AIBR プレミアム
拓海先生、最近部下から『臨床コーディングにAIを使える』と聞きまして、ICDコードの自動割当って本当に現場で役に立つんでしょうか。導入費用と効果の感覚がつかめず困っています。
素晴らしい着眼点ですね！大丈夫、一緒に整理しましょう。最近の研究は、既にある大規模言語モデル、いわゆるLLM（Large Language Models、大規模言語モデル）をそのまま使って、学習データ無しでもICDコード割当ができる可能性を示していますよ。
学習データ無し、ですか。現場のレアな診断が多くて教師データが足りないと聞いているのですが、そこを補えるという理解で合ってますか。
その通りです！ポイントを三つで整理しますよ。1) 既存のLLMは膨大な言語知識を持つため、ラベル付きデータが少ない項目でも推論が可能であること、2) 著者らはICD（International Classification of Diseases、国際疾病分類）の階層構造を使って効率よく探索する手法を開発したこと、3) 完全に置き換えるのではなく、人のチェックを前提に使う運用が現実的だという点です。
具体的にはどうやって『たくさんあるコード』から該当するものを見つけるんですか。全部試すと時間がかかり過ぎるのではと心配です。
良い疑問です。比喩で言うと、大きな木（ICDの階層）の枝を順にたどって『ここに当たりがありそうか』とLLMに聞きながら進むイメージですよ。つまり全コードを一つずつ評価するのではなく、階層構造を使って探索を絞るため効率が良いんです。
なるほど。それで精度はどれくらい期待できるんですか。現場では誤分類がコストに直結しますから、投資対効果が見えないと踏み切れません。
ここも重要です。著者らの方法はレアなクラスに強く、マクロ評価（rareクラス重視）では既存手法より優れる一方、マイクロ評価（頻出クラスを重視）では若干劣る結果でした。だから実運用では、頻出コードは従来の仕組みで安定化させ、LLMは希少ケースや提案候補の拡張に使うハイブリッド運用が現実的です。
これって要するに、完全に機械に任せるのではなく、機械が提案して人が判断する仕組みを作るのが現時点での現実解、ということですか。
その通りですよ。まとめると三点です。1) 教師データが少ない領域でLLMは有効である、2) 階層的検索で計算効率と探索精度を両立している、3) 患者安全と会計精度の観点から人の監督を残すハイブリッド運用が適切である、ということです。
分かりました。まずは「希少コードの支援」「人が最終確認するワークフロー」「投資は段階的に」という三点で社内稟議を作ってみます。要点は自分の言葉で整理すると、LLMをそのまま使ってICDの木を辿りながら候補を出し、担当者が確定する運用にする、という理解で宜しいでしょうか。
素晴らしいまとめですよ、田中専務。大丈夫、一緒にプレゼン資料も作りましょう。現場の負担を減らしつつリスクを抑える段階的導入が最短ですから、安心して進めてくださいね。
