الذكاء الاصطناعي لاقتراح رموز ICD-10: كيف يعمل فعلياً في الممارسة العملية

يحتوي نظام ICD-10 على 72,000 رمز تشخيصي، مقارنة بنحو 14,000 رمز في ICD-9. صُمم هذا التوسع الهائل في التفصيل لتحسين جودة البيانات للبحث العلمي والصحة العامة وتتبع النتائج، لكنه خلق مشكلة عملية للمبرمجين والأطباء. فالعثور على الرمز الأكثر دقة في نظام يضم 72,000 خيار يستغرق وقتاً، والسلوك البشري الافتراضي هو العودة إلى الرموز المألوفة القريبة بما يكفي بدلاً من البحث عن التطابق الدقيق.

مشكلة البحث اليدوي

يتضمن الترميز التقليدي بنظام ICD-10 قراءة الملاحظة السريرية وتحديد التشخيصات والبحث عن الرموز المناسبة باستخدام إما الفهرس الجدولي أو أداة بحث إلكترونية عن الرموز أو الذاكرة. يستطيع المبرمجون ذوو الخبرة ترميز الحالات الشائعة من الذاكرة بسرعة، لكن متطلبات التفصيل في ICD-10 تعني أن حتى الحالات الشائعة لها عشرات التنويعات.

خذ مرض السكري من النوع الثاني كمثال. الفئة E11 وحدها تحتوي على أكثر من 80 رمزاً فرعياً حسب المضاعفات: مع مضاعفات كلوية، ومضاعفات عينية، ومضاعفات عصبية، ومضاعفات في الدورة الدموية، وتوليفات منها. المريض المصاب بالسكري من النوع الثاني الذي يعاني من اعتلال الأعصاب السكري ومرض الكلى المزمن السكري من المرحلة الثالثة يحتاج إلى E11.22 وE11.65 كحد أدنى، وربما رموز إضافية للمظاهر المحددة.

عندما يعالج المبرمجون من 40 إلى 60 ملفاً يومياً، فإن إغراء تعيين E11.9 (السكري من النوع الثاني بدون مضاعفات) بدلاً من ثلاثة أو أربعة رموز أكثر تحديداً أمر مفهوم. ستُدفع المطالبة على أي حال. لكن عدم دقة الترميز يؤثر على درجات تعديل المخاطر ومقاييس الجودة وسلامة بيانات الممارسة الطبية.

كيف يعمل اقتراح الرموز بالذكاء الاصطناعي

تستخدم أدوات اقتراح رموز ICD-10 المدعومة بالذكاء الاصطناعي معالجة اللغة الطبيعية لقراءة التوثيق السريري واستخراج المعلومات التشخيصية. لا يبحث الذكاء الاصطناعي فقط عن الكلمات المفتاحية التشخيصية، بل يفهم السياق السريري بما يكفي لاستنتاج التشخيصات من مجموعة الأعراض ونتائج الفحوصات وقرارات العلاج الموثقة في الملاحظة.

عندما تصف ملاحظة ارتفاع الكرياتينين إلى 2.4، ووجود بروتين في البول عند تحليل البول، وقائمة أدوية تتضمن ليسينوبريل معدّل الجرعة للكلى لدى مريض مصاب بالسكري من النوع الثاني الموثق، يتعرف الذكاء الاصطناعي على نمط مرض الكلى المزمن السكري ويقترح رموز ICD-10 المناسبة، بما في ذلك المرحلة بناءً على حساب معدل الترشيح الكبيبي الذي يستخلصه من قيمة الكرياتينين.

يظهر الاقتراح في واجهة الترميز مع درجة ثقة وروابط لعناصر التوثيق المحددة التي تدعمه. يمكن للمبرمج قبول الاقتراح بنقرة واحدة أو تعديله أو رفضه. كل تفاعل يُغذّي النموذج بالمعلومات، مما يحسّن الاقتراحات المستقبلية لأنماط توثيق تلك الممارسة.

تحسينات التفصيل والدقة

التأثير الأكثر قابلية للقياس لاقتراح الرموز بالذكاء الاصطناعي هو على تفصيل الرموز. تُظهر دراسات من 3M Health Information Systems أن الترميز بمساعدة الذكاء الاصطناعي يزيد متوسط مستوى تفصيل الرموز المعيّنة بنسبة 15% إلى 20%. وهذا يعني عدداً أقل من الرموز غير المحددة (تلك التي تنتهي بـ .9 والتي تشير إلى تفصيل غير مكتمل) ومزيداً من الرموز التي تلتقط الصورة السريرية الكاملة.

بالنسبة لنماذج الدفع المعدّلة حسب المخاطر مثل Medicare Advantage، يؤثر تحسين التفصيل هذا مباشرة على الإيرادات. تعتمد درجات مخاطر HCC (فئة الحالة الهرمية) على الإبلاغ عن رموز تشخيصية محددة. المريض الذي يحمل رمز E11.22 (السكري من النوع الثاني مع مرض الكلى المزمن السكري) يولّد درجة مخاطر أعلى وأكثر دقة من المريض المرمّز بـ E11.9 فقط (سكري غير محدد). يمكن أن يتراوح فرق الإيرادات بين 2,000 و5,000 دولار لكل مريض سنوياً في نماذج الدفع بالنصيب.

