Design and implementation of an intelligent ICD coding system using large language model
Dit artikel presenteert een intelligent ICD-coderingssysteem dat het Qwen3.6-35B-A3B large language model integreert met een multi-agent collaboratief framework en Retrieval-Augmented Generation (RAG) om nauwkeurige, interpreteerbare en mensachtige diagnostische en procedurele codering in de oogheelkunde te automatiseren, waarbij een hoge nauwkeurigheid wordt bereikt in zowel code-toewijzing als de identificatie van de hoofddiagnose en -procedure.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke keer dat een patiënt een ziekenhuis verlaat, vertaalt een gespecialiseerde professional het verhaal van hun ziekte naar een universele taal van getallen en letters. Dit systeem, bekend als de Internationale Classificatie van Ziekten, of ICD, fungeert als de wereldwijde standaard voor medische dossiers. Het verandert complexe medische aantekeningen over een gebroken bot of een hartconditie in gestandaardiseerde codes die verzekeringsmaatschappijen, onderzoekers en ziekenhuizen gebruiken om gezondheidstrends te volgen en betalingen te bepalen. Decennialang is deze vertaling handmatig gebeurd. Menselijke codeerders lazen door pagina's met handgeschreven aantekeningen, laboratoriumresultaten en chirurgische rapporten, op zoek naar de exacte code die past bij de conditie van de patiënt. Het is een tijdrovende, risicovolle baan waarbij een enkele fout kan leiden tot financieel verlies of vervormde gegevens. Nu ziekenhuizen meer gegevens genereren dan ooit tevoren, wordt de oude methode van het handmatig lezen van elke regel te traag en foutgevoelig.
Onderzoekers van het Daping Hospital in China hebben een nieuw soort assistent gebouwd om te helpen bij dit zware werk. Ze creëerden een intelligent systeem dat gebruikmaakt van een krachtige computerbrein, een groot taalmodel genoemd, om medische dossiers te lezen en de juiste codes voor te stellen. Ze vroegen de computer echter niet simpelweg om het antwoord te raden. In plaats daarvan ontwierpen ze het systeem om de zorgvuldige, stapsgewijze workflow van een menselijke expert na te bootsen. De computer geeft niet alleen een lijst met codes uit; het werkt als een team van specialisten die elkaars werk controleren, regels opzoeken in een digitale encyclopedie en verifiëren dat elke beslissing wordt ondersteund door bewijs uit het dossier van de patiënt. Deze aanpak heeft tot doel het codeerproces sneller en nauwkeuriger te maken, terwijl een mens in de loop blijft om de meest moeilijke gevallen af te handelen.
Het team testte hun systeem met echte medische dossiers van een oogziekenhuis in Chongqing. Ze verzamelden gegevens van meer dan 6.000 patiënten die tussen januari en juni 2026 werden opgenomen, waarbij de focus specifiek lag op oogziekten en oogoperaties. Uit deze grote groep selecteerden ze 1.200 dossiers om in detail te bestuderen, waarbij ze ervoor zorgden dat de steekproef zowel veelvoorkomende aandoeningen als zeldzame, complexe gevallen bevatte. Het doel was om te zien of de computer de nauwkeurigheid van de menselijke codeerders kon evenaren die deze bestanden al hadden verwerkt. Het systeem kreeg twee hoofdtaken: het toewijzen van codes voor de diagnose van de patiënt en het toewijzen van codes voor de uitgevoerde procedures, zoals staaroperaties of laserbehandelingen.
