Video Experimental Relacionado
Updated: Feb 12, 2026

An R-Based Landscape Validation of a Competing Risk Model
Published on: September 16, 2022
Validación de 13 102 Códigos de Clasificación Internacional de Enfermedades, Décima Revisión, Modificación Clínica
Yichen Wang1,2, Yilin Song3, Rex Siu4
1Division of Gastroenterology and Hepatology, Department of Medicine, Mayo Clinic, Jacksonville, FL 32224, United States.
Los códigos de la Clasificación Internacional de Enfermedades, Décima Revisión, Modificación Clínica (ICD-10-CM) muestran una alta precisión, especialmente para los diagnósticos principales. Un sistema de modelo de lenguaje grande (LLM) valida efectivamente estos códigos, ofreciendo una solución escalable para mejorar la calidad de los datos.
Área de la Ciencia:
- La informática médica es la informática médica.
- Salud Ciencia de datos Ciencias de la salud.
- Sistemas de codificación clínica Sistemas de codificación clínica
Sus antecedentes:
- La codificación médica precisa es crucial para la administración de la atención médica, la facturación y la investigación.
- Los códigos de la Clasificación Internacional de Enfermedades, Décima Revisión, Modificación Clínica (CIE-10-CM) son ampliamente utilizados pero requieren validación.
- Los modelos de lenguaje grande (LLM) presentan un nuevo enfoque para la validación automatizada de datos.
Objetivo del estudio:
- Evaluar la exactitud de los códigos de la CIE-10-CM para diversos diagnósticos.
- Evaluar el rendimiento de un sistema de modelo de lenguaje grande (LLM) basado en GPT-4o en la validación de códigos ICD-10-CM.
- Para comparar la validación basada en LLM con los métodos tradicionales.
Principales métodos:
- Análisis retrospectivo de las admisiones hospitalarias de la base de datos MIMIC-IV.
- Desarrollo y perfeccionamiento de un sistema GPT-4o LLM para la validación de códigos ICD-10-CM.
- Cálculo de los valores predictivos positivos (PPV) para los diagnósticos principales y secundarios, y las métricas de rendimiento de LLM (precisión, sensibilidad, especificidad).
Principales resultados:
- En general, el PPV del código ICD-10-CM fue del 84,6%, con diagnósticos principales del 93,9% y diagnósticos secundarios del 83,8%.
- El sistema LLM logró una precisión del 93,6%, una sensibilidad del 95,4% y una especificidad del 85,2% en la validación del código.
- El PPV disminuyó con las posiciones de diagnóstico posteriores, y muchos diagnósticos secundarios representaron condiciones históricas o cambios posteriores a la admisión.
Conclusiones:
- Los códigos de la CIE-10-CM demuestran una alta precisión general, con variaciones notables basadas en la posición del diagnóstico y el tipo de condición.
- El sistema de LLM validado se desempeña de manera comparable a la revisión médica, ofreciendo una solución escalable para mejorar la precisión de la codificación.
- La integración de la auditoría basada en LLM en los flujos de trabajo clínicos puede mejorar significativamente la calidad de los datos administrativos y de investigación.
Más Videos Relacionados
06:22Machine Learning-Based Cough Tone Classification: Diagnostic Exploration of Chronic Obstructive Pulmonary Disease and Respiratory Tract Infections
Published on: September 19, 2025
06:16Involving Individuals with Developmental Language Disorder and Their Parents/Carers in Research Priority Setting
Published on: June 6, 2020
Videos de Conceptos Relacionados
lncRNA - Long Non-coding RNAs
Histone Modification
Acetylation
The enzyme histone acetyltransferase adds acetyl group to the histones. Another enzyme, histone...
Language
Corballis and Suddendorf (2007) and Tomasello and Rakoczy (2003) highlight the role of language in...
Chronic Kidney Disease II: Clinical Manifestations
Reliability and Validity
Internal Energy