Ertas 助力医学编码
微调模型,根据临床文档以收入周期团队要求的准确性和特异性建议 ICD-10、CPT 和 HCPCS 编码。
The Challenge
医学编码——将临床文档翻译为标准化诊断和手术编码的过程——是医疗收入周期管理的基础。准确的编码决定了报销费率、对支付方要求的合规性和监管报告。仅 ICD-10-CM 系统就包含超过 72,000 个诊断编码,选择正确的编码需要理解临床背景、特异性要求、编码指南和支付方特定规则。编码之间的一位数差异就可能意味着清洁索赔和拒赔之间的区别。
医学编码人才面临长期短缺,美国健康信息管理协会报告数万个空缺职位。这种短缺造成积压延迟收入,增加因过度工作编码员急于处理图表而导致的错误率,并推高了对昂贵合同编码员的依赖成本。通用 AI 工具无法填补这一缺口,因为医学编码需要同时理解临床语言、应用复杂的编码指南和导航分类系统的特异性层级——通用模型不具备的领域知识组合。
The Solution
Ertas 让医疗机构用自己已完成编码的临床文档微调 AI 模型,打造一个编码助手,根据机构实际遇到的模式、专科和支付方要求给出编码建议。在 Ertas Studio 中,收入周期团队用去标识化的临床笔记及其已核实的编码配对来训练模型,让模型以编码员所达到的特异性水平,学会临床语言与编码选择之间的对应关系。训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas,上传前请完成去标识化。
微调后的模型充当编码助手:它阅读临床文档,给出主要和次要编码建议,并附上简短理由,引用支持每个编码的临床发现。模型从 Hub 导出后,用 Ollama 或 vLLM 在机构自己的服务器上运行,在编码员工作时于内网实时处理病历,每条建议都由编码员审核和批准。这种人机协同的流程让持证编码员对每个编码负责,同时替他们完成第一轮初筛。
Key Features
临床文档训练
使用 Studio 在组织的已验证编码分配上训练编码模型。支持 ICD-10-CM/PCS、CPT、HCPCS 和自定义编码集,具有特异性级别的训练数据。
在 Data Craft 中由编码员审核
资深编码员在 Studio 的引导式数据集构建器 Data Craft 中创建和修正训练示例:在每个 ASSISTANT 轮次中修改建议的编码和理由,保存示例版本并标记为已批准,让模型从经过审核的编码中学习。
部署在您服务器上的编码助手
从 Hub 将训练好的模型导出为 GGUF 或 safetensors,用 Ollama 或 vLLM 部署在您自己的服务器上,通过内部 API 供编码工具和 EHR 集成实时调用。
实时病历留在内部
训练数据会上传到 Ertas 的云端 GPU,因此请先去标识化,用完 后从 Studio 删除。实时病历只发送给运行在您自己服务器上的模型,推理中的 PHI 始终留在您的网络之内。
Example Workflow
一家拥有 500 张床位的医院系统每周处理 2,000 例住院和 8,000 例门诊就诊。编码团队对 100,000 例历史已编码就诊记录(临床笔记及其已核实的 ICD-10 和 CPT 编码)进行去标识化,以 JSONL 数据集的形式上传到 Ertas Studio。资深编码员在 Data Craft 中抽查样本,修正疑难病例的编码理由并批准示例。团队针对占编码量 80% 的前 15 条服务线微调模型,同时训练 Llama 3.1 8B 和 Qwen 2.5 7B,并用一组由团队自己编码的预留就诊记录比较两者。团队从 Hub 导出表现更好的模型,在医院自己的服务器上用 vLLM 部署,并通过浏览器扩展接入编码工作流。编码员打开每份病历时,助手会给出主要和次要编码建议,并在文档中高亮支持这些编码的临床证据。编码员逐条接受或修改建议,团队将采纳率和拒付率与自己的基线对比,判断模型在哪些地方已可投入使用,哪些地方还需要更多训练数据。
Compliance & Security
AI 辅助医学编码旨在支持专业编码员。所有编码建议在提交理赔前都必须由持证医学编码员审核和批准。HIPAA 的各项要求由机构自行落实。训练在 Ertas 的云端 GPU 上进行,因此训练集需要上传到 Ertas:上传前请按 Safe Harbor 或 Expert Determination 标准完成去标识化。导出后,模型在机构自己的服务器上运行,实时病历中的 PHI 留在那里。数据集保存在 Studio 中,以便重复训练,您可以随时删除。
Related Resources
微调
JSONL
LoRA
推理
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.