AWS上的生成式AI赋能医疗编码应用Generative AI enabled Medical Coding on AWS

医疗编码是医疗行业的一项重要而复杂的流程——它确保服务提供方获得准确的报销，并且是符合监管指南的必要条件。然而，传统的手工编码方法可能耗时长、容易出错且资源消耗大，导致效率低下、结果不佳和潜在的收入损失。随着医疗机构每天处理成千上万次患者就诊，这些挑战可能对财务绩效、患者体验和运营效率产生重大影响。

提供方机构通常每年因账单不足损失约21万美元，一项研究显示，尽管43.3%的患者符合资格，但仅有9.3%的符合条件的医疗保险患者被计费用于过渡期护理管理。常见的收入流失源于对评估和管理（E/M）级别的低估以及预防服务账单的遗漏。BMC初级护理（2023年）中的一篇系统综述证实，戒烟服务的提供与报销申请之间存在显著差距。证据表明，虽然大多数符合条件的患者接受了戒烟服务，但只有大约三分之一的服务最终提交了报销申请。这对医疗服务提供者来说代表了一个显著的收入机会。

生成式AI如何提供帮助

基础模型（如大型语言模型LLMs）正在改变这一领域，它们具备前所未有的能力来分析临床文档、解释医学术语，并以比传统方法更快、更准确的速度分配适当的代码。亚马逊网络服务（AWS）提供了一套全面的服务，使医疗机构能够实施AI驱动的解决方案（包括医疗编码解决方案），以适应现代医疗环境的复杂性。

我们将探讨AWS服务（如Amazon Bedrock、AWS HealthLake和AWS HealthScribe）如何被用来构建完整的医疗编码解决方案，从而提高编码准确性。这些服务还可以加速收入周期、减少临床医生的行政负担，并帮助验证监管合规性。我们将展示一个实用架构，任何规模的医疗机构都可以实施该架构，以实现其医疗编码操作的现代化。

挑战

医疗编码过程本质上复杂，需要深入了解临床术语、解剖学和医疗程序。每次患者就诊，无论是常规还是专业，都必须精确地转换为一组代码，准确反映所提供的服务、患者的诊断和过去的临床历史。美国医学协会（AMA）和其他监管机构制定了复杂的编码指南和规则，必须严格遵守以确保合规和报销。

考虑一个患者出现胸痛的情况，这看起来是一个简单的情况。然而，准确编码此次就诊涉及的细节非常复杂。胸痛是急性的还是慢性的？它是否与潜在疾病有关，如冠状动脉疾病或胃食管反流病（GERD）？是否进行了诊断测试，结果如何？这些细节以及患者的病史、药物以及任何进行的程序或治疗都必须仔细记录并精确编码。

当患者呈现多种疾病时，复杂性会增加。一个患有糖尿病、心脏病和抑郁症的患者——在现代医学中越来越常见的三联症——需要对这些疾病如何相互作用并影响计费等级有深入的理解。AMA编码指南承认约有68,000个诊断代码和约8,000个程序代码，它们之间有无数的排列组合。

此外，监管环境增加了另一层复杂性。医疗保险不断变化的规则、商业支付方的不同要求以及持续的审计威胁，形成了行政负担的完美风暴。单个错误编码的索赔可能会触发一系列调查，甚至可能导致欺诈指控——即使错误完全是无意的。

捕捉这些细节的责任落在医疗提供者肩上，他们必须在患者的主观、客观、评估和计划（SOAP）笔记和电子健康记录（EHR）中仔细记录临床观察、发现和治疗计划。获取全面的病史，包括过去的医疗状况、手术和家族史，对于准确编码和确保连续护理至关重要。然而，在高流量医疗环境中，这一过程可能耗时且容易出错。

一旦临床就诊被记录，编码的挑战就开始了——从非结构化的进展笔记中提取正确的诊断代码（ICD-10），然后将诊断代码映射到适当的计费代码（CPT/HCPCS），并根据需要应用关键的修饰符。这些信息必须准确地转录到CMS-1500索赔表（ANSI ASC X12N 837P格式）中，如图1所示。这确保了从患者人口统计到具体程序代码的每个细节都被正确表示。此过程中的任何差异或遗漏都可能导致拒绝、报销延迟，甚至合规违规。

解决方案概述

在AWS上使用LLMs的自动化医疗编码包括两个主要工作流程：推理工作流程和可选的训练工作流程。

推理工作流程

当临床就诊完成且需要医疗编码时，推理工作流程开始。该工作流程协调各种AWS服务的无缝集成，利用训练好的LLM模型根据患者的临床数据和就诊细节生成准确且合规的医疗代码。

图2 - AWS上AI赋能医疗编码的完整推理架构

推理工作流程在临床就诊完成且需要医疗编码时启动。其流程如下：

1. 临床就诊完成：患者的临床就诊记录在EHR系统中，使用AWS HealthScribe捕获所有相关细节。细节包括SOAP笔记和结构化数据字段。
2. 临床数据转换为Fast Healthcare Interoperability Resources（FHIR）数据标准：EHR后端将HL7 FHIR格式的临床数据发送到AWS HealthLake，在那里进行持久化以供进一步处理。
3. 自动化医疗编码：触发涉及AWS Lambda和Amazon Bedrock推理端点的AWS Step Functions工作流程。该工作流程首先查询AWS HealthLake以检索患者的完整临床历史和EHR就诊详情。然后信息传递到Amazon Bedrock推理端点，在那里激活零样本提示中的所需LLM模型。Amazon Bedrock通过简单的API调用即可访问各种LLMs和其他基础模型——使用户能够根据每个用例选择和切换最适合的模型。该模型生成CMS-1500表单（ANSI ASC X12N 837P格式），保存到Amazon Simple Storage Service（Amazon S3），并将S3对象URI异步发送回去。
4. 人工审核（可选）：医疗编码专家可以在最终提交前审核和验证AI生成的代码，确保编码指南的准确性和合规性。这种人工审核可以基于组织要求和置信度阈值进行配置。
5. 完成的医疗索赔表单提交：从Amazon S3检索完成的ANSI ASC X12N 837P表单。然后通过清分所或AWS B2B数据交换提交索赔。

