Corti præsenterer AI-system til at revolutionere medicinsk kodningens nøjagtighed

København-baseret Corti har introduceret et nyt AI-system designet til at tackle en af sundhedssektorens mest vedvarende operationelle udfordringer: medicinsk kodning. Virksomhedens seneste udgivelse, Symphony for Medicinsk Kodning, positionerer sig ikke kun som endnu et automatiseringsværktøj, men som en fundamentalt anderledes tilgang til, hvordan kliniske data fortolkes, struktureres og bruges på tværs af sundhedssystemer.

Lanceringen bygger på Cortis bredere indsats i “klinisk grad af AI”, hvor nøjagtighed, sporbarehed og virkelige implementeringer er lige så vigtige som raw modelpræstation.

Hvorfor Medicinsk Kodning Stadig Bryder SundhedsSystemer

Medicinsk kodning sidder ved skæringspunktet mellem klinisk behandling, fakturering og offentlig sundhed. Hver diagnose, behandling og udfald skal oversættes til standardiserede koder såsom ICD-10, som indeholder titusinder af mulige klassifikationer.

Problemet er ikke kun skala, men fortolkning.

Kodning kræver, at kliniske specialister eller specialister udtrækker mening fra fragmenterede kliniske noter, afklarer inkonsistenser og anvender udviklende retningslinjer. I praksis fører det ofte til manglende signaler og ufuldstændige data.

Et citeret eksempel illustrerer spillet: en stor skala-analyse af patientjournaler fandt, at betydeligt flere selvmordsforsøg var dokumenteret i kliniske noter end var faktisk kodet. Når disse tilfælde ikke bliver optaget i strukturerede datasæt, mister sundhedssystemer indsigt i kritiske tendenser, hvilket undergraver alt fra finansieringsallokering til forebyggelsesstrategier.

Fra Forudsigelse til Ræsonnement: En Skift i Tilgang

Cortis kerneargument er, at medicinsk kodning ikke er et klassifikationsproblem, men et ræsonnementproblem.

Denne forskel former arkitekturen bag Symphony. I stedet for at tildele koder baseret på mønstergenkendelse alene, spejler systemet, hvordan menneskelige kodere arbejder. Det identificerer bevis i kliniske data, vurderer kontekst, navigerer i hierarkiske kodningssystemer og validerer output mod aktuelle retningslinjer.

Denne tilgang bygger på virksomhedens tidligere forskning i multi-agent AI-systemer. Dets “Code Like Humans”-ramme bruger multiple koordinerede AI-agenter til at bryde komplekse opgaver ned i mindre ræsonnementstrin, hvilket forbedrer både nøjagtighed og konsistens.

Resultatet, ifølge Corti, er et målbart præstationsgap. Symphony udgør ifølge rapporten bedre end konkurrerende modeller fra store AI-udbydere i klinisk kodningsnøjagtighedsbenchmarks, med forbedringer på op til 23 procent.

Infrastrukturen Bag Modellen

Symphony er ikke en selvstændig model. Den sidder oven på Cortis bredere agent-baserede infrastruktur, kendt som Corti Agentic Framework.

I modsætning til traditionelle store sprogmodeller, der genererer output i isolation, tillader denne ramme AI-systemer at ræsonnere, hente information og udføre strukturerede handlinger på tværs af kliniske arbejdsgange. Den er designet til at tilslutte sig eksterne datakilder såsom elektroniske patientjournaler, i stedet for at afhænge udelukkende af forudtrænet viden.

Platformen introducerer også sikkerhedsforanstaltninger, der er essentielle i sundhedsindstillinger. Hver handling, der udføres af en AI-agent, logges, kan spores og er gennemgåelig, hvilket skaber en klar kæde af ræsonnement bag hver beslutning.

Denne fokus på gennemgåelighed er ikke tilfældig. I regulerede miljøer som sundhedssektoren er evnen til at forklare og retfærdiggøre beslutninger ofte lige så vigtig som beslutningen selv.

