ICD-DeepResearch: ИИ-агент для прогнозирования диагнозов с доказательной базой

Проблема: Прогноз будущего диагноза

В клинической практике критически важно предсказать, какие стандартные коды диагнозов (ICD) будут зафиксированы у пациента при следующем визите, основываясь только на имеющейся истории болезни. Это сложная задача: целевая запись еще не существует, а диагноз может быть мультилейбловым (несколько кодов одновременно). Традиционные модели либо упускают временную динамику, либо генерируют гипотезы без достаточной привязки к фактам.

Решение: Архитектура ICD-DeepResearch

Авторы (Junda Wang, Meysam Ghaffari и др.) разработали рабочий процесс, сочетающий предиктивные фундаментальные модели с агентным глубоким исследованием. Система работает в несколько этапов:

• Генерация кандидатов: Модель SparseEHR создает «приор» на основе истории болезни (EHR), инициируя два раунда расширения исследования. Параллельно GPT-5 Direct Forecast предоставляет дополнительные гипотезы.
• Валидация и ранжирование: Система связывает кандидатов с доказательствами из истории пациента, внешними клиническими связями и семантикой кодов МКБ. Ограничение на количество кандидатов (top-K) предотвращает информационный шум.
• Генерация обоснований: Отдельный модуль пишет объяснения для прогнозов, не влияя на сами предсказания.

Результаты: Цифры и бенчмарки

Тестирование проводилось на наборах данных MIMIC-III и MIMIC-IV. Система демонстрирует стабильные показатели точности (Precision) и полноты (Recall), превосходя локальные аналоги:

Важность для врачей

Ключевое преимущество ICD-DeepResearch — не только в метриках, но и в качестве найденных доказательств. Врачи оценили 51% (MIMIC-III) и 68% (MIMIC-IV) извлеченных документов как полезные. Для сравнения, автономный веб-поиск GPT-5 получил 22% и 39% соответственно, а Medical Deep Research — 32% и 41%. Это доказывает, что интеграция структурированных данных EHR с языковыми моделями создает более надежный инструмент поддержки принятия решений.

Источник: arXiv cs.CL ↗