ICD 코딩을 위한 LLM 다중 에이전트 탐색

대형 언어 모델(LLM)은 도메인 특정 훈련 없이 임상 텍스트에서 제로샷 및 소수샷 정보 추출과 같은 다양한 영역에서 유용할 수 있는 인상적이고 다양한 능력을 입증했습니다. 그러나 ICD 코딩 작업의 경우, 이들은 종종 핵심 세부 정보를 현실적으로 만들어내며 높은 재현율을 보이지만 ICD 코드의 고차원적이고 왜곡된 분포로 인해 낮은 정밀도 결과를 생성합니다. 기존의 LLM 기반 방법은 환자, 의사 및 코더와 같은 코딩에 관련된 인간 에이전트 간의 복잡하고 동적인 상호작용을 고려하지 못하고 있으며, 해석 가능성과 신뢰성이 부족합니다. 이 논문에서는 다섯 명의 에이전트인 환자 에이전트, 의사 에이전트, 코더 에이전트, 리뷰어 에이전트 및 조정자 에이전트와 함께 실제 코딩 프로세스를 모방하는 새로운 다중 에이전트 방법을 제시합니다. 각 에이전트는 특정 기능을 가지고 있으며 LLM 기반 모델을 사용하여 이를 수행합니다. 우리는 MIMIC-III 데이터셋에서 방법을 평가하고, 제안한 다중 에이전트 코딩 프레임워크가 제로샷 사고 사슬(CoT) 프롬프트 및 CoT에 대한 자기 일관성과 비교하여 일반 및 희귀 코드 모두에서 성능을 실질적으로 향상시킨다는 것을 보여줍니다. 제거 연구는 제안된 에이전트 역할의 효능을 확인합니다. 우리의 방법은 코딩 정확도, 희귀 코드 정확도 및 설명 가능성 측면에서 사전 훈련 또는 미세 조정을 요구하는 최신 ICD 코딩 방법과도 일치합니다.