大语言模型在基于指南的诊疗规划与医学自动编码中的应用：挑战、解决方案及算法开发与验证

本研究介绍并评估了两种基于大语言模型的框架，均已部署于 Rhazes Clinician 平台，旨在应对上述挑战：生成辅助检索增强生成（GARAG）用于自动制定循证治疗方案，生成辅助向量搜索（GAVS）用于医学自动编码。

背景： 诊断错误和包括医学编码在内的行政负担，仍是医疗领域面临的重大挑战。大语言模型（LLMs）有望缓解这些问题，但人们对其可靠性、透明度及临床安全性的担忧，限制了其应用。

目的： 本研究提出并评估了两种基于大语言模型的框架，均已在 Rhazes Clinician 平台实现，旨在应对上述挑战：生成辅助检索增强生成（GARAG），用于自动制定循证治疗方案；生成辅助向量搜索（GAVS），用于医学自动编码。

方法： 我们使用具有医学资质的作者编写的 21 个临床测试病例评估 GARAG。每个病例独立运行 3 次，并按四项标准评估输出：参考文献是否正确、有无重复、是否符合格式要求，以及生成的诊疗方案是否适合临床情况。GAVS 的评估使用从 Medical Information Mart for Intensive Care（MIMIC）–IV 数据库中随机选取的 958 次住院记录，以用于计费的《国际疾病分类》第十次修订版（ICD-10）编码作为标准答案。我们比较了两种方法：基线方法直接提示 GPT-4.1 预测 ICD-10 编码，不施加约束；GAVS 则先由 GPT-4.1 生成诊断实体，再通过向量搜索，为每个实体匹配最相关的 10 个 ICD-10 编码。

结果： 63 次输出中，62 次（98.4%）满足所有评估标准，唯一例外是病例 14 的一次重复运行中出现了轻微的排序不一致。在 GAVS 评估中，958 次住院记录共有 8576 个已分配的 ICD-10 亚类编码，其中 1610 个互不相同。直接使用大语言模型生成了 131,329 个候选编码，GAVS 则生成了 136,920 个。在亚类层面，直接使用大语言模型的平均召回率为 17.95%（加权后为 15.86%），GAVS 为 20.63%（加权后为 18.62%），提升具有统计学意义（P<.001）。在类别层面，两者表现接近：平均加权召回率分别为 32.60% 和 32.58%（P=.99）。

结论： GARAG 展示了一种工作流：利用针对具体诊断、经过同行评审的指南证据制定诊疗方案，并在检索时保留细致的临床信息。与直接使用大语言模型的基线方法相比，GAVS 显著提高了细粒度诊断编码的召回率。这两种框架展示了大语言模型方法如何改进临床决策支持和医学编码。随后，两者均集成到 Rhazes Clinician 中。这款面向临床人员的网页应用协调大语言模型智能体调用专用工具，让医生在同一界面中完成工作。仍需进一步开展独立验证和大规模研究，以确认结果的普适性，并评估其对患者结局的影响。

JMIR Biomed Eng 2025;10:e66691

doi:10.2196/66691