醫療編碼
建構自動化 ICD、CPT 和其他醫療編碼任務的 AI 模型
The Challenge
醫療編碼——將臨床文件翻譯成標準化診斷和程序代碼的過程——是醫療保健收入循環管理的基石。準確的編碼決定了報銷率、是否符合付款方要求以及監管報告。僅 ICD-10-CM 系統就包含超過 72,000 個診斷代碼,選擇正確的代碼需要理解臨床脈絡、具體性要求、編碼指引和付款方特定規則。代碼之間的一個數字差異可能意味著順利理賠和被拒之間的區別。
醫 療編碼人員面臨長期短缺,美國健康資訊管理協會報告有數萬個未填補的編碼職位。這種短缺造成了延遲收入的積壓,隨著過度工作的編碼員趕工導致錯誤率上升,以及組織依賴昂貴的合約編碼員而推高成本。通用 AI 工具無法解決這一差距,因為醫療編碼需要同時理解臨床語言、應用複雜的編碼指引和導航分類系統的具體性階層——通用模型不具備的領域知識組合。
The Solution
Ertas 讓醫療機構以自己已完成編碼的臨床文件微調 AI 模型,打造一個編碼助理,依照機構實際遇到的模式、專科與付款方要求提供編碼建議。在 Ertas Studio 中,收入循環團隊以去識別化的臨床筆記及其已核實的代碼配對訓練模型,讓模型以編碼人員所達到的具體程度,學會臨床語言與代碼選擇之間的對應。訓練在 Ertas 的雲端 GPU 上進行,因此訓練資料集必須上傳到 Ertas,上傳前請完成去識別化。
微調後的模型擔任編碼助理:它閱讀臨床文件,提出主要與次要代碼建議,並附上簡短理由,引用支持每個代碼的臨床發現。模型從 Hub 匯出後,透過 Ollama 或 vLLM 在機構自己的伺服器上執行,在編碼人員作業時於內部網路即時處理病歷,每一則建議都由編碼人員審核與核准。這種人機協作的流程讓持證編碼人員對每個代碼負責,同時替他們完成第一輪初步篩選。
Key Features
臨床文件訓練
使用 Studio 在您組織的已驗證代碼分配上訓練編碼模型。支援 ICD-10-CM/PCS、CPT、HCPCS 和自訂代碼集,具有具體性層級的訓練資料。
在 Data Craft 中由編碼人員審核
資深編碼人員在 Studio 的引導式資料集建立工具 Data Craft 中建立與修正訓練範例:在每個 ASSISTANT 輪次中修改建議的代碼與理由,保存範例版本並標記為已核准,讓模型從經過審核的編碼中學習。
部署在您伺服器上的編碼助理
從 Hub 將訓練好的模型匯出為 GGUF 或 safetensors,以 Ollama 或 vLLM 部署在您自己的伺服器上,透過內部 API 讓編碼工具與 EHR 整合即時呼叫。
即時病歷留在內部
訓練資料會上傳到 Ertas 的雲端 GPU,因此請先去識別化,用完 後從 Studio 刪除。即時病歷只會送到在您自己伺服器上執行的模型,推論中的 PHI 始終留在您的網路之內。
Example Workflow
一家擁有 500 床的醫院體系每週處理 2,000 筆住院與 8,000 筆門診就醫紀錄。編碼團隊將 100,000 筆歷史已編碼就醫紀錄(臨床筆記及其已核實的 ICD-10 與 CPT 代碼)去識別化,以 JSONL 資料集上傳到 Ertas Studio。資深編碼人員在 Data Craft 中抽查樣本,修正疑難案例的編碼理由並核准範例。團隊針對占編碼量 80% 的前 15 條服務線微調模型,同時訓練 Llama 3.1 8B 與 Qwen 2.5 7B,並用一組由團隊自行編碼的保留紀錄比較兩者。團隊從 Hub 匯出表現較好的模型,在醫院自己的伺服器上以 vLLM 部署,並透過瀏覽器擴充功能接入編碼流程。編碼人員開啟每份病歷時,助理會提出主要與次要代碼建議,並在文件中標示支持這些代碼的臨床證據。編碼人員逐則接受或修改建議,團隊將採用率與核退率和自己的基準比較,判斷模型在哪些地方已可上線,哪些地方還需要更多訓練資料。
Compliance & Security
AI 輔助醫療編碼旨在支援專業編碼人員。所有代碼建議在送出理賠申請前,都必須由持證醫療編碼人員審核與核准。HIPAA 的各項要求由機構自行落實。訓練在 Ertas 的雲端 GPU 上進行,因此訓練資料集必須上傳到 Ertas:上傳前請依 Safe Harbor 或 Expert Determination 標準完成去識別化。匯出後,模型在機構自己的伺服器上執行,即時病歷中的 PHI 留在那裡。資料集保存在 Studio 中,以便重複訓練,您可以隨時刪除。
Related Resources
Fine-Tuning(微調)
JSONL
LoRA
Inference(推論)
GGUF
Privacy-Conscious AI Development: Fine-Tune in the Cloud, Run on Your Terms
GDPR-Compliant AI: How to Use LLMs Without Sharing User Data
Getting Started with Ertas: Fine-Tune and Deploy Custom AI Models
How to Fine-Tune an LLM Locally: 6 Steps (2026)
Fine-Tune AI Without Code: 6 Visual Steps
Ollama
vLLM
LangChain
Hugging Face
LlamaIndex
Ertas for Healthcare
Ertas for Named Entity Recognition
Ertas for Document Classification
Ertas for Data Extraction
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.