驾驭 CPT 医疗服务编码中的现实复杂性：基于大语言模型的框架
人工智能
2025-10-30 v1 机器学习
摘要
评估与管理（E/M）编码在当前程序术语（CPT）分类体系下，记录了医生为患者提供的医疗服务。主要用于索赔 purposes，医生提供准确的 CPT E/M 编码是其最佳利益所在。虽然这一任务重要，但它属于辅助性任务，增加了医生的文档负担。自动化此编码任务有助于减轻医生的文档负担，提高账单效率，并最终促进更好的患者护理。然而，诸多现实复杂性使 E/M 编码自动化变得充满挑战。本文阐述了其中的关键复杂性，并提出了面向解决这些问题的基于大语言模型的框架 ProFees，随后进行了系统评估。在一组由专家精选的真实世界数据集上，ProFees 相较于商业 CPT E/M 编码系统实现了超过 36% 的编码准确率提升，相较于我们最强的单提示基线实现了近 5% 的提升，展示了其在应对现实复杂性方面的有效性。
引用
@article{arxiv.2510.25007,
title = {Taming the Real-world Complexities in CPT E/M Coding with Large Language Models},
author = {Islam Nassar and Yang Lin and Yuan Jin and Rongxin Zhu and Chang Wei Tan and Zenan Zhai and Nitika Mathur and Thanh Tien Vu and Xu Zhong and Long Duong and Yuan-Fang Li},
journal= {arXiv preprint arXiv:2510.25007},
year = {2025}
}
备注
EMNLP 2025 Industry Track