IA pour la suggestion de codes CIM-10 : comment cela fonctionne réellement en pratique

La CIM-10 compte 72 000 codes de diagnostic, contre environ 14 000 dans la CIM-9. Cette explosion de spécificité a été conçue pour améliorer la qualité des données pour la recherche, la santé publique et le suivi des résultats, mais elle a créé un problème pratique pour les codeurs et les médecins. Trouver le code le plus précis dans un système comportant 72 000 options prend du temps, et le comportement humain par défaut consiste à se rabattre sur des codes familiers suffisamment proches plutôt que de chercher la correspondance exacte.

Le problème de la recherche manuelle

Le codage CIM-10 traditionnel consiste à lire une note clinique, identifier les diagnostics et rechercher les codes appropriés en utilisant soit l'index tabulaire, soit un outil de recherche électronique de codes, soit la mémoire. Les codeurs expérimentés peuvent coder de mémoire les pathologies courantes rapidement, mais les exigences de spécificité de la CIM-10 signifient que même les pathologies courantes comportent des dizaines de variantes.

Prenons le diabète de type 2. La catégorie E11 à elle seule compte plus de 80 sous-codes selon les complications : avec complications rénales, avec complications ophtalmiques, avec complications neurologiques, avec complications circulatoires, et des combinaisons de celles-ci. Un patient atteint de diabète de type 2 présentant à la fois une neuropathie diabétique et une maladie rénale chronique diabétique de stade 3 nécessite au minimum les codes E11.22 et E11.65, et possiblement des codes supplémentaires pour les manifestations spécifiques.

Lorsque les codeurs traitent 40 à 60 dossiers par jour, la tentation d'attribuer E11.9 (diabète de type 2 sans complications) au lieu des trois ou quatre codes plus spécifiques est compréhensible. La demande de remboursement sera tout de même payée. Mais l'inexactitude du codage affecte les scores d'ajustement au risque, les indicateurs de qualité et l'intégrité des données du cabinet.

Comment fonctionne la suggestion de codes par IA

Les outils de suggestion CIM-10 pilotés par l'IA utilisent le traitement du langage naturel pour lire la documentation clinique et extraire les informations diagnostiques. L'IA ne se contente pas de chercher des mots-clés de diagnostic. Elle comprend suffisamment le contexte clinique pour déduire des diagnostics à partir de la combinaison de symptômes, de résultats d'examens et de décisions thérapeutiques documentés dans la note.

Lorsqu'une note décrit une créatinine élevée à 2,4, une protéinurie à l'analyse d'urine et une liste de médicaments incluant du lisinopril ajusté pour le dosage rénal chez un patient atteint de diabète de type 2 documenté, l'IA reconnaît le schéma de la maladie rénale chronique diabétique et suggère les codes CIM-10 appropriés, y compris le stade basé sur le calcul du DFG qu'elle dérive de la valeur de créatinine.

La suggestion apparaît dans l'interface de codage avec un score de confiance et des liens vers les éléments de documentation spécifiques qui la soutiennent. Le codeur peut accepter la suggestion en un clic, la modifier ou la rejeter. Chaque interaction alimente le modèle en retour, améliorant les suggestions futures pour les schémas de documentation de ce cabinet.

Améliorations de la spécificité

L'impact le plus mesurable de la suggestion de codes par IA concerne la spécificité des codes. Des études de 3M Health Information Systems montrent que le codage assisté par IA augmente le niveau moyen de spécificité des codes attribués de 15 % à 20 %. Cela signifie moins de codes non spécifiés (ceux se terminant par .9 qui indiquent une spécificité incomplète) et davantage de codes qui capturent le tableau clinique complet.

Pour les modèles de paiement ajustés au risque comme Medicare Advantage, cette amélioration de la spécificité affecte directement les revenus. Les scores de risque HCC (Hierarchical Condition Category) dépendent du signalement de codes de diagnostic spécifiques. Un patient avec E11.22 (diabète de type 2 avec maladie rénale chronique diabétique) génère un score de risque plus élevé et plus précis qu'un patient codé uniquement avec E11.9 (diabète non spécifié). La différence de revenus peut atteindre 2 000 à 5 000 dollars par patient et par an dans les modèles de paiement par capitation.

