การพัฒนาระบบการให้รหัสโรคและหัตถการอัตโนมัติสำหรับผู้ป่วยนอกโรงพยาบาลสงขลานครินทร์: การศึกษาย้อนหลัง: การพัฒนาระบบการให้รหัสโรคและหัตถการอัตโนมัติสำหรับผู้ป่วยนอก

สรณีย์ ศุภรพิพัฒน์; พงศ์ศักดิ์ ด่านเดชา

doi:10.31584/psumj.2026281538

ผู้แต่ง

สรณีย์ ศุภรพิพัฒน์ โรงพยาบาลสงขลานครินทร์ คณะแพทยศาสตร์ มหาวิทยาลัยสงขลานครินทร์ อำเภอหาดใหญ่ จังหวัดสงขลา 90110 ประเทศไทย
พงศ์ศักดิ์ ด่านเดชา สาขาวิชาอายุรศาสตร์ คณะแพทยศาสตร์ มหาวิทยาลัยสงขลานครินทร์ อำเภอหาดใหญ่ จังหวัดสงขลา 90110 ประเทศไทย

DOI:

https://doi.org/10.31584/psumj.2026281538

คำสำคัญ:

การใช้กฎเป็นหลัก, การให้รหัส ICD อัตโนมัติ, ฐานความรู้, ผู้ป่วยนอก

บทคัดย่อ

วัตถุประสงค์: เพื่อพัฒนาและประเมินประสิทธิภาพของระบบการให้รหัสโรคและรหัสหัตถการอัตโนมัติสำหรับผู้ป่วยนอกโรงพยาบาลสงขลานครินทร์ โดยใช้เทคนิค rule-based เพื่อแก้ไขปัญหาการปฏิเสธการจ่ายเงินจากกองทุนสุขภาพเนื่องจากความผิดพลาดในการให้รหัสโรคและรหัสหัตถการ
วัสดุและวิธีการ: การศึกษาย้อนหลังใช้ข้อมูล outpatient visit summary จากโรงพยาบาลสงขลานครินทร์ปีพ.ศ. 2566 จำนวน 49,497 แฟ้ม ที่ไม่ผ่านเงื่อนไขการจ่ายเงินของกองทุนสุขภาพโดยการประเมินจากระบบสารสนเทศโรงพยาบาลสงขลานครินทร์ (hospital information system: HIS) แบ่งเป็น Train dataset 24,748 แฟ้ม และ evaluate dataset 24,749 แฟ้ม พัฒนาระบบอัตโนมัติด้วยเทคนิค rule-based ประกอบด้วยฐานข้อมูลรหัสโรค รหัสหัตถการ คลังกฎ และกฎการจับคู่ ประเมินประสิทธิภาพด้วย Spearman’s rank correlation coefficient, confusion matrix, accuracy, sensitivity, false positive rate (FPR) และ area under the curve (AUC)
ผลการศึกษา: ระบบมี accuracy ร้อยละ 84.42 ค่า sensitivity ร้อยละ 65.53 และ AUC ร้อยละ 81.74 ค่า Spearman’s rho 0.8517 แสดงความสอดคล้องสูงระหว่างรหัสที่ให้โดยระบบอัตโนมัติและผู้เชี่ยวชาญ ระบบสามารถให้รหัสได้ 57,870 รหัส จากทั้งหมด 117,295 รหัส ลดการติดเงื่อนไขได้มากกว่า 20,000 visit และทำให้เวชระเบียนไม่ถูกปฏิเสธหรือชะลอการจ่ายชดเชยเป็นจำนวนเงินมากกว่าร้อยละ 50 ของค่ารักษาพยาบาลรวม (เฉพาะแฟ้มที่ไม่ผ่านเงื่อนไขการจ่ายเงินของกองทุนสุขภาพโดยการประเมินจากระบบสารสนเทศโรงพยาบาลสงขลานครินทร์)
สรุป: ระบบการให้รหัสโรคและหัตถการอัตโนมัติด้วยเทคนิค rule-based มีประสิทธิภาพสูง สามารถลดภาระงาน เพิ่มประสิทธิภาพ และลดความผิดพลาดในการให้รหัส เหมาะสำหรับใช้เป็นเครื่องมือช่วยในการให้รหัสโรคและหัตถการสำหรับผู้ป่วยนอก โดยเฉพาะในกรณีที่มีปริมาณงานจำนวนมาก