حتى في بيئات الدفع مقابل الخدمة، يهم التفصيل. بعض الجهات الدافعة تعدّل التعويض بناءً على شدة الحالة المنعكسة في رموز التشخيص. ومن منظور الامتثال، فإن الرموز المحددة المدعومة بالتوثيق أكثر أماناً بكثير من الرموز غير المحددة التي قد تثير أسئلة التدقيق حول كفاية التوثيق.

أنماط التكامل مع سير العمل

أنجح التطبيقات تدمج اقتراحات الرموز بالذكاء الاصطناعي مباشرة في سير عمل الترميز بدلاً من مطالبة المبرمجين بالتبديل بين الأنظمة. عندما يظهر اقتراح الذكاء الاصطناعي بجانب شاشة عمل المبرمج، فإن سير عمل المراجعة والقبول يضيف ثوانٍ لكل ملف وليس دقائق.

تستخدم بعض الممارسات الترميز بالذكاء الاصطناعي على مستوى الطبيب، بتضمين الاقتراحات في قسم التقييم والخطة في السجل الصحي الإلكتروني. عندما يوثق الطبيب تشخيصاً، يقترح النظام رمز ICD-10 الأكثر تحديداً بنقرة واحدة للقبول. يعمل هذا الترميز على مستوى الطبيب بشكل جيد للزيارات البسيطة لكنه أقل عملية للحالات المعقدة حيث يضيف المبرمجون المحترفون قيمة كبيرة. منصات عمليات الرعاية الصحية التي تدعم تكامل الذكاء الاصطناعي على مستوى الطبيب والمبرمج تمنح الممارسات مرونة لمطابقة الأداة مع تعقيد الزيارة.

بالنسبة للمنشآت التي لديها تراكم في الترميز، يمكن استخدام الذكاء الاصطناعي في وضع الترميز المسبق، حيث يعالج الملاحظات خلال الليل ويقدم ملفاً مرمّزاً للمراجعة البشرية في صباح اليوم التالي. يمكن لهذا النهج تقليل تراكم الترميز بشكل كبير لأن خطوة المراجعة البشرية أسرع من الترميز من الصفر.

التدريب والتكيّف

تعمل أنظمة اقتراح الرموز بالذكاء الاصطناعي بأفضل أداء عندما تكون مدرّبة على أسلوب التوثيق المحدد للممارسة وتركيزها التخصصي ومزيج الجهات الدافعة. تختلف طريقة توثيق ممارسة أمراض القلب عن ممارسة الرعاية الأولية، ويحتاج الذكاء الاصطناعي إلى فهم تلك الاختلافات لاقتراح الرموز المناسبة.

يقدم معظم المزودين فترة معايرة تتراوح بين أربعة وثمانية أسابيع حيث يعالج الذكاء الاصطناعي الملفات التاريخية ويقدم فريق الترميز ملاحظات حول دقة الاقتراحات. بعد المعايرة، يحقق النظام عادةً نسبة توافق تتراوح بين 85% و92% مع المبرمجين البشريين على رمز التشخيص الرئيسي ونسبة توافق تتراوح بين 75% و85% على مجموعة الرموز الكاملة لزيارة معينة.

الفجوة بين توافق الذكاء الاصطناعي والبشر ليست بالضرورة خطأ من الذكاء الاصطناعي. في كثير من الحالات، يقترح الذكاء الاصطناعي رموزاً أكثر تحديداً تكون من الناحية التقنية أكثر دقة مما عيّنه المبرمج البشري، خاصة للتشخيصات الثانوية التي قد يتخطاها المبرمجون تحت ضغط الوقت. تساعد عملية المعايرة فريق الترميز والذكاء الاصطناعي على التقارب نحو المستوى الصحيح من شمولية الترميز.

قيود تستحق المعرفة

اقتراح الرموز بالذكاء الاصطناعي ليس بديلاً عن خبرة الترميز. تعمل التقنية بشكل جيد للزيارات المباشرة لكنها لا تزال تواجه صعوبة في سيناريوهات معينة. الحالات الجراحية المعقدة ذات الإجراءات المتعددة، وتوليفات التشخيص غير المعتادة، والتوثيق الغامض أو المتناقض، كلها تشكل تحدياً لأنظمة الذكاء الاصطناعي.

ترتبط جودة اقتراحات الذكاء الاصطناعي مباشرة بجودة التوثيق. إذا كانت ملاحظة الطبيب غامضة أو غير مكتملة، فلا يستطيع الذكاء الاصطناعي استنتاج رموز لا يدعمها التوثيق. في الواقع، إحدى الفوائد الثانوية لأدوات الترميز بالذكاء الاصطناعي هي أنها تسلط الضوء على فجوات التوثيق من خلال إنتاج اقتراحات منخفضة الثقة أو الإشارة إلى ملاحظات لا يتطابق فيها التقييم مع النتائج الموثقة.

بالنسبة للممارسات التي تفكر في اقتراح الرموز بالذكاء الاصطناعي، فإن التوقع الأكثر واقعية هو أنه سيتعامل مع 70% إلى 80% من حجم الترميز بدقة عالية، مما يحرر المبرمجين ذوي الخبرة لتركيز خبرتهم على 20% إلى 30% من الحالات التي تتطلب حقاً حكماً بشرياً. هذا التقسيم في العمل هو حيث تتضاعف مكاسب الإنتاجية والدقة.