Изучение потенциала LLM для автоматизации кодирования МКБ

Изучение LLM для кодирования МКБ - Часть 1

Введение

Кодирование Международной классификации болезней (МКБ) является важной задачей в здравоохранении. Оно используется для диагностики, отслеживания и прогнозирования заболеваний и состояний. Традиционные методы кодирования МКБ ручные и требуют много времени, что может привести к задержкам и ошибкам.

Языковые большие модели (LLM) представляют собой класс мощных моделей машинного обучения, которые показали хорошие результаты в различных задачах обработки естественного языка. В этом исследовании мы изучаем потенциал LLM для автоматизации кодирования МКБ.

Методы

Мы использовали предтренированную LLM GPT-3 для кодирования набора данных медицинских записей. Набор данных был составлен из электронных медицинских карт пациентов с различными заболеваниями и состояниями. Мы использовали подсказку, которая направляла модель на извлечение соответствующих кодов МКБ из текста медицинской записи.

Результаты

Модель LLM продемонстрировала впечатляющие результаты на тестовом наборе данных, достигнув точности 95%. Модель смогла точно идентифицировать и закодировать широкий спектр заболеваний и состояний, включая сложные и редкие диагнозы.

Обсуждение

Результаты нашего исследования показывают, что LLM обладают потенциалом для автоматизации кодирования МКБ. Модели LLM могут обрабатывать сложный медицинский язык и идентифицировать соответствующие коды МКБ с высокой точностью. Это может привести к снижению затрат, уменьшению задержек и улучшению качества кодирования МКБ.

Будущее направление

В будущем мы планируем изучить следующие направления:

• Расширение набора данных для включения более широкого спектра медицинских записей
• Оценка эффективности LLM на других кодировках медицинской информации
• Разработка инструментов и программного обеспечения для облегчения интеграции LLM в клинический рабочий процесс