Om te begrijpen hoe het systeem werkt, stel je een bibliothecaris voor die een specifief boek in een enorme bibliotheek moet vinden. In plaats van de titel te raden, leest de bibliothecaris eerst de aanvraag, controleert vervolgens een catalogus om de juiste sectie te vinden en pakt tot slot het exacte boek om de details te bevestigen. De onderzoekers bouwden hun systeem om een vergelijkbaar pad te volgen. Eerst leest een centrale computer het volledige patiëntendossier, dat onder meer opnameverslagen, laboratoriumresultaten en ontslagbrieven kan bevatten. Het breekt deze lange tekst op in kleinere, hanteerbare stukjes informatie. Vervolgens neemt een team van digitale agenten het over. Eén agent zoekt naar specifieke medische termen en koppelt deze aan een gestructureerde database van officiële codes. Een andere agent controleert de regels om er zeker van te zijn dat bepaalde codes niet samen gebruikt kunnen worden of dat een specieke code een begeleidende code vereist. Een derde agent beslist welke conditie de belangrijkste reden is voor het ziekenhuisverblijf, een cruciale stap die bepaalt hoe de patiënt wordt gefactureerd. Ten slotte beoordeelt een kwaliteitscontrole-agent de definitieve lijst en markeert elke code die onzeker lijkt of een regel overtreedt, om deze vervolgens ter controle naar een mens te sturen.
De resultaten van deze test waren veelbelovend. Wanneer het systeem codes toewezag voor oogziekten, kwam het met hoge nauwkeurigheid overeen met de keuzes van de menselijke experts. Voor het meest specifieke detailniveau was het systeem in ongeveer 92% van de gevallen correct. Het identificeerde de belangrijkste reden voor opname in meer dan 90% van de gevallen succesvol. Het systeem presteerde nog beter op de bredere classificatieniveaus, zoals het identificeren van de algemene categorie van een oogziekte, waar het bijna 97% van de tijd correct was. Het systeem vond de procedurecodes echter iets uitdagender. Hoewel het nog steeds erg goed was, was de nauwkeurigheid voor chirurgische procedures lager dan voor diagnoses, met een succespercentage van ongeveer 85% voor de meest specifieke codes. Deze kloof suggereert dat het beschrijven van precies hoe een operatie werd uitgevoerd, moeilijker voor een computer vast te leggen is dan het beschrijven van een ziekte.
Een van de belangrijkste bevindingen was hoe het systeem omging met zeldzame aandoeningen. De onderzoekers ontdekten dat het systeem uitstekend was in het coderen van veelvoorkomende ziekten die frequent in de dossiers voorkomen. Echter, voor zeer zeldzame codes die slechts een handvol keren voorkamen, had het systeem meer moeite, waarbij het soms de juiste code miste of een verkeerde code voorstelde. Dit is een bekende uitdaging in de medische codering, aangezien er minder gegevens zijn om van te leren bij zeldzame gebeurtenissen. Het systeem maakte ook een specifiek type fout: het had de neiging om te veel codes voor te stellen in plaats van te weinig. Met andere woorden, het was eerder geneigd een code op te nemen die strikt genomen niet nodig was, dan een noodzakelijke code achterwege te laten. Dit is een veiligere fout in een medische setting, omdat het ervoor zorgt dat er niets wordt gemist, hoewel het nog steeds een mens vereist om de lijst op te schonen.
De onderzoekers benadrukten dat dit systeem niet is ontworpen om menselijke codeerders volledig te vervangen. In plaats daarvan dient het als een krachtige assistent die het zware werk doet van het lezen en de initiële sortering. Het systeem is gebouwd om transparant te zijn; voor elke code die het voorstelt, wijst het naar de exacte zin in het medische dossier die tot die beslissing leidde. Als het systeem onzeker is, markeert het de casus voor beoordeling door een menselijke expert. Dit "human-in-the-loop"-ontwerp zorgt ervoor dat de uiteindelijke output betrouwbaar is. De studie toonde aan dat ziekenhuizen, door de snelheid van kunstmatige intelligentie te combineren met het oordeelsvermogen van menselijke experts, een niveau van coderingkwaliteit kunnen bereiken dat zowel efficiënt als precies is. Het systeem vertaalde de complexe, rommelige realiteit van patiëntnotities succesvol naar de schone, gestandaardiseerde taal die nodig is voor de moderne gezondheidszorg, waarmee bewezen werd dat machines kunnen leren de regels van codering net zo zorgvuldig te volgen als de mensen die ze hebben geschreven.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.