ICD-10 Clinical Modification
PulseAugur coverage of ICD-10 Clinical Modification — every cluster mentioning ICD-10 Clinical Modification across labs, papers, and developer communities, ranked by signal.
-
新的图约束策略学习改进了临床代码预测
研究人员开发了一种新颖的图约束策略学习方法，用于从医疗出院摘要中预测临床代码。该方法将代码预测视为一个序贯决策过程，在剪枝后的 ICD-10-CM 代码层级结构中进行导航，以确保输出的结构有效性。所提出的 SFT-1+ 模型在 MIMIC-IV 数据集上显著优于现有的扁平分类基线，尤其在处理稀有代码方面，并且表现出与更复杂的级联系统相当的性能。
-
AI poised to revolutionize medical chart review and billing after scribe adoption
人工智能正在迅速改变医疗领域，近三分之一的医生诊所已采用AI书记员。作者是一位AI研究员兼医生，他认为患者病历审查和医疗编码/计费是下一个需要AI集成的两个关键领域。AI工具可以通过呈现相关的历史数据来简化病历审查，并标记不准确之处，同时通过从数万个诊断代码中准确选择来优化复杂的编码和计费流程。
-
新的LLM方法提高了疾病分类映射的准确性
研究人员开发了一种新的疾病分类系统映射方法，解决了代码之间一对多关系带来的挑战。该方法借鉴了实体解析管道的思路，采用基于大型语言模型的阻塞和匹配策略来识别有效的映射。该方法旨在平衡精确率、召回率和覆盖率，在不同ICD版本对上均表现出性能提升。
-
新的EHR模型利用ICD编码层级结构改进预测
研究人员开发了新的电子健康记录（EHR）基础模型方法，以更好地利用ICD诊断编码的层级结构。当前模型将这些编码视为扁平的标记，忽略了它们固有的关系。这项工作探讨了使用分层标记增强BERT风格的Transformer模型，并将层级结构融入基于图的代码表示中。在MIMIC-IV和eICU数据集上的实验表明，显式编码ICD层级结构可以提高下游预测的准确性和跨数据集的可迁移性，其中最有效的层级结构水平因任务和模型而异。
-
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。
-
LLM智能体利用结构化知识提高医疗编码准确性
研究人员开发了RAG-Coding，一种新颖的方法，使用四个大型语言模型（LLM）智能体来提高ICD-10-CM自动医疗编码的准确性。该方法将LLM的决策建立在官方编码指南和表格列表等外部知识源之上，增强了临床合规性。在MDACE数据集上的评估中，RAG-Coding显示出比现有的基于LLM的基线有显著改进，取得了更高的微F1和宏F1分数。该研究还引入了一个更新的数据集MDACE-2025，其中包含了最新的2025 ICD-10-CM…