Design and implementation of an intelligent ICD coding system using large language model
Este artigo apresenta um sistema inteligente de codificação CID que integra o modelo de linguagem de grande escala Qwen3.6-35B-A3B com uma estrutura de colaboração multiagente e Geração Aumentada por Recuperação (RAG) para automatizar a codificação diagnóstica e de procedimentos precisa, interpretável e humanizada em oftalmologia, alcançando alta precisão tanto na atribuição de códigos quanto na identificação do diagnóstico/procedimento principal.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Sempre que um paciente deixa um hospital, um profissional especializado traduz a história de sua doença para uma linguagem universal de números e letras. Este sistema, conhecido como Classificação Internacional de Doenças, ou CID, atua como o padrão global para registros de saúde. Ele transforma notas médicas complexas sobre um osso quebrado ou uma condição cardíaca em códigos padronizados que seguradoras, pesquisadores e hospitais usam para rastrear tendências de saúde e determinar pagamentos. Por décadas, esta tradução foi feita manualmente. Codificadores humanos liam páginas de notas manuscritas, resultados de exames laboratoriais e relatórios de cirurgiões, procurando o código exato que correspondesse à condição do paciente. É um trabalho tedioso e de alto risco, onde um único erro pode levar a perdas financeiras ou dados distorcidos. À medida que os hospitais geram mais dados do que nunca, o antigo método de ler cada linha manualmente está se tornando muito lento e propenso a erros.
Pesquisadores do Hospital Daping, na China, construíram um novo tipo de assistente para ajudar com esse trabalho pesado. Eles criaram um sistema inteligente que utiliza um poderoso cérebro de computador, conhecido como modelo de linguagem de grande escala, para ler registros médicos e sugerir os códigos corretos. No entanto, eles não simplesmente pediram ao computador para adivinhar a resposta. Em vez disso, projetaram o sistema para imitar o fluxo de trabalho cuidadoso e passo a passo de um especialista humano. O computador não apenas cospe uma lista de códigos; ele atua como uma equipe de especialistas que verificam o trabalho uns dos outros, consultam regras em uma enciclopédia digital e verificam se cada decisão é respaldada por evidências do prontuário do paciente. Esta abordagem visa tornar o processo de codificação mais rápido e preciso, mantendo um humano no ciclo para lidar com os casos mais difíceos.
A equipe testou seu sistema usando registros médicos reais de um hospital oftalmológico em Chongqing. Eles reuniram dados de mais de 6.000 pacientes admitidos entre janeiro e junho de 2026, focando especificamente em doenças oculares e cirurgias oculares. Desse grande grupo, selecionaram 1.200 registros para estudar detalhadamente, garantindo que a amostra incluísse tanto condições comuns quanto casos raros e complexos. O objetivo era ver se o computador conseguiria igualar a precisão dos codificadores humanos que já haviam processado esses arquivos. O sistema recebeu duas tarefas principais: atribuir códigos para o diagnóstico do paciente e atribuir códigos para os procedimentos realizados, como cirurgia de catarata ou tratamentos a laser.
Para entender como o sistema funciona, imagine um bibliotecário que deve encontrar um livro específico em uma biblioteca enorme. Em vez de adivinhar o título, o bibliotecário primeiro lê a solicitação, depois verifica um catálogo de fichas para encontrar a seção correta e, finalmente, retira o livro exato para confirmar os detalhes. Os pesquisadores construíram seu sistema para seguir um caminho semelhante. Primeiro, um computador central lê todo o registro do paciente, que pode incluir notas de admissão, resultados de exames e sumários de alta. Ele divide este texto longo em partes menores e gerenciáveis de informação. Em seguida, uma equipe de agentes digitais assume o controle. Um agente procura termos médicos específicos e os cruza com um banco de dados estruturado de códigos oficiais. Outro agente verifica as regras para garantir que certos códigos não possam ser usados juntos ou que um código específico exija um código complementar. Um terceiro agente decide qual condição é o motivo principal da internação hospitalar, um passo crítico que determina como o paciente será faturado. Finalmente, um agente de controle de qualidade revisa a lista final, sinalizando qualquer código que pareça incerto ou viole uma regra, enviando-o para um humano para uma segunda análise.
Os resultados deste teste foram promissores. Quando o sistema atribuiu códigos para doenças oculares, ele igualou as escolhas dos especialistas humanos com alta precisão. Para o nível mais específico de detalhamento, o sistema estava correto cerca de 92% das vezes. Ele identificou com sucesso o motivo principal da admissão de um paciente em mais de 90% dos casos. O sistema teve um desempenho ainda melhor nos níveis mais amplos de classificação, como identificar a categoria geral de uma doença ocular, onde foi correto quase 97% das vezes. No entanto, o sistema achou os códigos de procedimentos um pouco mais desafiadores. Embora ainda fosse muito bom, sua precisão para procedimentos cirúrgicos foi inferior à de diagnósticos, com uma taxa de sucesso de cerca de 85% para os códigos mais específicos. Essa lacuna sugere que descrever exatamente como uma cirurgia foi realizada é mais difícil para um computador do que descrever uma doença.
Uma das descobertas mais importantes foi como o sistema lidou com condições raras. Os pesquisadores descobriram que o sistema foi excelente ao codificar doenças comuns que aparecem frequentemente nos registros. Contudo, para códigos muito raros que apareciam apenas algumas poucas vezes, o sistema teve mais dificuldade, às vezes perdendo o código correto ou sugerindo um errado. Este é um desafio conhecido na codificação médica, pois há menos dados para aprender com eventos raros. O sistema também cometeu um tipo específico de erro: tendeu a sugerir muitos códigos em vez de poucos. Em outras palavras, era mais provável incluir um código que não era estritamente necessário do que deixar de fora um código necessário. Este é um erro mais seguro em um ambiente médico, pois garante que nada seja esquecido, embora ainda exija que um humano limpe a lista.
Os pesquisadores enfatizaram que este sistema não foi projetado para substituir totalmente os codificadores humanos. Em vez disso, serve como um assistente poderoso que realiza o trabalho pesado de leitura e classificação inicial. O sistema é construído para ser transparente; para cada código que sugere, ele aponta para a frase exata no registro médico que levou àquela decisão. Se o sistema estiver incerto, ele sinaliza o caso para revisão de um especialista humano. Este design de "humano no ciclo" garante que o resultado final seja confiável. O estudo mostrou que, ao combinar a velocidade da inteligência artificial com o julgamento de especialistas humanos, os hospitais podem alcançar um nível de qualidade de codificação que é ao mesmo tempo eficiente e preciso. O sistema traduziu com sucesso a realidade complexa e desordenada das notas dos pacientes para a linguagem limpa e padronizada necessária para a medicina moderna, provando que as máquinas podem aprender a seguir as regras de codificação tão cuidadosamente quanto as pessoas que as escreveram.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.