探索 LLM 多智能体用于 ICD 编码

为缓解大型语言模型（LLM）在国际疾病分类（ICD）编码任务中常因 ICD 编码的高维和偏斜分布导致生成不准确且不完整预测结果的问题，以及缺乏可解释性和可靠性的局限性，我们引入一种创新的多智能体方法，用于 ICD 编码，该方法模拟了真实世界环境中 ICD 编码分配的程序，包括五个 distinct 智能体：患者、医生、编码员、审阅员和调整员。每个智能体都利用针对其在编码过程中特定角色量身定制的基于 LLM 的模型。我们还将系统与电子健康记录（EHR）的 SOAP（主观、客观、评估和计划）结构相集成，以提升性能。我们将方法与仅由 LLM 设计的智能体系统以及其他强大的基线方法进行比较，并使用医疗信息为重症病房 III（MIMIC-III）数据集进行评估。我们的多智能体编码框架在编码常见和罕见 ICD 编码方面显著优于零样本链式思考（CoT）提示和自洽的 CoT（CoT-SC）。摘要研究验证了指定智能体角色的有效性。此外，我们的方法在罕见编码准确性和可解释性方面均优于需要大量预训练或微调的前沿 ICD 编码方法，并实现了与这些方法相当的性能。此外，我们通过展示其在不受常见或罕见 ICD 编码限制的情况下的表现，证明了该方法的实际应用性。用于 ICD 编码的提出多智能体方法有效地模拟了真实世界编码过程，并在常见和罕见编码方面提高了性能。