RAG-Coding: Sistema di Agenti LLM Migliora la Precisione della Codifica Medica
Un nuovo approccio chiamato RAG-Coding è stato sviluppato dai ricercatori per la codifica automatica ICD-10-CM, utilizzando quattro agenti di grandi modelli linguistici (LLM) che ancorano le scelte di codifica a risorse esterne, come l'elenco tabellare ufficiale e le linee guida. Questo metodo migliora la precisione della codifica e mantiene la conformità clinica recuperando e incrociando informazioni pertinenti. Nei test sul dataset MDACE, RAG-Coding ha superato il miglior baseline basato su LLM dell'8-13% in micro-F1 e del 2-8% in macro-F1 su vari framework LLM. Mentre RAG-Coding ha ottenuto un aumento dell'11% nel micro recall rispetto al miglior modello pre-addestrato PLM-ICD, quest'ultimo ha eccelso nella micro precisione del 6%, risultando in punteggi micro e macro-F1 simili. Inoltre, studi di ablazione rivelano miglioramenti incrementali, sottolineando il valore dell'integrazione di conoscenze esterne. I ricercatori hanno anche lanciato MDACE-2025, una versione migliorata del dataset originale con ri-annotazioni di esperti.
Fatti principali
- RAG-Coding utilizza quattro agenti LLM per la codifica ICD-10-CM.
- Gli agenti basano le decisioni su fonti di conoscenza esterne: elenco tabellare ufficiale e linee guida.
- Sul dataset MDACE, RAG-Coding supera il miglior baseline LLM dell'8-13% in micro-F1 e del 2-8% in macro-F1.
- Rispetto a PLM-ICD, RAG-Coding ha un micro recall più alto (+11%), PLM-ICD una micro precisione più alta (+6%).
- Studi di ablazione mostrano guadagni incrementali dall'incorporazione di conoscenze esterne.
- Il dataset MDACE-2025 è stato rilasciato con ri-annotazioni di esperti.
- Il metodo garantisce conformità clinica attraverso l'incrocio di informazioni.
- RAG-Coding è un metodo agentico per la codifica medica automatica.
Entità
—