验证13102国际疾病分类,第十次修订,临床修改代码,使用基于大型语言模型的系统

科学领域:

• 医疗信息学 医疗信息学
• 健康 数据科学 数据科学
• 临床编码系统 临床编码系统

背景情况:

• 准确的医疗编码对于医疗管理,计费和研究至关重要.
• 国际疾病分类,第十次修订,临床修改 (ICD-10-CM) 代码被广泛使用,但需要验证.
• 大型语言模型 (LLM) 为自动数据验证提供了一种新的方法.

研究的目的:

• 评估ICD-10-CM代码对各种诊断的准确性.
• 评估基于GPT-4o的大型语言模型 (LLM) 系统在验证ICD-10-CM代码中的性能.
• 以LLM为基础的验证与传统方法进行比较.

主要方法:

• 来自MIMIC-IV数据库的住院病人的回顾性分析.
• 开发和完善GPT-4o LLM系统用于ICD-10-CM代码验证.
• 对主要和次要诊断的正预测值 (PPV) 的计算,以及LLM性能指标 (准确性,灵敏性,特异性).

主要成果:

• 总体而言,ICD-10-CM代码PPV为84.6%,主要诊断为93.9%,次要诊断为83.8%.
• 在代码验证中,LLM系统实现了93.6%的准确度,95.4%的灵敏度和85.2%的特异性.
• 随着晚期诊断的位置,PPV下降,许多二次诊断代表了历史状况或入院后的变化.

结论:

• ICD-10-CM代码的整体准确性很高,根据诊断位置和病情类型有显著的变化.
• 经过验证的LLM系统的性能与医生审查相当,为提高编码准确性提供了可扩展的解决方案.
• 将基于LLM的审计整合到临床工作流程中,可以显著提高行政和研究数据的质量.