Resumen Antecedentes La asignación manual de códigos de la Clasificación Internacional de Enfermedades (ICD) es propensa a errores. Se han propuesto modelos de lenguaje de gran tamaño (LLMs) basados en transformadores para automatizar la codificación, pero su precisión y generalizabilidad siguen siendo inciertas. Métodos Realizamos una revisión sistemática registrada en PROSPERO (CRD42024576236) y reportamos de acuerdo con las directrices PRISMA. Se buscaron en PubMed, Embase y Google Scholar hasta enero de 2025 estudios revisados por pares que evaluaran un LLM (por ejemplo, BERT, GPT) para la codificación de ICD y reportaran al menos una métrica de rendimiento. Dos revisores examinaron de forma independiente los artículos, extrajeron datos y evaluaron la calidad metodológica con la Lista de Verificación de Evaluación Crítica del Instituto Joanna Briggs para Estudios Transversales Analíticos. Los resultados incluyeron micro-F1 (precisión general) y macro-F1 (rendimiento en códigos raros). Resultados De 590 registros revisados, 35 estudios cumplieron con los criterios de inclusión. Veinticuatro evaluaron la codificación de propósito general a través de textos clínicos amplios, 10 se centraron en contextos clínicos específicos, y 11 abordaron la interoperabilidad multilingüe; algunos estudios pertenecían a más de un tema. El micro-F1 mediano para códigos frecuentes fue 0.79 (rango, 0.73,0.94), superando el de las líneas base de aprendizaje automático heredadas en todos los estudios comparativos. El rendimiento para códigos infrecuentes fue menor (macro-F1 mediano, 0.42) pero mejoró modestamente con augmentación de datos, recuperación contrastiva o decodificadores basados en grafos. Solo 1 estudio utilizó aprendizaje federado entre instituciones, y 3 llevaron a cabo validación externa. La evaluación del riesgo de sesgo clasificó 18 estudios (51 %) como moderados, principalmente debido a la falta de claridad en el enmascaramiento de los evaluadores y la notificación selectiva. Conclusiones Los sistemas basados en LLM automatizan de manera confiable los códigos ICD comunes y a menudo igualan o superan a los codificadores profesionales, pero la precisión disminuye para diagnósticos raros y la validación externa es escasa. Se requieren ensayos prospectivos multicéntricos y una notificación transparente de los mensajes y reglas de post-procesamiento antes de la implementación clínica.
Gershon et al. (Wed,) estudiaron esta cuestión.