A medical coding language model trained on clinical narratives from a population-wide cohort of 1.8 million patients

该研究利用来自丹麦东部 180 万患者的 580 万份电子健康记录训练了一个医疗编码语言模型，该模型在预测 ICD-10 编码方面表现优异，并揭示了二级诊断的系统性漏编问题，为自动化编码及流行病学研究提供了实用解决方案。

要点

这篇论文讲述了一个关于**“教 AI 医生如何给病历打标签”**的故事，但故事里藏着一个意想不到的反转：AI 不仅学得快，还发现人类医生在“偷懒”或者“漏记”了很多重要信息。

我们可以把这篇研究想象成**“一位超级实习生在整理巨大的医院档案库”**。

1. 背景：为什么需要这位“实习生”？

想象一下，医院里每天都有成千上万的病人。医生写完病历后，需要把这些复杂的病情翻译成一种**“国际通用代码”**（就像给商品贴条形码，比如把“感冒”变成代码 J06.9）。

• 现状：以前全靠人工贴标签。这工作既枯燥又耗时，就像让一个人在几百万本书里找特定的词，还容易看错。
• 问题：很多研究用的“教材”（数据）太少，只教了 AI 看 ICU 里的重症病人，就像只让实习生在急诊室实习，却指望他懂儿科、骨科和眼科的所有知识，结果一遇到复杂的病人就懵了。

2. 我们的“超级实习生”：海量数据训练

这次，研究团队给 AI 提供了一本**“超级百科全书”**：

• 教材规模：来自丹麦东部 180 万病人的580 万份电子病历。
• 覆盖范围：几乎涵盖了所有科室（除了成人精神科），时间跨度 10 年。
• 任务：让 AI 阅读医生的笔记、化验单和用药记录，然后自动预测出应该贴什么“条形码”（ICD-10 诊断代码）。

结果如何？
这位“实习生”表现惊人：

• 它能在**54.6%**的病例中，完全正确地贴上所有标签（相当于直接上岗，无需人类检查）。
• 在剩下的病例中，只要人类医生看一眼它列出的前 10 个建议，就有**95.5%**的概率能找到正确的标签。
• 比喻：以前医生要在几千个标签里大海捞针，现在 AI 直接递给他一个“精选清单”，他只需要从中挑一个就行，效率大大提升。

3. 意想不到的发现：AI 成了“纠错员”

这是论文最精彩的部分。团队发现，AI 在某些科室（比如儿童精神科）表现不好，但在另一些科室（如神经生理科）表现极好。

• 为什么？ 那些表现好的科室，病情很明确，像“骨折”就是骨折。而表现差的科室，病情复杂，或者医生写得很模糊。

更惊人的反转来了：
团队发现，当 AI 和人类医生意见不一致时，往往是人类医生“漏记”了，而不是 AI 错了。

他们抽查了三个具体的例子：

1. 自杀相关行为：AI 发现很多病历里明明写了“想自杀”或“服药过量”，但人类医生没贴这个标签。为什么？因为贴这个标签可能让医院拿不到报销款，或者怕给病人贴“标签”太麻烦。
2. 肥胖和高血压：这些通常作为“次要诊断”（比如病人是因为骨折住院，顺便有高血压）。人类医生为了省事，只记了骨折，忘了记高血压。但 AI 从病历里读出了高血压的信息。
3. 验证结果：人工去复核 AI 找出的这些“漏记”病例，发现**76% 到 86%**的情况下，AI 是对的，病人确实有这些病，只是人类医生没写进代码里。

比喻：
这就好比一个**“超级校对员”**。人类医生写文章（病历）时，因为赶时间或受限于“只记主要问题”的潜规则，漏掉了很多细节。AI 这个校对员不仅读得快，还特别细心，它把那些被人类忽略的“隐形细节”都挖了出来。

