台湾诊断相关组(DRG)系统中临床科室特异性AI辅助编码的应用：一项回顾性验证研究

为解决ICD-10-CM编码准确性对DRG分组及医院财务的影响，高雄医学大学研究人员开发了基于分层注意力网络(HAN)的AI辅助编码模块。通过2632份出院记录验证，结果显示呼吸系统疾病(MDC4)和感染性疾病(MDC18)的κ值>0.8，心内科、肾内科等23个科室编码无显著差异。该研究为智能医疗编码系统优化提供了临床科室适配性依据。

　　

医疗编码的准确性直接关系到医院DRG分组和医保报销，但传统人工编码面临效率低、易出错等挑战。随着台湾2016年从ICD-9-CM升级至ICD-10-CM，编码复杂度激增——诊断代码从1.3万增至7.19万，操作代码达7.85万。更棘手的是，医师书写习惯差异导致30%的编码错误源于病历表述不清，而DRG支付制度改革又使编码错误可能造成医院重大财务损失。

高雄医学大学附属中和纪念医院的研究团队注意到这一痛点，他们开发了首个针对台湾医疗场景的AI辅助编码系统。这项发表在《JMIR Human Factors》的研究，通过分析136,841份出院摘要训练模型，最终在2632例验证病例中发现：AI模块在呼吸道疾病和感染性疾病的编码一致性接近完美（κ>0.8），且能显著缩短编码人员40%的工作时间。

研究团队采用三大关键技术：1）基于2019-2020年住院数据的临床自然语言处理，清除无意义符号如"#"；2）双向编码器表示转换器(BERT)与分层注意力网络(HAN)模型对比，最终选择F1值0.818的HAN架构；3）整合实验室与影像报告的交互界面设计，编码人员可实时修正AI建议。

【主要结果】

1. MDC热图分析显示：神经系统疾病(MDC1)、呼吸系统疾病(MDC4)和感染性疾病(MDC18)颜色最深，表明AI与人工编码一致性最高。
2. κ系数验证：呼吸系统(0.845)和感染性疾病(0.870)达"几乎完全一致"标准，神经系统(0.670)和消化系统(0.775)属"高度一致"。
3. 科室特异性检验：威尔科克森符号秩检验显示，心内科(P=0.39)、肾内科(P=0.91)等23个科室无显著差异，但神经外科(P<0.001)和心血管外科(P=0.002)存在编码权重偏差。

深入分析发现，12例心血管外科病例因医师将检查结果（如"胸CT示降主动脉壁内血肿"）直接写入出院诊断，导致AI无法识别主要诊断。而在神经内科，虽然神经系统疾病编码一致率达76.8%，但合并泌尿系统(κ=0.40)或呼吸系统(κ=-0.03)疾病时性能下降。

这项研究证实AI辅助编码可成为临床文档专家(CDI)的"智能助手"——既能将编码错误率从3.5%降至1.9%，又能释放人力专注于规则复杂的MDC14（妊娠分娩）等特殊病例。值得注意的是，模型在肿瘤(C开头代码)、代谢疾病(E代码)和循环系统疾病(I代码)等高频病种表现优异，这与其训练数据分布吻合。未来，团队计划将同样方法应用于ICD-10-PCS操作编码验证，并开发实时DRG费用预测功能，帮助医院在病案归档前完成医保合规性检查。

正如讨论部分强调的，AI辅助编码的价值不仅在于效率提升，更在于推动编码人员转型为临床文档改进专家。当AI处理了60%的常规编码工作后，专业人员可集中精力解决如"胸痛查因"等模糊诊断的精准编码，或指导医师完善病历书写——这种"人机协同"模式，或许正是医疗智能化进程中平衡效率与质量的最优解。