Même dans les environnements de paiement à l'acte, la spécificité compte. Certains payeurs ajustent le remboursement en fonction de la sévérité reflétée dans les codes de diagnostic. Et du point de vue de la conformité, des codes spécifiques étayés par la documentation sont bien plus sûrs que des codes non spécifiés qui pourraient déclencher des questions d'audit sur l'adéquation de la documentation.

Schémas d'intégration dans le flux de travail

Les implémentations les plus réussies intègrent les suggestions de codes par IA directement dans le flux de travail de codage plutôt que d'obliger les codeurs à basculer entre les systèmes. Lorsque la suggestion de l'IA apparaît à côté de l'écran de travail du codeur, le processus de vérification et d'acceptation ajoute des secondes par dossier, pas des minutes.

Certains cabinets utilisent le codage par IA au niveau du médecin, en intégrant les suggestions dans la section évaluation et plan du DSE. Lorsque le médecin documente un diagnostic, le système suggère le code CIM-10 le plus spécifique avec un simple clic pour accepter. Ce codage au niveau du médecin fonctionne bien pour les consultations simples mais est moins pratique pour les cas complexes où les codeurs professionnels apportent une valeur ajoutée significative. Les plateformes d'opérations de santé qui prennent en charge l'intégration de l'IA tant au niveau du médecin qu'au niveau du codeur offrent aux cabinets la flexibilité d'adapter l'outil à la complexité de la consultation.

Pour les établissements ayant un retard de codage, l'IA peut être utilisée en mode pré-codage, où elle traite les notes pendant la nuit et présente un dossier codé pour révision humaine le lendemain matin. Cette approche peut réduire considérablement le retard de codage car l'étape de révision humaine est plus rapide que le codage à partir de zéro.

Formation et adaptation

Les systèmes de suggestion de codes par IA fonctionnent mieux lorsqu'ils ont été entraînés sur le style de documentation spécifique d'un cabinet, sa spécialité et son mix de payeurs. Un cabinet de cardiologie documente différemment d'un cabinet de soins primaires, et l'IA doit comprendre ces différences pour suggérer des codes appropriés.

La plupart des fournisseurs proposent une période de calibration de quatre à huit semaines pendant laquelle l'IA traite les dossiers historiques et l'équipe de codage fournit un retour sur la précision des suggestions. Après la calibration, le système atteint généralement un taux d'accord de 85 % à 92 % avec les codeurs humains sur le code de diagnostic principal et de 75 % à 85 % d'accord sur l'ensemble complet des codes pour une consultation donnée.

L'écart entre l'accord de l'IA et celui des humains n'est pas nécessairement une erreur de l'IA. Dans de nombreux cas, l'IA suggère des codes plus spécifiques qui sont techniquement plus précis que ceux attribués par le codeur humain, en particulier pour les diagnostics secondaires que les codeurs pourraient omettre sous la pression du temps. Le processus de calibration aide l'équipe de codage et l'IA à converger vers le bon niveau de rigueur de codage.

Limites à connaître

La suggestion de codes par IA ne remplace pas l'expertise en codage. La technologie fonctionne bien pour les consultations simples mais rencontre encore des difficultés dans certains scénarios. Les cas chirurgicaux complexes avec des procédures multiples, les combinaisons de diagnostics inhabituelles et la documentation ambiguë ou contradictoire mettent tous les systèmes d'IA à l'épreuve.

La qualité des suggestions de l'IA est directement liée à la qualité de la documentation. Si la note d'un médecin est vague ou incomplète, l'IA ne peut pas déduire des codes que la documentation ne soutient pas. En fait, l'un des avantages secondaires des outils de codage par IA est qu'ils mettent en évidence les lacunes de documentation en produisant des suggestions à faible confiance ou en signalant les notes où l'évaluation ne correspond pas aux constatations documentées.

Pour les cabinets envisageant la suggestion de codes par IA, l'attente la plus réaliste est qu'elle traitera 70 % à 80 % du volume de codage avec une grande précision, libérant les codeurs expérimentés pour concentrer leur expertise sur les 20 % à 30 % de cas qui nécessitent véritablement un jugement humain. C'est dans cette répartition du travail que les gains de productivité et de précision se multiplient.