4. 为什么会这样？（系统的“潜规则”）

为什么人类医生会漏记？

• 激励机制问题：在很多医疗体系里，医院主要靠“主要诊断”（比如骨折）拿钱。如果医生花时间去记“次要诊断”（比如高血压），不仅费时，还拿不到额外的钱，甚至像“自杀”这种标签在某些系统里根本不算钱。
• 结果：医生们被迫“挑重点写”，导致病历数据不完整。AI 虽然学的是这些“不完整”的数据，但它通过阅读原始文本，反而比人类更敏锐地发现了被忽略的真相。

5. 结论与启示

这项研究告诉我们两件事：

1. AI 很强大：它可以帮医生节省大量时间，把那些繁琐的“贴标签”工作自动化，让医生专注于看病。
2. 数据有“偏见”：AI 表现不好，有时候不是因为它笨，而是因为人类提供的“教材”本身就有缺陷（漏记了次要病情）。

未来的希望：
如果引入这种 AI 辅助系统，医生在写病历时，AI 会像**“智能助手”**一样提示：“嘿，这位病人虽然是因为骨折来的，但您好像忘了记他的高血压和肥胖问题，要不要补上？”
这样，既不会增加医生的工作量，又能让病历变得更完整、更准确。这对于研究疾病（比如研究高血压和骨折的关系）和制定公共卫生政策（比如监控自杀趋势）都至关重要。

一句话总结：
这篇论文不仅展示了一个**“超级 AI 实习生”如何帮医生高效工作，更重要的是，它像一面镜子，照出了人类医疗记录中那些因为忙碌和制度限制而被“隐形”掉的真相**，并提供了填补这些空白的实用工具。

技术摘要

这是一份关于该论文的详细技术总结，涵盖了问题背景、方法论、核心贡献、实验结果及研究意义。

1. 研究背景与问题 (Problem)

• 医疗编码的现状与挑战：医疗编码（将临床文档转化为标准化的 ICD 代码）对于计费、研究和公共卫生监测至关重要。然而，目前的编码过程主要依赖人工，耗时且容易出错。
• 现有研究的局限性：现有的机器学习自动编码研究通常基于小型、高度专业化的数据集（如 MIMIC-III/IV，仅包含 ICU 或急诊数据），无法代表现实世界中患者的多样性，特别是**多病共存（Multimorbidity）**的复杂性。
• 核心痛点：
  1. 数据偏差：现有模型难以处理复杂的真实世界临床场景。
  2. 次要诊断的漏报：临床实践中，次要诊断（Secondary Diagnoses）常被系统性漏报（Under-coding），导致训练数据存在标签噪声，进而影响模型性能。
  3. 数据质量：临床文档中存在信息模糊、关键信息被淹没或缺失的情况，导致编码不准确。

2. 方法论 (Methodology)

• 数据集构建：
  • 规模：基于丹麦东部（Zealand 地区和首都大区）2006 年至 2016 年的电子健康记录（EHR）。
  • 样本量：涵盖 180 万 名患者，共计 580 万 条医疗记录。
  • 覆盖范围：涵盖所有医学专科（除成人精神科外），包括临床笔记、药物记录和实验室结果。
  • 预处理：移除了缺乏出院摘要、仅包含行政代码（Z 代码）、文本过长（>10,000 字符）或类别定义不明确的记录。最终训练集为 180 万患者。
• 模型架构：
  • 采用 PLM-CA (Pre-trained Language Model with Cross-Attention) 架构。
  • 语言模型：使用在丹麦语文本上预训练的 BERT 模型。
  • 注意力机制：引入标签级注意力层（Label-wise Attention），将输入 Token 映射为每个 ICD-10 代码的置信度分数（0-1 之间）。
  • 训练策略：使用二元交叉熵损失函数，通过逐步增加训练数据量（从 5 万到 180 万患者）来评估数据规模对性能的影响。
• 评估指标：
  • F1 分数：区分 Micro-F1（关注高频代码）和 Macro-F1（平等对待所有代码，包括罕见病）。
  • 召回率 (Recall@K)：评估人类标注的代码是否出现在模型前 K 个预测中（重点考察 Recall@10）。
  • 精确匹配率 (Exact Match Ratio)：模型预测与人工标注完全一致的比例。
  • 可解释性分析：使用 AttInGrad 方法可视化模型决策依据，并进行了人工验证（Human-in-the-loop validation）以区分模型错误与数据标注错误。

