Ertas para Codificación Médica

The Challenge

La codificación médica (el proceso de traducir documentación clínica a códigos estandarizados de diagnóstico y procedimiento) es la columna vertebral de la gestión del ciclo de ingresos en salud. Una codificación precisa determina las tasas de reembolso, el cumplimiento de requisitos de pagadores y los reportes regulatorios. Solo el sistema ICD-10-CM contiene más de 72,000 códigos de diagnóstico, y seleccionar el código correcto requiere comprender el contexto clínico, los requisitos de especificidad, las guías de codificación y las reglas específicas de cada pagador. Una diferencia de un solo dígito entre códigos puede significar la diferencia entre una reclamación limpia y un rechazo.

La fuerza laboral de codificación médica enfrenta una escasez crónica, con la Asociación Americana de Gestión de Información en Salud reportando decenas de miles de posiciones de codificación sin cubrir. Esta escasez crea retrasos que demoran los ingresos, aumenta las tasas de error a medida que los codificadores sobrecargados se apresuran con los expedientes y eleva los costos cuando las organizaciones dependen de codificadores contratados costosos. Las herramientas genéricas de IA no pueden abordar esta brecha porque la codificación médica requiere comprender simultáneamente el lenguaje clínico, aplicar guías de codificación complejas y navegar la jerarquía de especificidad de los sistemas de clasificación: una combinación de conocimiento de dominio que los modelos generales no poseen.

The Solution

Ertas permite a las organizaciones de salud ajustar modelos de IA con su propia documentación clínica ya codificada, para crear un asistente de codificación que sugiere códigos según los patrones, especialidades y requisitos de pagadores con los que la organización trabaja a diario. En Ertas Studio, los equipos de ciclo de ingresos entrenan modelos con pares desidentificados de notas clínicas y sus códigos verificados, y así el modelo aprende la relación entre el lenguaje clínico y la selección de códigos con el nivel de especificidad que alcanzan sus codificadores. El entrenamiento se ejecuta en las GPU en la nube de Ertas, así que el conjunto de entrenamiento se sube a Ertas; desidentifícalo antes de subirlo.

El modelo ajustado funciona como asistente de codificación: lee la documentación clínica y sugiere códigos primarios y secundarios con una breve justificación que cita los hallazgos detrás de cada uno. Exportado desde Hub y ejecutado en los servidores propios de la organización con Ollama o vLLM, procesa las historias clínicas en tiempo real dentro de la red mientras los codificadores trabajan, y ellos revisan y aprueban cada sugerencia. Este flujo con supervisión humana mantiene a los codificadores acreditados a cargo de cada código y les quita de encima la primera pasada.

Key Features

Example Workflow

Un sistema hospitalario de 500 camas procesa cada semana 2.000 encuentros de hospitalización y 8.000 ambulatorios. El equipo de codificación desidentifica 100.000 encuentros ya codificados (notas clínicas emparejadas con códigos ICD-10 y CPT verificados) y los sube a Ertas Studio como un dataset JSONL. Los codificadores sénior revisan una muestra en Data Craft, corrigen la justificación en los casos límite y aprueban los ejemplos. El equipo ajusta modelos para sus 15 líneas de servicio principales, que suponen el 80% del volumen de codificación, entrenando Llama 3.1 8B y Qwen 2.5 7B en paralelo y comparando ambos con un conjunto reservado de encuentros codificados por el propio equipo. Exporta el modelo más sólido desde Hub, lo sirve con vLLM en los servidores del hospital y lo conecta a su flujo de codificación mediante una extensión del navegador. Cuando un codificador abre una historia, el asistente sugiere códigos primarios y secundarios y resalta en la documentación la evidencia clínica que los respalda. Los codificadores aceptan o corrigen cada sugerencia, y el equipo compara las tasas de aceptación y de rechazo de reclamaciones con su propia línea base para decidir dónde el modelo está listo y dónde necesita más datos de entrenamiento.