Evaluating Hierarchical Clinical Document Classification Using Reasoning-Based LLMs

文章主要内容总结

该研究旨在评估具有推理能力的大型语言模型（LLMs）在层级化临床文档分类（特别是ICD-10编码）中的表现，以探索其辅助临床编码的潜力。

• 研究背景：ICD-10编码是医疗运营的核心任务，但人工编码耗时且易出错。LLMs有望自动化该过程，但其可靠性和推理能力尚未明确。
• 研究目标：对比推理型与非推理型LLMs在ICD-10层级分类中的表现，评估结构化推理对模型性能的影响。
• 研究方法：
  • 数据集：选取MIMIC-IV数据集中1500份出院小结，涵盖10个最频繁的ICD-10代码，平衡成本与规模。
  • 预处理：使用临床NLP工具cTAKES提取医疗相关概念（如疾病、症状），精简输入文本。
  • 模型与评估：测试11个LLM（5个推理型，6个非推理型），采用标准化提示模拟临床编码场景，通过F1分数在ICD-10的3、4、5级（从泛化到具体）评估“主要诊断”和“所有诊断”任务。
• 关键结果：
  • 所有模型的F1分数均未超过57%，推理型模型平均表现优于非推理型，其中Gemini 2.5 Pro性能最佳。
  • 编码越具体（层级越高，如5级），模型表现越差；部分代码（如I25，慢性缺血性心脏病）分类较准确，而Y92（外部原因发生地）、Z51（医疗护理）等代码的F1分数接近0。
• 结论