3. 关键贡献 (Key Contributions)

1. 超大规模真实世界数据集的验证：首次利用 180 万患者、580 万条记录的全科医疗数据训练和评估自动编码模型，证明了数据规模对提升模型泛化能力（特别是罕见病和多病共存场景）的关键作用。
2. 揭示“系统性漏报”现象：
   • 研究发现，模型在“次要诊断”上的表现较差并非完全因为模型能力不足，而是因为人类编码员在训练数据中系统性漏报了次要诊断。
   • 通过人工验证，发现模型识别出的许多“未编码”病例（如自杀行为、肥胖、高血压）实际上是真实的临床情况，人工编码遗漏率高达 14%-24%。
3. 提出数据质量与编码实践的关联：指出医疗编码的准确性不仅取决于算法，更受制于临床文档的质量（如关键信息被淹没）和报销政策（如次要诊断无经济激励导致漏报）。
4. 可解释性工具的应用：利用 AttInGrad 深入分析了模型与人类不一致的原因，区分了“模型误判”和“人类漏标”两种情况。

4. 实验结果 (Results)

• 整体性能：
  • 在 180 万患者训练集上，模型达到了 71.8% 的 Micro-F1 分数和 95.5% 的 Recall@10（即 95.5% 的人工标注代码出现在模型的前 10 个建议中）。
  • 随着训练数据量增加，Macro-F1 分数从 25.6% 显著提升至 47.3%，表明模型对罕见病和多病共存患者的预测能力大幅增强。
  • 完全自动化潜力：模型能完全匹配人工编码（无需人工干预）的比例达到 54.6%。
• 专科差异：
  • 表现最好的专科是临床神经生理学（F1=91%），因其诊断路径标准化。
  • 表现较差的专科是儿童和青少年精神科（F1=53%），主要受限于诊断的不确定性、多病共存及患者表达困难。
• 次要诊断 vs. 主要诊断：
  • 作为主要诊断的代码 F1 分数较高（>0.7），而作为次要诊断的代码 F1 分数显著较低（<0.5）。
  • 案例分析：
    • 自杀相关行为：在降低决策阈值后，模型发现了大量人类未编码的自杀尝试，人工验证显示 86% 的模型预测是正确的。
    • 体重障碍与高血压：模型识别出的未编码病例中，76%-86% 经人工确认应被编码。
• 数据质量影响：
  • 文档中关键信息被大量通用术语淹没（如糖尿病分型仅提及一次）导致编码不精确。
  • 部分病例存在“有编码无文档”的情况，导致模型学习到行政特征而非临床特征。

5. 研究意义与结论 (Significance & Conclusion)

• 对公共卫生与研究的影响：
  • 揭示了丹麦（及可能全球）医疗数据中次要诊断的系统性低估。这直接影响流行病学研究的准确性、公共卫生监测（如自杀趋势）以及资源分配。
  • 例如，自杀尝试的漏报曾导致无法及时识别和预防自杀流行病。
• 技术启示：
  • 自动编码系统不应仅被视为替代人工的工具，更应作为辅助工具，通过提供高召回率的建议列表（Top-10），帮助编码员发现遗漏的次要诊断，从而在不增加工作负担的情况下提高数据完整性。
  • 未来的模型训练需要解决“标签噪声”问题，可能需要合成数据或半监督学习来校正系统性偏差。
• 实际应用价值：
  • 该系统有望自动化处理约 50% 的编码工作，并为剩余 50% 提供精准建议，显著提升临床文档的完整性和医疗数据的价值。
  • 研究强调了改善临床文档习惯和报销激励机制与提升 AI 技术同等重要。

总结：该论文不仅展示了一个高性能的医疗编码模型，更重要的是通过大规模数据分析，深刻揭示了医疗数据生成过程中的系统性偏差（漏报次要诊断），并提出了人机协作的新范式，即利用 AI 的“超人类”检索能力来弥补人工编码的疏漏，从而提升医疗数据的质量。