大型語言模型(LLM)應用於疾病分類編碼
簡介
國際疾病分類第十版(International Classification of Diseases, 10th Revision，ICD-10)診斷代碼約69,000個、處置代碼約72,000個，需仰賴疾病分類專業人員詳細閱讀病歷資料進行分類。本院以大型語言模型技術，分析病歷紀錄內容，例如出院診斷、手術紀錄…等，並導入疾病分類專家知識進行訓練，演算病人住院之ICD-10診斷與處置代碼，輔助編碼作業，特色如下：
- 跨領域專業團隊合作開發。
- 本院擁有先進的深度學習技術，以及大量的訓練資料，加上優秀的疾分人員，創新導入專家知識於模型訓練。
- 採用指令微調技術，強化模型理解ICD任務要求，從而提高生成預測的準確性，效能大幅突破。
- 建立系統化專家知識回饋流程，週期性模型更新。
- 依使用者習慣設計介面，流程整合及優化。
實作成果
（一）提升疾病分類編碼與效率
1.本專案運用大型語言模型技術，導入疾病分類專家知識，提供ICD-10診斷與處置碼之建議，輔助疾分編碼作業。專案團隊持續監控AI模型效能，上線後持續回饋及修正程式，提高模型表現，全碼預測F-score達86.67%。目前已在臺大醫院全體系分院落地實際應用，範圍包含地區醫院、區域醫院及醫學中心層級。
2.創新開發AI主診斷預測模型，準確率達82.29%，主診斷為疾分人員研判引起病人此次住院醫療主要原因，針對不同主診斷，給予最佳DRG（診斷關聯群）落點分析與應用，協助醫療機構獲得合理健保給付。
3.本院為國家級教學醫院，模型訓練開發資料量大，能涵蓋多種疾病分類編碼(包含罕見疾病)。
（二）強化人工與AI協作機制
1.因本院自行開發，AI模型訓練資料與疾病分類資訊動態更新。疾分編碼規則常因新醫療技術、或新興疾病等因素而有所異動。透過自行研發系統，疾分人員可將更新的疾病分類規則或異動的代碼，修正後送給AI重新訓練，提升代碼預測準確度。
2.疾病分類人員與AI模型編碼結果進行逐本交互審查，加上原10%人工交互審查比對，編碼一致性高達97.3%，提升編碼品質。
3.AI預測代碼提示了是否有遺漏或更精準的代碼選項，使用者滿意度高達95%。
4.AI是輔助工具，無法取代疾分人員，但可縮短編碼時間，節省14%人力工時。
（三）未來發展
1.持續優化AI輔助編碼模型，減輕編碼人員工作負荷，以專注於高複雜性案件或其他長期規劃。
2.本技術已取得專利保護，並朝商業應用模式發展。
圖、疾病分類編碼模型及多元化應用