論文の概要: Taming the Real-world Complexities in CPT E/M Coding with Large Language Models

• arxiv url: http://arxiv.org/abs/2510.25007v1
• Date: Tue, 28 Oct 2025 22:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.808509
• Title: Taming the Real-world Complexities in CPT E/M Coding with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたCPT E/M符号化における実世界の複雑さのモデル化
• Authors: Islam Nassar, Yang Lin, Yuan Jin, Rongxin Zhu, Chang Wei Tan, Zenan Zhai, Nitika Mathur, Thanh Tien Vu, Xu Zhong, Long Duong, Yuan-Fang Li,
• Abstract要約: E/Mコーディングは、医師のドキュメントの負担を増大させる補助的なタスクである。 多くの現実世界の複雑さが、E/Mエンコーディングの自動化を困難な課題にしている。 本稿では,それに対応するLLMベースのフレームワークであるProFeesを紹介し,続いて体系的な評価を行う。 専門家によって算出された実世界のデータセットでは、商用のCPT E/Mコーディングシステムにおいて、ProFeesはコーディング精度を36%以上向上させる。
• 参考スコア（独自算出の注目度）: 23.72328169134319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluation and Management (E/M) coding, under the Current Procedural Terminology (CPT) taxonomy, documents medical services provided to patients by physicians. Used primarily for billing purposes, it is in physicians' best interest to provide accurate CPT E/M codes. %While important, it is an auxiliary task that adds to physicians' documentation burden. Automating this coding task will help alleviate physicians' documentation burden, improve billing efficiency, and ultimately enable better patient care. However, a number of real-world complexities have made E/M encoding automation a challenging task. In this paper, we elaborate some of the key complexities and present ProFees, our LLM-based framework that tackles them, followed by a systematic evaluation. On an expert-curated real-world dataset, ProFees achieves an increase in coding accuracy of more than 36\% over a commercial CPT E/M coding system and almost 5\% over our strongest single-prompt baseline, demonstrating its effectiveness in addressing the real-world complexities.
• Abstract（参考訳）: 評価と管理 (E/M) コーディングは、CPT(Current Procedural Terminology)分類の下で、医師が患者に提供する医療サービスを文書化している。 主に請求目的で使用されるが、正確なCPT E/Mコードを提供することは医師の最も関心事である。 % 重要なことではあるが, 医師のドキュメント負担を増大させる補助的な作業である。 このコーディングタスクの自動化は、医師のドキュメンテーション負担を軽減し、請求効率を向上し、最終的には患者のケアを改善するのに役立つ。 しかし、多くの現実世界の複雑さにより、E/Mエンコーディングの自動化は難しい課題となっている。 本稿では,LLMをベースとしたフレームワークであるProFeesを整理し,その後に体系的な評価を行った。 専門家によって算出された実世界のデータセット上で、ProFeesは商用のCPT E/Mコーディングシステムで36\%以上、最強の単一プロンプトベースラインで約5\%のコーディング精度を達成し、現実の複雑さに対処するその効果を実証している。

関連論文リスト

• Structured Information Matters: Explainable ICD Coding with Patient-Level Knowledge Graphs [20.885050690051706]
  臨床文書を標準化された臨床語彙にマッピングすることは重要な課題であり、情報検索と分析のための構造化データを提供する。 手動のコーディングは難しく、時間を要するため、大規模では実用的ではありません。 入力文書の構造化表現を計算し、患者の状態の包括的構造化ビューを提供する文書レベルの知識グラフ(KG)を利用する。 実験の結果,一般的なベンチマークでは最大3.20%向上し,トレーニング効率が向上した。
  論文  参考訳（メタデータ） (2025-09-04T12:01:38Z)
• The Anatomy of Evidence: An Investigation Into Explainable ICD Coding [0.0]
  我々はMDACEデータセットの詳細な分析を行い、現在の説明可能な医用符号化システムの妥当性評価を行う。 以上の結果から, 根拠的真理証拠はコード記述とある程度一致していることが判明した。 最先端のアプローチに関する調査は、基礎的な真理の証拠と高い重なり合いを示している。
  論文  参考訳（メタデータ） (2025-07-02T15:21:29Z)
• LLMEval-Med: A Real-world Clinical Benchmark for Medical LLMs with Physician Validation [58.25892575437433]
  医学における大規模言語モデル (LLMs) の評価は, 医療応用には精度が高く, 誤差の少ないため重要である。 LLMEval-Medは、5つの中核医療領域をカバーする新しいベンチマークであり、現実の電子健康記録から得られた2,996の質問と専門家が設計した臨床シナリオを含む。
  論文  参考訳（メタデータ） (2025-06-04T15:43:14Z)
• Automated Clinical Coding for Outpatient Departments [14.923343535929515]
  本報告は,病院における外来医療における最先端の深層学習に基づく臨床コーディング手法の有効性を検討するための最初の試みである。 私たちは、500万人以上の患者を記録した700万以上のノートからなる、大規模な外来患者データセットを収集します。 我々はこの設定に4つの最先端の臨床的コーディングアプローチを適用し、コーダを補助する可能性を評価する。
  論文  参考訳（メタデータ） (2023-12-21T02:28:29Z)
• ChiMed-GPT: A Chinese Medical Large Language Model with Full Training Regime and Better Alignment to Human Preferences [51.66185471742271]
  我々は中国医学領域向けに明示的に設計されたベンチマークLSMであるChiMed-GPTを提案する。 ChiMed-GPTは、事前訓練、SFT、RLHFを含む総合的な訓練体制を実施。 我々は,ChiMed-GPTを患者識別に関する態度尺度の実行を促すことによって,潜在的なバイアスを分析した。
  論文  参考訳（メタデータ） (2023-11-10T12:25:32Z)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)
• Read, Attend, and Code: Pushing the Limits of Medical Codes Prediction from Clinical Notes by Machines [0.42641920138420947]
  医用コード代入マッピングを学習するための、読み取り、 attend、および Code (RAC) モデルを提示する。 RACは、現在最高のマクロF1を18.7%上回るSOTA(the New State of the Art)を確立している。 この新たなマイルストーンは、マシンにおける完全自律型医療コーディング(AMC)への重要な一歩となる。
  論文  参考訳（メタデータ） (2021-07-10T06:01:58Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。