医療コーディングは、臨床記録を請求、統計、公衆衛生データに結びつける重要なプロセスだが、ICD-10-CMコード体系は膨大かつ複雑で、人手によるコーディングは時間がかかり誤りも多い。最近のarXiv論文は、大規模言語モデル（LLM）を活用し、構造化された外部知識を組み合わせることでコーディングの精度と臨床遵守性を高めるエージェント手法「RAG-Coding」を提案している。
RAG-Codingの中心設計は、4つのLLMエージェントを調整することにある。各エージェントは、臨床テキストの解析、関連コーディングルールの検索、候補コードの提案、最終検証といった異なるサブタスクを担う。意思決定に根拠を持たせるため、これらのエージェントは公式のICD-10-CM表リストやコーディングガイドラインを含む外部知識源にグラウンディングされる。これらの情報を検索・照合することで、エージェントはコードをより正確に特定し、臨床コーディング規範を遵守できる。
研究チームはMDACEデータセットでRAG-Codingの性能を評価した。複数のLLMバックボーンを用いた実験の結果、RAG-Codingはmicro-F1で最良のLLMベースラインを8-13%、macro-F1で2-8%上回った。この改善は、外部知識の導入が専門的なコーディングタスクにおけるLLMの弱点を効果的に補うことを示している。アブレーション実験では段階的な向上が確認され、外部知識モジュールの重要性が裏付けられた。
最先端の事前学習言語モデル手法であるPLM-ICDと比較すると、RAG-Codingは異なる性能特性を示す。RAG-Codingのmicro recallは11%高く、より多くの正しいコードを見つけられる一方、PLM-ICDのmicro precisionは6%高く、誤ったコードを減らす面で優れている。両者はmicro-F1とmacro-F1で総合的に同等である。この相補性は、将来両手法を組み合わせて長所を活かせる可能性を示唆する。
手法に加えて、著者らはMDACE-2025を公開した。これは元のMDACEデータセットを、最新の2025年ICD-10-CMガイドラインに従って専門家が再注釈した更新版である。より細粒度のコードラベルを提供し、現在の臨床基準に対して評価できるようにする。このデータセットの公開は、医療コーディング研究がコード体系の変化に追随するのに役立つ。
論文は2026年4月9日に投稿され、Yidong Ganを含む7名の著者による。論文のコメントには、追加実験と分析が進行中であると記されている。本研究は計算と言語（cs.CL）分野に属し、人工知能（cs.AI）や情報検索（cs.IR）にも関連しており、RAGパラダイムの垂直専門領域への応用可能性を示している。