 수 있음을 보여주었습니다. 이 시스템은 복잡하고 무질서한 환자 기록의 현실을 현대 의료에 필요한 깨끗하고 표준화된 언어로 성공적으로 번역해 냈으며, 기계가 코딩 규칙을 작성한 사람들과 똑같이 주의 깊게 따르는 법을 배울 수 있음을 증명했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.