增加查询步骤显著提升AI医疗诊断编码准确性

Adding a Lookup Step Makes AI Better at Assigning Medical Diagnosis Codes | Mount Sinai - New York

增加查询步骤显著提升AI医疗诊断编码准确性

一项来自西奈山医疗系统研究人员的新研究表明，对人工智能(AI)分配诊断代码的方式进行简单调整可大幅提高准确性，甚至超越医生表现。该发现发表于9月25日在线版《NEJM AI》杂志[DOI: 10.1056/AIcs2401161]，有望减少医生文书工作时间、降低计费错误并提升患者记录质量。

西奈山伊坎医学院人工智能与人类健康Windreich部门生成式AI主任Eyal Klang医学博士表示："先前研究显示，即使最先进的AI在自由猜测时也会产生错误甚至荒谬的代码。此次我们让模型有机会反思并参考类似历史病例，这一微小改变带来了显著差异。"

美国医生每周需花费数小时为ICD代码进行分配——这些字母数字组合用于描述从脚踝扭伤到心脏病发作等各类病症。然而ChatGPT等大型语言模型常难以正确分配这些代码。为解决此问题，研究人员尝试"先查询再编码"方法：首先提示AI用自然语言描述诊断，然后从真实世界案例库中选取最匹配的代码。该方法显著提高了准确性，减少了错误，表现达到甚至超越人类水平。

研究团队分析了西奈山医疗系统医院500例急诊患者就诊记录。对每个病例，将医生记录输入九种AI模型（包括小型开源系统）。首先，模型生成初始ICD诊断描述；通过检索技术，每条描述与百万级医院记录数据库中的10个相似ICD描述及其发生频率相匹配；第二步，模型利用这些检索信息选择最准确的ICD描述和代码。

急诊医生与两个独立AI系统在不知情情况下（不知代码由AI或医生生成）独立评估了编码结果。

结果显示，采用检索步骤的模型表现全面优于未采用者，在多数情况下甚至超越医生分配的代码。令人惊讶的是，即使小型开源模型在允许"查询"示例后也表现出色。

西奈山伊坎医学院人工智能与人类健康Windreich部门主席、Hasso Plattner数字健康研究所主任、Irene与Arthur M. Fishberg医学教授、西奈山医疗系统首席AI官Girish N. Nadkarni医学博士指出："这关乎更智能的支持，而非为自动化而自动化。若能通过经济透明的系统减少医生编码时间、降低计费错误并提升数据质量，将为患者和医疗服务提供者带来双赢。"

研究人员强调，这种检索增强方法旨在支持而非取代人工监督。虽尚未获计费批准且目前仅针对急诊回家患者的初级诊断代码进行测试，但已展现出令人鼓舞的临床应用潜力。研究团队设想其即时用途包括：在电子记录中建议代码或在计费前标记错误。

目前，该方法正集成到西奈山电子健康记录系统进行试点测试，未来计划扩展至其他临床环境并纳入次级诊断和操作代码。

西奈山医疗系统首席临床官兼西奈山医院院长David L. Reich医学博士表示："AI有潜力变革患者护理方式。当技术减轻医生行政负担时，他们便有更多时间专注直接患者护理——这对临床医生、患者及各类医疗机构均有益处。这种方式使用AI能让我们花更多时间陪伴患者，提升关怀与同理心护理能力，从而强化全球医院和医疗系统的根基。"

论文题为"评估检索增强型大型语言模型在医疗编码中的应用"。

研究作者按期刊列示顺序为：Eyal Klang、Idit Tessler、Donald U. Apakama、Ethan Abbott、Benjamin S Glicksberg、Arnold Monique、Akini Moses、Ankit Sakhuja、Ali Soroush、Alexander W. Charney、David L. Reich、Jolion McGreevy、Nicholas Gavin、Brendan Carr、Robert Freeman和Girish N Nadkarni。

【全文结束】