ICD-10
PulseAugur coverage of ICD-10 — every cluster mentioning ICD-10 across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
TEDDY基础模型高精度预测儿童疾病风险
研究人员开发了TEDDY，这是一种新颖的基础模型，旨在利用历史诊断数据预测儿童各种疾病的风险。TEDDY在超过一百万名儿童的数百万份ICD-10诊断数据上进行训练，在预测疾病发病率方面，其表现优于传统的机器学习模型，甚至优于大型通用语言模型。该模型对常见和罕见疾病都显示出显著的预测能力，其准确性在不同人群中保持一致，并且在诊断正式记录前两年以上进行预测时仍然有效。
-
Qwen3嵌入模型可实现健康系统语义搜索
研究人员开发了一个语义搜索系统，能够索引和查询一家大型儿童医院的1.66亿条临床记录，证明了大规模临床数据检索的可行性。该系统使用Qwen3-Embedding-0.6B嵌入模型，并在符合HIPAA的框架内运行，实现了亚秒级的查询延迟和较低的运营成本。评估显示，与传统方法相比，图表抽象效率和患者队列生成有了显著提高，表明其在临床应用和下游LLM驱动的工具方面具有广泛的适用性。
-
人工智能重塑医疗保健工作，带来风险并创造新角色
人工智能正在迅速改变医疗保健行业，人工智能工具现在协助进行临床决策支持、文档记录和行政任务等领域。虽然一些职位，特别是那些涉及模式识别和数据处理的职位，如人工抄写员和医疗编码员，面临更高的裁员风险，但人工智能也有望重塑许多现有职位并创造新职位。美国食品药品监督管理局已批准了 1,500 多种支持人工智能的医疗设备，并且绝大多数医生现在都在其执业中使用人工智能工具。
-
AI框架整合患者数据与FDA报告以保障药物安全
研究人员开发了一种新颖的多代理AI框架，该框架将来自Reddit和WebMD等平台的患者生成数据与FDA的抗抑郁药不良事件官方报告相结合。该系统使用知识图谱来维护出处，区分经过验证的监管事实和轶事性的患者经历。该框架在识别药物和疾病方面取得了高准确率，表明患者生成的数据可以作为独立的安全性信号，有时比官方报告出现得更早。
-
临床AI流程将转录错误传播到SOAP笔记中
临床AI流程在转录音频和生成SOAP笔记时容易发生错误传播，即早期阶段的错误会在下游被放大。如果语音转文本模型听错药物名称，后续的LLM由于只接收文本，会将错误的术语视为事实，并据此生成文档。这会导致不准确的用药清单、错误的临床推理和有缺陷的计费代码，所有这些都以流畅、语法正确的文本呈现，掩盖了潜在的错误。
-
新的MedSynth数据集助力医疗文档AI
研究人员推出MedSynth，这是一个新颖的合成医疗对话和笔记数据集，旨在改进用于医疗文档的AI模型。该数据集包含超过10,000个对话-笔记对，涵盖2000多个ICD-10代码，旨在解决该领域开放访问、符合隐私的训练数据稀缺的问题。MedSynth已在执行对话到笔记和笔记到对话任务的模型中显示出显著的改进，旨在通过自动化文档来减轻医生倦怠。
-
大语言模型精神诊断基准测试揭示复杂病例的准确性差距
一个名为LingxiDiagBench的新基准测试已被开发出来，用于评估大语言模型（LLMs）在中文精神科咨询和诊断方面的能力。该基准测试包含一个包含16,000个合成对话的数据集LingxiDiag-16K，旨在模拟12个ICD-10类别下的真实临床分布。实验表明，虽然大语言模型在区分抑郁症和焦虑症等二元分类任务上表现良好，但在共病识别和12路鉴别诊断等更复杂的任务上，其准确性会显著下降。研究还发现，动态多轮咨询的效果可能不如静态评…
-
LLM 生成的数据提升了非英语临床编码搜索
研究人员探讨了通用型与特定嵌入式模型在非英语临床编码语义搜索中的有效性。他们发现，使用 LLM 生成的合成数据对西班牙语生物医学编码器进行微调，显著提高了西班牙语、加泰罗尼亚语、法语和葡萄牙语等语言的性能。这种方法结合了双编码器和交叉编码器重排序器，在某些指标上甚至超越了现有的基于英语的模型，而无需进行英语生物医学预训练。
-
多版本训练提高罕见ICD编码预测准确性
研究人员开发了一种多版本训练方法，以提高自动化临床编码的准确性，特别是对于罕见的医疗编码。通过整合不同版本的国际疾病分类（ICD）数据，如ICD-9和ICD-10，该模型表现出显著的性能提升。该方法解决了编码系统不断演变以及罕见编码预测中的长尾问题，从而以更少的模型参数实现了整体指标的改善。
-
新的MCP服务器集成了7种医学术语，用于LLM
一个名为medical-terminologies-mcp的新模型上下文协议（MCP）服务器已发布，它提供了对七个主要医学术语系统的统一访问。该工具旨在帮助大型语言模型（LLM）准确检索特定的医疗代码和信息，克服它们在记忆此类数据方面的固有局限性。该服务器支持各种LLM客户端，并为常见的临床和研究任务提供了几个预定义的提示，旨在提高医疗保健和研究领域的效率。
-
LLM 生成隐私安全的合成临床报告以进行数据增强
研究人员开发了一个新的评估框架，用于评估大型语言模型（LLM）生成的合成临床数据的质量。该框架衡量语义保真度、词汇多样性和隐私，以确保生成的报告在临床上连贯、多样化，并且不会危及患者的机密性。使用 DeepSeek-R1、OpenBioLLM-Llama3 和 Qwen 3.5 等模型的实验证明了它们能够生成安全且有用的合成心理健康评估报告，从而扩展了临床 NLP 任务的训练数据。