Et nyt forskningssystem, ICD-Deepresearch, viser, at AI kan forudsige fremtidige diagnosekoder med markant højere præcision end eksisterende metoder. Systemet, beskrevet i en ny artikel på arXiv, kombinerer strukturerede EHR-fundamentmodeller med sproglige modeller og medicinsk søgning for at forudsige, hvilke ICD-koder der vil blive dokumenteret ved et fremtidigt besøg.
For kliniske beslutningstagere og sundhedsorganisationer betyder resultaterne, at AI-baseret beslutningsstøtte kan blive væsentligt mere pålidelig. På MIMIC-III opnår systemet en patient-gennemsnitlig præcision/recall på 24,60/35,09 %, og på MIMIC-IV 25,14/48,32 %. Læger vurderer desuden, at 51 % og 68 % af de dokumenter, systemet henter, er nyttige – mod henholdsvis 22 % og 39 % for standalone GPT-5 websøgning og 32 % og 41 % for Medical Deep Research.
Systemet adresserer en central udfordring: ingen kilde afslører den fremtidige kodesæt, så forskning evaluerer kandidattransitioner ved at forbinde patientbeviser, eksterne kliniske relationer og præcis kodesemantik under et fast top-K-budget. Kandidatgenerering bruger SparseEHR til at producere en EHR-prior, der initialiserer to afgrænsede forskningsrunder, mens en uafhængig GPT-5 Direct Forecast leverer komplementære kandidater. Endelig validering, deduplikering og fælles rangering af begge stier sker separat, hvorefter et modul skriver rationale uden at ændre forudsigelser.
For sundhedsudbydere, der overvejer at investere i AI-baseret klinisk beslutningsstøtte, indikerer resultaterne, at hybride tilgange – der kombinerer strukturerede og sproglige modeller – kan levere mere værdi end enkeltstående systemer. Systemets evne til at generere forklaringer uden at ændre forudsigelser kan også lette integration i kliniske arbejdsgange, hvor tillid og gennemsigtighed er afgørende.
