弥合编码差距:评估大型语言模型,以便在面操作笔记中准确地分配修饰符

科学领域:

• 医疗信息学医学信息学
• 医疗保健中的人工智能
• 手术编码是指手术编码.

背景情况:

• 准确的医疗编码,特别是CPT代码和修改器,对于医疗保健管理和面外科手术的报销至关重要.
• 正确应用 CPT 修改器对于编码专业人士来说是具有挑战性的,耗时的,容易出现错误的.
• 自然语言处理 (NLP) 和大型语言模型 (LLM) 为自动化医疗编码任务提供了潜在的解决方案.

研究的目的:

• 评估LLM (ChatGPT和谷歌双子) 在从面操作笔记中识别必要的CPT修饰物的能力.
• 将LLM性能与专家编码的结果进行比较,以确定修饰符的准确性.

主要方法:

• 收集了10个含有常见CPT修饰剂的面操作笔记,包括修饰剂22 (增加程序复杂性).
• 对LLM生成的CPT代码和修改器与专家编码的基准进行了准确性评估.
• 专注于对面外科手术程序至关重要的修饰剂.

主要成果:

• 在任何评估的案例中,ChatGPT和Gemini都没有准确地识别出CPT代码和修改器.
• 与Gemini相比,ChatGPT显示部分正确的CPT和修改器代码的频率更高.
• 两种模型都产生了不准确的代码,其中一些建议缺少了诸如移植包容或脱bridement深度等程序细节.

结论:

• LLM显示出作为辅助工具的潜力,以帮助用于面外科手术的CPT修饰器识别.
• 这些人工智能工具有可能减少行政负担,提高复杂外科手术程序的效率和报销.
• 未来的研究应该专注于改进LLM的准确性,并评估它们在不同外科子专业的适用性.