Gør AI-Output Verificerbare, Ikke Kun Nøjagtige

En af de tilbagevendende kritikker af AI i sundhedssektoren er “black box“-problemet. Selv når modeller producerer korrekte output, gør manglen på gennemsigtighed dem svære at stole på i kliniske eller compliance-drevne miljøer.

Corti forsøger at adressere dette.

Symphony kobler hver genereret kode til den kliniske bevisning, der bruges til at retfærdiggøre det. Det fremhæver også tvetydigheder eller grænsetilfælde, hvilket giver menneskelige gennemgåere mulighed for hurtigt at forstå, hvor domme blev truffet.

Dette omdanner AI fra et værktøj, der erstatter menneskelig oversigt, til et, der supplerer den, især for compliance-hold og revisorer, der er ansvarlige for at validere kodningsbeslutninger.

Et System Bygget Til Global Sundheds Kompleksitet

En anden udfordring i medicinsk kodning er fragmentering. Forskellige regioner bruger forskellige standarder, og mange AI-systemer kræver omfattende genoptræning for at fungere på tværs af markeder.

Symphony er designet til at fungere på tværs af både amerikanske og europæiske kodningssystemer uden lokal finjustering. Det inkluderer diagnosekodningsrammer samt procedurbaserede systemer, der bruges til fakturering og refusion.

Dette er vigtigt for sundhedssoftware-udbydere og multinationale sundhedsydelser, hvor vedligeholdelse af multiple lokale AI-modeller hurtigt kan blive en flaskehals.

Det Større Billede: Automatisering Af Sundhedsdata Laget

Selv om medicinsk kodning kan synes som et snævert anvendelsesområde, spiller det en grundlæggende rol i, hvordan sundhedssystemer fungerer.

Strukturerede data, der genereres gennem kodning, indgår i alt fra forsikringsrefusion til klinisk forskning og national sundheds politik. Fejl på dette lag forplanter sig på tværs af hele systemet.

Cortis bredere strategi afspejler denne realitet. Dets platform understøtter allerede en række AI-agenter til opgaver såsom dokumentation, klinisk beslutningsstøtte og samarbejdskoordination, alle bygget på samme underliggende infrastruktur.

Virksomhedens tes er, at sundhedssektoren i stigende grad vil afhænge af koordinerede, multi-agentsystemer, der håndterer både administrative og kliniske arbejdsgange på samme tid.

Fra Piloter Til Produktion

En af de definerende udfordringer i sundheds-AI har været gapet mellem lovende prototyper og virkelige implementeringer.

Corti positionerer Symphony som et produktionsklart system snarere end et eksperimentelt model. Det inkluderer enterprise-implementationer, støtte til interoperabilitetsstandarder og integration i eksisterende sundhedssoftware-stakke.

Fokus er mindre på at demonstrere, hvad AI kan gøre, og mere på at sikre, at det kan fungere sikkert, konsistent og i stor skala inden for virkelige kliniske miljøer.

En Stille Men Meningfuld Skift

Udgivelsen af Symphony afspejler en bredere skift, der sker på tværs af AI i sundhedssektoren.

I stedet for at bygge endnu større generelle formål-modeller fokuserer virksomhederne i stigende grad på specialiserede systemer designet til højrisiko-domæner. Disse systemer prioriterer ræsonnement, gennemgåelighed og integration over raw generativ kapacitet.

Medicinsk kodning kan måske ikke tiltrække samme opmærksomhed som diagnostik eller lægemiddelforskning, men det understøtter meget af den moderne sundhedsinfrastruktur. Forbedring, selv inkrementelt, kan have overdimensionerede effekter på både operationel effektivitet og patientresultater.

Hvis Cortis påstande omkring nøjagtighed og gennemgåelighed holder i virkelige implementeringer, kunne Symphony repræsentere et meningsfuldt skridt mod AI-systemer, som sundhedsorganisationer faktisk kan stole på.