KREL：使用 LLM 通过知识引导推理对临床证据进行自动医学编码

自动医疗编码 (AMC) 可为临床病历分配标准化的国际疾病分类 (ICD) 代码，对于医疗报销、质量报告和临床研究至关重要。现有的基于预训练语言模型 (PLM) 的方法通常将 AMC 表述为预定义代码集上的极端多标签分类问题，而最近基于 大语言模型 (LLM) 的方法则将其框架为生成或多步推理。然而，关键挑战仍然存在，包括阻碍有效解释的临床记录过长、ICD 标签空间巨大以及 LLM 未明确捕获的复杂编码规则。在这项工作中，我们提出了使用 LLM (KREL) 进行临床证据的知识引导推理，该框架利用 LLM 进行临床文本理解和推理，同时将外部 ICD 编码指南集成为结构化知识。这种设计实现了领域知识和 LLM 推理之间的紧密耦合，减少了幻觉并提高了对编码标准的遵从性。对基准数据集的实验表明，KREL 始终优于强大的基于 PLM 和最先进的基于 LLM 的基准。