国际疾病分类（ICD）编码是医疗信息处理中的关键环节，其准确性直接影响到医疗服务的各个方面，包括账单处理、流行病学研究和医疗质量的提升。然而，由于ICD编码任务涉及对大量复杂且多变的临床文本进行分析，并从庞大的代码库中选择合适的代码，因此该任务极具挑战性。传统的手工编码方式耗时费力，且易出错，而自动化编码方法则成为解决这一问题的有效途径。本文探讨了利用大语言模型（LLMs）和多智能体系统提升ICD编码性能的方法。
研究背景与动机
大语言模型在自然语言处理领域展现出了强大的能力，尤其在零样本或少样本信息提取任务中表现突出。然而，在ICD编码任务中，大语言模型常因缺乏领域特定知识和对高维、偏态分布的ICD代码空间处理不当，而产生不准确和不完整的预测结果。此外，大语言模型生成的代码往往缺乏可解释性和可靠性，难以满足实际应用的需求。为解决这些问题，研究者提出了一种基于多智能体的ICD编码方法，旨在通过模拟现实世界中的编码流程，提高编码的准确性和可靠性。
多智能体系统设计
●智能体角色与职责
本文提出的多智能体系统由五个智能体组成，分别是患者智能体、医师智能体、编码员智能体、审核员智能体和调整员智能体。
每个智能体都承担特定的角色和职责，具体如下：
1、患者智能体：接收医疗服务并检查编码结果，防止被过度收费。
2、医师智能体：提供医疗服务并记录观察结果、干预措施和结果，同时参与编码和审核过程。
3、编码员智能体：根据医师记录的临床笔记生成ICD代码。
4、审核员智能体：验证和修改编码员生成的代码，确保准确性和质量。
5、调整员智能体：在患者或医师对审核结果有异议时，进行最终裁决。
●智能体协作机制
多智能体系统通过动态交互、策略协作和竞争机制来增强编码过程的鲁棒性和可解释性。系统设计了两种工作流程模式（MAC-I和MAC-II），通过SOAP（主观、客观、评估和计划）结构来组织电子病历（EHR）信息，提升编码性能。在MAC-II中，医师智能体不仅记录临床笔记，还生成评估和计划部分，并与原始标准进行比较，实现自我纠正，从而生成更准确的ICD代码。
实验与结果
●实验设置
实验采用MIMIC-III数据集，该数据集包含ICU出院总结及专家标注的ICD代码。实验设置了两组测试集：MIMIC-III top 50（包含最常见的50个ICD代码）和MIMIC-III rare（包含罕见代码）。同时，为了评估模型的解释性，还使用了MDACE Profee数据集。实验中，将提出的多智能体方法与多种基线方法进行了比较，包括基于卷积神经网络的模型、多头注意力模型、LLM-codex方法以及零样本思维链（CoT）和自洽性思维链方法。
●实验结果
实验结果表明，提出的多智能体方法在常见和罕见ICD代码的编码任务中均显著优于基线方法。在MIMIC-III top 50测试集中，MAC-II方法在Macro-F1指标上达到了0.748，显著优于其他方法。在罕见代码测试集中，MAC-II方法同样表现出色，Micro-F1得分达到0.376，证明了该方法在处理数据稀缺问题上的优势。此外，在MDACE Profee数据集上的实验结果显示，提出的方法在解释性方面也优于细调模型，具有更高的精确率。
讨论与分析
●优势与贡献
本文提出的多智能体方法通过模拟现实世界中的编码流程，有效提升了ICD编码的准确性和可靠性。该方法不仅不需要任何预训练或微调，还能在罕见代码编码任务中表现出色，显著优于现有方法。此外，该方法提供了详细的编码解释，增强了模型的可解释性和透明性。
●局限性与未来工作
尽管提出的方法在ICD编码任务中表现突出，但仍存在一些局限性。例如，ICD编码任务本身对精确性要求极高，即使微小的错误也可能导致严重后果。因此，该方法仍需进一步优化和严格测试，以满足实际应用的需求。未来工作将聚焦于提升方法的准确性和可靠性，并收集更多来自医疗专业人员的反馈，以进一步完善系统。
结论
本文提出了一种创新的多智能体方法，通过模拟现实世界中的ICD编码流程，有效提升了编码的准确性和可靠性。该方法不仅解决了大语言模型在ICD编码任务中的局限性，还为其他临床自然语言处理任务提供了有益的借鉴。未来，随着技术的不断进步和应用场景的拓展，多智能体系统在医疗信息处理领域将发挥更加重要的作用。
如需要《探索用于ICD编码的大语言模型多智能体系统》（英文，18页），请在本微信公众号中赞赏（点喜欢或稀罕作者后按本公众号设定打赏）后，发来email地址索取。
With a healthy body, the world is yours; with a positive mindset, happiness is yours. 身体好，世界才是你的；心态好，快乐才是你的。早上好！
