高知特2025医疗管理转型基于行业语言模型的医疗编码提取技术研究报告英文版20页_2mb

报告摘要

医疗保健管理转型：行业特定语言模型在医疗编码提取中的应用

Cognizant 和 NVIDIA 合作，利用行业特定语言模型（LLM）来革新医疗保健行政管理。该方案专注于医疗编码提取，解决了传统方法中的低效率和高错误率问题。根据数据，到 2027 年，企业使用的生成式 AI 模型中，超过 50% 将是领域特定模型，而目前仅为 1%。到 2025 年，三分之二的企业将结合生成式 AI 和检索增强生成（RAG）技术，提升领域特定知识发现，决策效率提高 50%。

医疗编码领域的挑战包括：约 42% 的拒赔源于编码问题，导致医院每年损失 600 亿美元以上。约 11% 的索赔被拒，部分提供者拒赔率高达 30%。医疗编码员面临复杂的动态标准、生产力压力、认证编码员短缺以及持续更新标准和技术的难题。通用模型易出错、高幻觉率、数据安全问题以及训练和维护成本高。

通过行业特定 LLM，可以实现更高准确性和领域专业知识理解。模型在细粒度编码（如 ICD-10 子代码）提取中表现更优，减少错误和拒绝风险。Cognizant 利用 NVIDIA NeMo 工具链进行数据准备、微调和推理优化，采用低代码、高效方法，提升性能和准确性。

具体成果包括：医疗编码精确率从基础模型的 64% 提升到微调模型的 78%，周期时间减少 40-50%，节省 20-60% 的努力。方法包括：双通道提取（初步识别和上下文优化）、实体提取与验证、利用行业知识微调。NVIDIA 技术栈（如 TensorRT-LLM 和 NeMo）支持高效率和低能耗。

未来计划：扩展模型以覆盖整个医疗价值链，包括索赔处理、预先授权、患者计划购物等，预计生产力提升 25-60%。与 TriZetto 等合作伙伴深化 AI 系统，实现无缝集成和模块化架构。这将促进个性化护理计划、审计合规和数据驱动决策。

通过行业特定 LLM，医疗保健管理迎来新机遇，提升效率、准确性和合规性。