Большие языковые модели для планирования лечения по клиническим рекомендациям и автоматического медицинского кодирования: проблемы, решения, разработка и проверка алгоритмов

Исследование представляет и оценивает 2 подхода на основе LLM, внедрённых в Rhazes Clinician для решения этих задач: генерацию, дополненную поиском с генеративной поддержкой (GARAG), для автоматического планирования доказательного лечения и векторный поиск с генеративной поддержкой (GAVS) для автоматического медицинского кодирования.

Введение: Диагностические ошибки и административная нагрузка, включая медицинское кодирование, остаются серьёзными проблемами здравоохранения. Большие языковые модели (LLM) могут помочь их решить, но внедрение сдерживают сомнения в надёжности, прозрачности и клинической безопасности этих моделей.

Цель: В исследовании представлены и оценены 2 подхода на основе LLM, реализованные в Rhazes Clinician для решения этих проблем: генерация, дополненная поиском с генеративной поддержкой (GARAG), для автоматического составления планов лечения на основе научных данных и векторный поиск с генеративной поддержкой (GAVS) для автоматического медицинского кодирования.

Методы: GARAG оценивали на 21 тестовом клиническом случае, составленном авторами с медицинской квалификацией. Каждый случай независимо обрабатывали 3 раза. Результаты оценивали по 4 критериям: корректность ссылок, отсутствие повторов, соблюдение формата и клиническая обоснованность созданного плана ведения пациента. GAVS оценивали на 958 случайно выбранных госпитализациях из базы Medical Information Mart for Intensive Care (MIMIC)–IV. Эталоном служили коды Международной классификации болезней десятого пересмотра (ICD-10), использованные для выставления счетов. Сравнивали два подхода: прямой запрос к GPT-4.1 с заданием предсказать коды ICD-10 без ограничений и GAVS, где GPT-4.1 формировала диагностические понятия, а векторный поиск сопоставлял каждое из них с 10 наиболее подходящими кодами ICD-10.

Результаты: Из 63 ответов 62 (98,4 %) соответствовали всем критериям оценки. Единственным исключением было небольшое нарушение порядка элементов при одном из повторов случая 14. В оценке GAVS 958 госпитализаций содержали 8576 присвоенных кодов подкатегорий ICD-10 (1610 уникальных). Базовая LLM предложила 131 329 кодов, а GAVS предложил 136 920. На уровне подкатегорий средняя полнота выявления кодов составила 17,95 % у базовой LLM (15,86 % с учётом весов) и 20,63 % у GAVS (18,62 % с учётом весов). Улучшение было статистически значимым (P<0,001). На уровне категорий результаты практически совпали: средневзвешенная полнота 32,60 % и 32,58 % соответственно; P=0,99.

Выводы: GARAG продемонстрировал процесс, в котором планы ведения пациента опираются на рецензируемые клинические рекомендации по конкретному диагнозу, а поиск сохраняет клинически значимые детали. GAVS значительно повысил полноту диагностического кодирования на детальном уровне по сравнению с прямым использованием LLM. Оба подхода показывают, как методы на основе LLM могут улучшать поддержку клинических решений и медицинское кодирование. Впоследствии их интегрировали в Rhazes Clinician, веб-приложение для медицинских специалистов, которое координирует LLM-агентов, вызывающих специализированные инструменты, и объединяет их в одном интерфейсе для врача. Для подтверждения применимости результатов в других условиях и оценки влияния на исходы лечения необходимы дополнительная независимая проверка и масштабные исследования.

JMIR Biomed Eng 2025;10:e66691

doi:10.2196/66691