Corti lanserer AI-system for å gjøre medisinsk kodekning mer nøyaktig

Copenhagen-baserte Corti har introdusert et nytt AI-system designet for å takle en av helsevesenets mest vedvarende operative utfordringer: medisinsk kodekning. Selskapets nyeste utgivelse, Symphony for Medical Coding, stiller seg ikke bare som et annet automatiseringsverktøy, men som en grunnleggende annen tilnærming til hvordan klinisk data tolkes, struktureres og brukes i helsesystemer.

Lanseringen bygger på Cortis bredere satsing på “klinisk-gradert AI”, der nøyaktighet, sporing og virkelige utrullinger teller like mye som ren modell-ytelse.

Hvorfor medisinsk kodekning fortsatt bryter helse-systemer

Medisinsk kodekning sitter på skjæringspunktet mellom klinisk omsorg, fakturering og folkehelse. Hver diagnose, behandling og resultat må oversettes til standardiserte koder som ICD-10, som inneholder titusener av mulige klassifiseringer.

Problemet er ikke bare skala, men tolkning.

Kodekning krever at kliniske eller spesialiserte personer trekker ut mening fra fragmenterte kliniske notater, sammenstiller inkonsistenser og anvender utviklende retningslinjer. I praksis fører det ofte til manglende signaler og ufullstendige data.

Et sitert eksempel illustrerer spillene: En stor skala-analyse av pasientjournaler fant at betydelig flere selvmordsforsøk var dokumentert i kliniske notater enn faktisk var kodet. Når disse tilfellene ikke blir registrert i strukturerte datasamlinger, mister helse-systemene oversikt over kritiske trender, og undergraver alt fra finansierings-allokering til forebyggings-strategier.

Fra prediksjon til resonnering: En skifte i tilnærming

Cortis kjerneargument er at medisinsk kodekning ikke er et klassifiseringsproblem, men et resonneringsproblem.

Dette skillet former arkitekturen bak Symphony. I stedet for å tildele koder basert på mønster-gjenkjenning alene, speiler systemet hvordan menneskelige kodere arbeider. Det identifiserer bevis i klinisk data, vurderer kontekst, navigerer i hierarkiske kode-systemer og validerer utdata mot gjeldende retningslinjer.

Dette tilnærmingen bygger på selskapets tidligere forskning på multi-agent AI-systemer. Dets “Code Like Humans”-rammeverk bruker flere koordinerte AI-agenter til å bryte ned komplekse oppgaver i mindre resonnerings-trinn, og forbedrer både nøyaktighet og konsistens.

Resultatet, ifølge Corti, er et målbart ytelsesgap. Symphony rapporteres å overgå konkurrerende modeller fra store AI-leverandører i klinisk kodekning-nøyaktighets-benchmark, med forbedringer på opptil 23 prosent.

Infrastrukturen bak modellen

Symphony er ikke en selvstendig modell. Den sitter på toppen av Cortis bredere agent-baserte infrastruktur, kjent som Corti Agentic Framework.

I motsetning til tradisjonelle store språkmodeller som genererer utdata i isolasjon, tillater dette rammeverket AI-systemer å resonere, hente informasjon og utføre strukturerte handlinger over kliniske arbeidsflyter. Det er designet for å koble til eksterne datakilder som elektroniske helsejournaler, i stedet for å bare stole på forhåndstrening.

Plattformen innfører også sikkerhetsskiller som er essensielle i helse-miljøer. Hver handling utført av en AI-agent blir logget, sporet og auditerbar, og skaper en klar kjede av resonnering bak hver beslutning.

Dette fokuset på auditerbarhet er ikke tilfeldig. I regulerte miljøer som helsevesenet er evnen til å forklare og rettferdiggjøre beslutninger ofte like viktig som beslutningen selv.

Gjøre AI-utdata verifiserbare, ikke bare nøyaktige

En av de gjentakende kritikkene av AI i helsevesenet er ” black box “-problemet. Selv når modeller produserer korrekte utdata, gjør mangelen på transparens det vanskelig å stole på dem i kliniske eller kompliance-drevne miljøer.

Corti prøver å adresse dette.

Symphony kobler hver generert kode til den kliniske bevisen som brukes til å rettferdiggjøre den. Det høydepunkter også usikkerheter eller grensetilfeller, og lar menneskelige gjennomgåere raskt forstå hvor dømmende beslutninger ble tatt.

Dette gjør AI til et verktøy som ikke erstatter menneskelig tilsyn, men som supplere det, spesielt for kompliance-team og revisorer som er ansvarlige for å validere kodekning-beslutninger.

Et system bygget for global helse-kompleksitet

En annen utfordring i medisinsk kodekning er fragmentering. Forskjellige regioner bruker forskjellige standarder, og mange AI-systemer krever omfattende om-trening for å operere over markedene.

Symphony er designet for å fungere over både amerikanske og europeiske kode-systemer uten lokal fin-justering. Dette inkluderer diagnose-kode-rammeverk samt prosedyre-baserte systemer som brukes i fakturering og refundasjon.

Dette har betydning for helse-programvare-leverandører og multinasjonale tjenesteleverandører, hvor vedlikehold av flere lokale AI-modeller raskt kan bli en flaskehals.

Det større bildet: Automatisering av helse-data-laget

Selv om medisinsk kodekning kan synes som et smalt bruksområde, spiller det en grunnleggende rolle i hvordan helse-systemer opererer.

Strukturert data generert gjennom kodekning går inn i alt fra forsikrings-refundering til klinisk forskning og nasjonal helse-politikk. Feil på dette laget forplanter seg over hele systemet.

Cortis bredere strategi reflekterer denne realiteten. Plattformen støtter allerede en rekke AI-agenter for oppgaver som dokumentasjon, klinisk beslutnings-støtte og koordinering av omsorg, alle bygget på samme underliggende infrastruktur.

Selskapets tese er at helsevesenet vil stadig mer avhenge av koordinerte, multi-agente systemer som håndterer både administrative og kliniske arbeidsflyter samtidig.

Flytting fra piloter til produksjon

En av de definerte utfordringene i helse-AI har vært gapet mellom lovende prototyper og virkelige utrullinger.

Corti stiller Symphony som et produksjons-klart system i stedet for et eksperimentelt modell. Dette inkluderer bedrifts-utviklings-alternativer, støtte for interoperabilitets-standarder og integrasjon i eksisterende helse-programvare-stabler.

Fokuset er mindre på å demonstrere hva AI kan gjøre, og mer på å sikre at det kan operere trygt, konsistent og i skala innen virkelige kliniske miljøer.

En stille, men meningsfull skifte

Utgivelsen av Symphony reflekterer en bredere skifte som skjer over AI i helsevesenet.

I stedet for å bygge større, generelle modeller, fokuserer selskaper stadig mer på spesialiserte systemer designet for høyrisk-domener. Disse systemene prioriterer resonnering, sporing og integrasjon over ren generativ evne.

Medisinsk kodekning kan ikke tiltrekke seg samme oppmerksomhet som diagnostikk eller legemiddel-oppdagelse, men den understøtter mye av det moderne helse-infrastrukturen. Forbedring av den, selv inkrementelt, kan ha overskudds-effekter på både operasjonell effisiens og pasient-resultater.

Hvis Cortis påstander omkring nøyaktighet og auditerbarhet holder i virkelige utrullinger, kan Symphony representere et meningsfullt skritt mot AI-systemer som helse-organisasjoner faktisk kan stole på.