บทความนี้มีข้อแก้ไขเพิ่มเติม [ข้อผิดพลาด 🔗]

เอกสารอ้างอิง

Sitaru S, Nhan F, Gasteiger C, Rueckert D, Biedermann T, Zink A. Digitalising the past decades: automated ICD-10 coding of unstructured free text dermatological diagnoses. BMC Health Serv Res 2024;24:1297. DOI: https://doi.org/10.1186/s12913-024-11761-y

Chen PF, Wang SM, Liao WC, Kuo LC, Chen KC, Lin YC, et al. Automatic ICD-10 Coding and Training System: Deep Neural Network Based on Supervised Learning. JMIR Medical Informatics 2021;9:e23230. DOI: https://doi.org/10.2196/23230

Venkatesh KP, Raza MM, Kvedar JC. Automating the overburdened clinical coding system: challenges and next steps. NPJ Digit Med 2023;.6:16. DOI: https://doi.org/10.1038/s41746-023-00768-0

Chen PF, Chen KC, Liao WC, Lai F, He TL, Lin SC, et al. Automatic international classification of diseases coding system: deep contextualized language model with rule based approaches. JMIR Med Inform 2022;10:e37557. DOI: https://doi.org/10.2196/37557

Kaur R, Ginige JA, Obst O. A Systematic literature review of automated ICD coding and classification systems using discharge summaries [homepage on the Internet]. arXiv; 2021 [cited 2025 Mar 25]. Available from: http://arxiv.org/abs/2107.10652

Diao X, Huo Y, Zhao S, Yuan J, Cui M, Wang Y, et al. Automated ICD coding for primary diagnosis via clinically interpretable machine learning. Int J Med Inform 2021;153:104543. DOI: https://doi.org/10.1016/j.ijmedinf.2021.104543

Oberste L, Finze N, Hoffmann P, Heinzl A. Supporting the billing process in outpatient medical care: automated medical coding through machine learning. ECIS 2022 Research Papers [homepage on the Internet]. 2022; [cited 2025 Jun 5]. Available from: https://aisel.aisnet.org/ecis2022_rp/136

Gruson D, Magalhaes T, Ruszanov A, Granaldi C, Bernardini S, Buttigieg SC. Hyperautomation in healthcare: perspectives from a joint IFCC – EHMA session. Electron J Int Fed Clin Chem Lab Med 2023;34:284–6.

Hazarika I. Artificial intelligence: opportunities and implications for the health workforce. Int Health 2020;12:241–5. DOI: https://doi.org/10.1093/inthealth/ihaa007

Samah T, Samar M. Investigating the key trends in applying artificial intelligence to health technologies: a scoping review. PLoS One 2025;20:e0322197. DOI: https://doi.org/10.1371/journal.pone.0322197

Zhao Z, Lu W, Peng X, Xing L, Zhang W, Zheng C. Automated ICD coding via contrastive learning with back reference and synonym knowledge for smart self-diagnosis applications. IEEE transactions on consumer electronics 2024;70:6042–53. DOI: https://doi.org/10.1109/TCE.2024.3419447

Zhou T, Cao P, Chen Y, Liu K, Zhao J, Niu K, et al. Automatic ICD coding via interactive shared representation networks with self-distillation mechanism. In: Zong C, Xia F, Li W, Navigli R, editors. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) [homepage on the Internet]. Online: Association for computational linguistics; 2021 [cited 2025 Mar 25]. Available from: https://aclanthology.org/2021.acl-long.463/ DOI: https://doi.org/10.18653/v1/2021.acl-long.463

การพัฒนาระบบการให้รหัสโรคและหัตถการอัตโนมัติสำหรับผู้ป่วยนอกโรงพยาบาลสงขลานครินทร์: การศึกษาย้อนหลัง