训练工作流程（可选，推荐）

尽管当今的预训练LLMs显示出良好的前景，但需要优化性能和准确性的医疗提供者组织可以利用提示工程（少样本）和微调工作流程。通过利用组织的数据，用户可以提高性能和准确性以满足其独特需求，具有数据科学/机器学习专业知识的提供者可以获得显著更好的结果。

训练工作流程专注于进一步微调LLM，专门针对医疗编码任务。此过程涉及获取和整理组织的真实临床数据集、编码指南和历史索赔数据。这作为训练模型以准确理解医疗编码细微差别的基础。这种微调模型可以与提示工程技术（如少样本提示）结合使用。

图3 - AWS上AI赋能医疗编码的训练架构

训练工作流程专注于开发和微调LLM模型以实现准确的医疗编码。该过程涉及几个步骤：

1. 数据获取：第一步是收集和准备训练模型所需的数据。这包括包含结构化临床数据（HL7 FHIR）、非结构化临床数据（SOAP笔记）、历史索赔提交（837）和付款数据（835）的真实训练数据集。此外，还需要参考数据集（如AMA编码指南）。
2. 模型开发：在获取数据后，下一步是开发和训练LLM模型。这涉及将真实训练数据集和AMA编码指南摄入到Amazon S3中。然后使用Amazon Bedrock选择一个LLM（如Amazon Nova），因其能够进行微调，并使用来自Amazon S3的训练数据设置微调任务。同时设置Amazon Bedrock知识库与AMA编码指南，以提供管理的检索增强生成（RAG）。训练模型后，利用Amazon Bedrock模型评估能力进行严格评估、验证和质量保证。根据结果，可能需要重新训练模型以进一步改进，然后在Amazon Bedrock中进行推理配置，同时利用提示工程技术来提高模型性能。
3. 推理端点设置：一旦模型训练和验证完成，就会设置推理端点并集成到工作流程中。然后根据实际使用数据对模型进行微调，提供持续改进和适应不断变化的编码需求。

解决方案演示

AI赋能医疗编码的真正力量最好通过现实场景来展示。我们将通过一个初级护理用例来演示，从医生在就诊期间记录的进展笔记开始。

82岁女性，过去5-10年记忆问题逐渐加重，经常忘记对话并重复提问。母亲有痴呆症伴听觉/视觉幻觉。患者否认头部创伤、中风、头晕、麻木或言语/视觉/肌肉问题。无法画出钟面。近期无实验室检查或影像检查。转诊至神经科进行痴呆评估。已下令TSH、B12，并开始服用Aricept 5 mg qhs。

如图4所示，解决方案使用AWS HealthScribe执行实体检测，绘制出就诊期间讨论的各种疾病、药物和测试之间的关系。

图4 - AI基于进展笔记的实体映射

这种分析帮助解决方案生成全面的SOAP笔记，然后输入到LLM中，请求生成ANSI ASC X12N 837P格式的CMS-1500表单。

以下是一个演示视频，展示了从患者就诊到生成ANSI ASC X12N 837P格式CMS-1500表单并进行正确ICD-10到CPT/HCPCS代码映射的完整工作流程。

演示视频

图5 - AWS生成式AI医疗账单编码演示

结果

AI赋能医疗编码的实施展示了成功生成ANSI ASC X12N 837P格式CMS-1500表单的能力，并从临床就诊中正确映射CPT/HCPCS代码和相应的ICD-10代码。尽管LLM模型展示了良好的准确性（图6），我们强烈建议使用上述技术来进一步改进输出。使用历史临床数据和CMS-1500表单（ANSI ASC X12N 837P格式）映射进行模型微调已被证明可以提高代码选择精度。此外，扩展少样本示例的收集可以增强模型在不同临床场景中的模式识别能力。将Amazon Bedrock知识库与参考数据集成提供了额外的验证层，确保符合既定的编码标准。

图6 - AI生成的CMS-1500表单（使用零样本提示）

为确保最佳性能和持续改进，应实施人工审核验证过程。这种监督机制验证推荐代码并生成有价值的反馈数据。收集的反馈可以系统地整合到RAG系统中，创建一个自我改进的循环，逐步提高LLM生成更准确CPT代码的能力。这种自动处理与人工验证的结合在医疗编码操作中实现了效率与准确性的有效平衡。

结论

在AWS上使用LLMs的AI赋能医疗编码具有变革医疗收入周期管理运营的潜力。通过利用先进的自然语言处理能力，医疗提供者可以简化医疗编码流程，确保准确和合规的计费，同时减少临床工作人员的行政负担。

该解决方案为医疗系统提供了一个重要机会，以优化其收入周期管理运营，防止计费不足和计费过量的情况，最大化报销，并保持符合监管指南。此外，通过AI赋能医疗编码实现的成本效率可以重新投资于提升患者体验、升级设施或投资创新医疗技术，使组织和患者都能受益。

请联系AWS代表了解有关底层技术的更多信息，并开始您的收入周期管理之旅。

进一步阅读

• AWS for Healthcare & Life Sciences
• 什么是基础模型？
• 自动临床编码：是什么、为什么以及我们所处的阶段？
• 优化人机协作临床编码范式
• 通过AI驱动的深度学习模型重塑医疗行业

【全文结束】