LLM mit synthetischen Daten erreicht 70 % Genauigkeit bei medizinischem Coding

Die Genauigkeit und Zuverlässigkeit von medizinischem Coding ist entscheidend, um Klinikpersonal von administrativen Aufgaben zu entlasten und die Einnahmenströme zu optimieren. Trotz großer Fortschritte bleibt die automatische Zuordnung von ICD‑10‑CM‑ und CPT‑Codes aus klinischer Dokumentation eine Herausforderung, weil die Aufzeichnungen heterogen sind, die Kodierungsrichtlinien komplex und die Verteilung der Codes stark unausgewogen ist.

Große Sprachmodelle (LLMs) wurden als potenzielle Lösung vorgeschlagen, doch bisher erzielten sie bei Zero‑Shot‑Coding nur sehr geringe Ergebnisse. In dieser Studie wurde das Open‑Weight‑Modell Llama 3‑70B auf synthetisch generierten, datenschutzkonformen Trainingsdaten trainiert, die aus EHR‑basierten Vorlagen und Kodierungsrichtlinien abgeleitet wurden. Die synthetischen Datensätze spiegeln die Vielfalt und Komplexität echter klinischer Notizen wider, ohne sensible Patientendaten preiszugeben.

Nach dem Feintuning überstieg das Modell die Zero‑Shot‑Basis deutlich: Der F1‑Score für exakte Code‑Übereinstimmung stieg von 0,18 auf über 0,70 für sowohl ICD‑10‑CM als auch CPT. Besonders beeindruckend war die hohe Leistung bei komplexen Kategorien wie „Advanced Illness“ und „Frailty“, die oft mehrstufige klinische Überlegungen erfordern. Gleichzeitig blieb die Fähigkeit des Modells, medizinische Verständnisaufgaben zu lösen, unverändert stark.

Diese Ergebnisse zeigen, dass synthetische, regelbasierte Trainingsdaten ein effizientes Mittel darstellen, um generische LLMs für hochqualitative medizinische Kodierung zu schulen. Der Ansatz könnte die Automatisierung von Coding-Prozessen beschleunigen, die Fehlerquote senken und Ärzten mehr Zeit für die Patientenversorgung geben.